案例：神经网络建模 + 可视化分析 = 提效增质的利器！

在电子制造业企业，由于器件尺寸比较小、生产周期比较短等特征，设备及产品的异常诊断能力变得非常重要，其能力的强弱甚至在某种程度上成为企业竞争力的一部分。如何快速、高效地识别这些异常，如何利用计算机系统辅助人类做好提前预警和分析，成为企业提效增质、提高良率不可或缺的一项重要竞争优势。

今天我们以高科技电子行业的一个案例为例，来看看如何通过强大的神经网络建模+独特的可视化分析，帮助数据分析人员大幅减少异常芯片的识别与侦测时间，从而从根本上为企业提效增质。

为什么可续的数据分析如此重要？

众所周知，质量对于公司来说意味着制造成本、出货周期和品牌价值。所以几乎每家企业都把质量看作重中之重。那么如何改善企业的基准质量水平则是一项艰巨的任务。

以上是常见的电子类企业的典型生产步骤，其中：

• 晶圆生长晶圆生长是指半导体集成电路制作所用的硅晶片，由于其形状为圆形，故称为晶圆；在硅晶片上可加工制作成各种电路元件结构，而成为有特定电性功能的集成电路产品。
• 封装工艺封装工艺是将通过测试的晶圆按照产品类型及功能需求加工得到独立芯片的过程。
• 最终测试最终测试是通过一系列的检测项目来侦测每颗独立芯片的好坏的过程。

我们重点看下这里的“最终测试”步骤，也即是检测整个晶圆上所有芯片质量的过程。

在最终测试阶段，传统方法采用的是人工识别，即通过个人判断将有问题的晶圆图一一记录下来，再做后续处理工作。

然而实际工作中，人工识别常常会面临以下问题：

• 漏检图形
  每个人在面临上百张晶圆检测图的时候，几乎不可能做到每张图一一过目，很可能由于疲劳等因素错过了一些重要的图形，而这些图形往往蕴藏着潜在的信息。
• 耗时过长
  即使个人能够在力所能及的范围内，观察到一些晶圆检测图，但整个过程非常耗时，没有将人工的时间用在解决核心问题上。
• 标准不统一
  对于没有出现过的图形，其判断标准会随着个人的标准不同有所差异，这样同样会造成潜在信息的丢失。

基于以上这些不可避免的因素，计算机高科技领域可视化分析技术就能够大显身手了。比如，我们把每颗独立芯片的检测结果按照它们在晶圆上面的位置一一对应，所得的检测结果输入到JMP软件，借助于JMP独特的可视化神器——图形生成器，就可以轻松生成以下的晶圆检测图，从而快速地识别出有问题的产品。<