반도체 제조 현장에 AI가 들어온 지는 꽤 됐습니다. Virtual Metrology, 이상 탐지, 원인 분석, 공정 조건 추천, APC 등 적용 분야도 많아졌습니다.
PoC에서 좋은 성능을 확인했다고 양산에서 바로 오래 쓸 수 있는 것은 아닙니다. 생산에 넣기 전에 검증해야 하고, 엔지니어가 결과를 이해할 수 있어야 합니다. 장비나 제품 조건이 바뀐 뒤에도 계속 운영할 수 있어야 합니다.
AI를 도입한 Fab과
AI로 운영되는 Fab의 차이
같은 수준의 모델을 갖고 있어도 실제 쓰는 방식은 크게 다를 수 있습니다.
모델 성능과 양산 성과는 별도로 평가해야 합니다
정확도, MAE, RMSE, R²는 모델 평가에 필요한 지표입니다. 다만 양산에서는 장비 상태, 소모품, 제품 구성, 이전 공정 영향이 계속 변합니다. 개발 시점에 성능이 좋았던 모델이 몇 달 뒤에도 같은 성능을 유지한다고 가정하기 어렵습니다.
양산 적용 여부를 볼 때는 정확도만 보면 안 됩니다. 실제 공정에서 반복해 쓸 수 있는지, 조건이 바뀌었을 때 어디까지 믿을 수 있는지도 함께 확인해야 합니다.
PoC는 정해진 데이터와 범위 안에서 가설을 검증합니다. 양산은 제품과 장비 상태가 변하는 환경에서 매일 반복됩니다. 한 번 좋은 결과를 내는 것보다 일정 수준의 결과를 계속 유지하는 일이 더 어렵습니다.
이 때문에 양산 AI에서는 최고 성능보다 안정성, 적용 범위, 변화 대응이 더 중요한 경우가 많습니다.
양산 AI는 운영 부담이 늘지 않아야 합니다
AI 도입 후 대시보드를 추가로 확인하고, 결과를 별도로 해석하며, 모델 상태까지 수동으로 관리해야 한다면 업무는 줄지 않습니다. 기존 분석과 공정 조정 흐름 안에서 바로 쓸 수 있어야 합니다.
추천값이 왜 나왔는지, 지금 모델 상태가 어떤지, 실제 적용 결과가 어땠는지 보여야 현장에서 판단하기도 쉽습니다.
장비 상태는 변하고 소모품은 교체됩니다. 새로운 제품이 들어오고 recipe도 수정됩니다. 처음 도입했을 때의 조건만 기준으로 두면 시간이 지나면서 모델과 실제 생산 환경 사이에 차이가 생깁니다.
양산에서는 모델 상태와 공정 변화를 계속 확인하고 필요할 때 다시 검증해야 합니다.
모델을 1개에서 10개로 늘렸는데 관리 업무도 10배가 됐다면 제대로 확장됐다고 보기 어렵습니다. 더 많은 공정과 장비에 적용하면서도 엔지니어의 운영 부담이 같은 비율로 늘지 않아야 합니다.
개발부터 검증, 적용, 상태 확인까지 반복해서 운영할 수 있는 방식으로 만들어야 합니다.
Production AI는
모델 이후의 일을 다룹니다
Amously가 말하는 Production AI는 모델 개발 이후의 운영까지 제품 안에서 다룹니다. Virtual Metrology와 APC를 검증해 생산 데이터에 연결하고, 현장에서 상태와 결과를 확인하며 계속 운영합니다.