LFoundry: anomaly detection interpretabile nella manifattura dei semiconduttori
Una soluzione AI industriale per aumentare qualità, ridurre scarti e supportare gli esperti di processo nell’identificazione precoce di anomalie, drift e deviazioni produttive.
Contesto
LFoundry opera in un contesto produttivo ad alta complessità, tipico della manifattura dei semiconduttori, dove stabilità di processo, qualità del prodotto, riduzione degli scarti e capacità di intervento tempestivo sono fattori critici.
In questo tipo di ambiente, i dati generati da sistemi di fabbrica, equipment, lotti, ricette, tecnologie, misure di processo e pianificazione della produzione rappresentano una risorsa fondamentale, ma estremamente complessa da valorizzare. Il comportamento atteso di un processo non è unico né statico: cambia in funzione della tecnologia, della ricetta, dello stato macchina, delle condizioni operative, degli interventi di manutenzione e del naturale drift dei processi produttivi.
In questo scenario, LFoundry ha collaborato con Statwolf per sviluppare una soluzione di anomaly detection interpretabile, progettata per inserirsi nell’ecosistema digitale esistente della fabbrica e supportare gli esperti di processo nell’identificazione, nella comprensione e nella gestione delle anomalie.
La sfida
LFoundry voleva rafforzare il monitoraggio di alcuni processi chiave con un approccio AI capace di intercettare tempestivamente derive, anomalie e comportamenti inattesi, prima che questi generassero impatti su qualità, resa, scarti o discontinuità operative.
La sfida non era semplicemente applicare un modello di anomaly detection ai dati di fabbrica. In un ambiente industriale complesso come quello della manifattura di semiconduttori, un singolo modello non è sufficiente: condizioni operative diverse, ricette diverse, tecnologie diverse e variazioni legate a manutenzioni o cambi di configurazione richiedono modelli specifici, monitorati e aggiornabili nel tempo.
L’obiettivo era costruire una soluzione capace di integrare dati e sistemi esistenti, governare migliaia di modelli in parallelo, rendere interpretabili gli anomaly score, raccogliere feedback dagli esperti e mantenere i modelli affidabili attraverso logiche di MLOps.
Obiettivi della soluzione
- Integrarsi con i sistemi esistenti di fabbrica, inclusi MES, pianificazione della produzione, basi dati di processo, lotti, ricette e tecnologie.
- Identificare comportamenti anomali rispetto alla baseline corretta per quello specifico contesto produttivo.
- Rendere interpretabili gli anomaly score, evidenziando variabili e condizioni che contribuiscono alla segnalazione.
- Supportare gli esperti di processo nella root cause analysis e nella prioritizzazione degli interventi.
- Gestire migliaia di modelli in parallelo, ciascuno riferito a specifiche condizioni operative.
- Monitorare continuamente le performance dei modelli attraverso logiche di MLOps.
- Raccogliere feedback dagli utenti per migliorare progressivamente il sistema, evolvendo da un approccio unsupervised verso logiche semi-supervised.
L’approccio
Statwolf ha lavorato con LFoundry su un approccio end-to-end, combinando integrazione dati, AI industriale, interpretabilità, MLOps e conoscenza di dominio. Il cuore del progetto è stato portare l’AI dentro la complessità reale della fabbrica.
La soluzione è stata progettata per interoperare con i sistemi già presenti in LFoundry, collegando dati provenienti da MES, pianificazione della produzione, sistemi di processo, informazioni sui lotti, ricette e tecnologie. Senza una connessione affidabile con il contesto produttivo, l’anomaly detection rischia di generare segnali isolati, difficili da interpretare e poco utilizzabili nei processi decisionali.
La soluzione non si basa su un singolo modello, ma su un’architettura in grado di eseguire migliaia di modelli in parallelo. Ogni modello è associato a specifiche condizioni operative, così da confrontare il comportamento osservato con la baseline corretta per quel contesto: questo consente di distinguere in modo più accurato le anomalie reali dalla normale variabilità di processo.
Un elemento centrale è il monitoraggio continuo dei modelli. In fabbrica il comportamento dei dati può cambiare rapidamente a seguito di manutenzioni, variazioni operative, modifiche di ricetta, cambiamenti tecnologici o drift progressivi: la soluzione include componenti di MLOps dedicate al monitoraggio delle performance, alla rilevazione del drift e al riadattamento dei modelli quando la baseline non è più rappresentativa.
Accanto a questi aspetti, Statwolf e LFoundry hanno lavorato sulla raccolta del feedback degli esperti di processo: conferme, correzioni e validazioni arricchiscono progressivamente il sistema, trasformando un approccio inizialmente unsupervised in un sistema semi-supervised, più aderente alla realtà produttiva e più efficace nel tempo.
La soluzione
Un sistema di anomaly detection interpretabile, scalabile e integrato con i processi reali della fabbrica, composto da cinque componenti principali.
Integrazione con i sistemi di fabbrica
Integrazione con l’ecosistema digitale esistente: MES, pianificazione della produzione, dati di processo, lotti, ricette, tecnologie e condizioni operative. Ogni analisi è collegata al corretto contesto produttivo e la data foundation costruisce dataset coerenti per l’analisi.
Modellazione su larga scala
Tecnologie e ricette diverse convivono su più macchine, ciascuna con i propri sotto-sistemi. La soluzione gestisce migliaia di modelli in parallelo, ciascuno riferito a specifiche combinazioni di condizioni produttive, confrontando il comportamento osservato con la baseline attesa.
Anomaly detection interpretabile
I modelli identificano deviazioni significative e producono anomaly score per prioritizzare eventi e situazioni da analizzare. L’interpretabilità collega ogni segnalazione alle variabili che hanno contribuito maggiormente e al contesto produttivo in cui si è manifestata.
MLOps e ciclo di vita dei modelli
Componenti di MLOps monitorano i modelli in esercizio: performance, drift, cambi repentini dovuti a manutenzioni, variazioni operative o modifiche di processo. Quando la baseline non è più rappresentativa, il sistema supporta il riadattamento dei modelli.
Feedback loop e miglioramento continuo
Le validazioni, le conferme e le correzioni degli esperti di processo alimentano un ciclo di miglioramento continuo, facendo evolvere il sistema da un approccio unsupervised verso logiche semi-supervised.
Perché Statwolf
Il caso LFoundry rappresenta bene il posizionamento di Statwolf nell’AI industriale: non solo sviluppo di algoritmi, ma conoscenza di dominio, capacità di rendere l’AI interoperabile con i sistemi già presenti in fabbrica, scalabile su migliaia di modelli, monitorabile tramite MLOps e utilizzabile dagli esperti di processo.
Il valore della soluzione non risiede solo nella capacità di individuare anomalie, ma nella possibilità di trasformare l’AI in uno strumento operativo, integrato nei processi reali e comprensibile per chi deve prendere decisioni tecniche in fabbrica.
- Interoperabilità con MES, pianificazione della produzione e sistemi dati esistenti.
- Anomaly detection su dati industriali complessi.
- Gestione di migliaia di modelli in parallelo.
- Interpretabilità degli anomaly score.
- Monitoraggio continuo tramite MLOps.
- Gestione di drift, manutenzioni e cambiamenti repentini nelle condizioni operative.
- Raccolta feedback e miglioramento continuo.
- Supporto a qualità, riduzione degli scarti e stabilità produttiva.
LFoundry ha rafforzato il monitoraggio dei propri processi produttivi attraverso una soluzione di anomaly detection interpretabile, integrata con i sistemi esistenti e scalabile su migliaia di modelli. Statwolf ha abilitato un’architettura AI e MLOps capace di supportare qualità, riduzione degli scarti, gestione del drift e miglioramento continuo, trasformando dati industriali complessi in insight operativi per gli esperti di processo.
Dicono del progetto
“Nel contesto produttivo dei semiconduttori, l’anomaly detection non può limitarsi a segnalare che qualcosa è fuori dalla norma. Il vero valore sta nel rendere il risultato interpretabile: capire quali variabili contribuiscono all’anomalia, distinguere rumore e segnali rilevanti, e trasformare il modello in uno strumento che dialoga con la competenza degli esperti di processo. Questo è stato possibile grazie a un lavoro a quattro mani tra Statwolf e il nostro team interno di data scientist, combinando competenze algoritmiche, conoscenza di dominio e comprensione dei sistemi di fabbrica.”
“Il progetto ha richiesto un forte coordinamento tra competenze diverse: data science, conoscenza di processo, gestione dei dati e obiettivi operativi di fabbrica. Il valore della collaborazione con Statwolf è stato lavorare in modo strutturato, trasformando un’attività complessa di ricerca e sviluppo in una soluzione concreta, progressivamente validata con gli esperti LFoundry.”
Reference
Le attività descritte sono state parzialmente sviluppate nel contesto del progetto AIMS5.0 — Artificial Intelligence in Manufacturing leading to Sustainability and Industry 5.0.
