Der False Call Killer

Woher kam die Idee für DeepReview?

Romain: Das Konzept entstand aus der Zusammenarbeit mit einem Kunden, der uns einige AOI-Bilder und entsprechende Zertifizierungen zur Verfügung stellte. Zu dieser Zeit war ich am Center for Deep Learning in Electronics Manufacturing (CDLe), einer fünfjährigen gemeinsamen Innovations-Programm in San Jose, Kalifornien. Ich war von einigen der besten Experten auf diesem Gebiet umgeben, und wir wollten herausfinden, welche Art von Kundenwert durch die Anwendung von Deep Learning auf die riesigen Mengen hochwertiger Prüfdaten, die bei all unseren Kunden vorhanden sind, generiert werden könnte. Da die Bildklassifizierung eine der ausgereiftesten Anwendungen im Bereich Deep Learning ist, dauerte es nicht lange, bis wir ein gutes neuronales Netzwerk entwickelt hatten.

War dies also ein Modell, das direkt in der Produktion angewendet werden konnte?

Romain: Vielleicht für diesen Kunden, aber für jeden anderen hätte es nicht funktioniert. Es gibt so viele Variablen wie das Design, die Farbe und die Art des Bauteils, die alle die Klassifizierung erschweren. Selbst zwischen den Kunden gibt es unterschiedliche Toleranzen. Und das ist die eigentliche Herausforderung: Ein allgemeines Modell ist extrem schwer zu erstellen. Jeder Kunde hat seine eigenen Standards, seine eigene Lieferketten und Prozessvariationen, und nur er weiß genau, welche Qualitätsstandards akzeptabel sind.

Romain Roux R&D Director for AI, (left). Nicolas Guillot Software Systems Architect, (right).

Haben Sie Kunden getroffen, die versucht haben, ihre eigenen KI-Klassifizierungssysteme zu entwickeln? Wenn jedes neuronale Netzwerk angepasst werden muss, warum bauen sie dann nicht einfach ihr eigenes von Grund auf?

Romain: Sicher, es gibt Standardalgorithmen. Aber die Einarbeitung ist sehr aufwendig. Man muss das Tool entwickeln, die Daten verifizieren, lernen, wie man die Bibliothek verwendet, eine Verbindung zum AOI-System herstellen usw. Das könnte leicht ein Projekt im Wert von einer halben Million Euro werden, und selbst dann müsste man ein Daten-Experte sein, um es verwenden zu können. Stattdessen haben wir ein „Gehirn“ und eine Schnittstelle entwickelt, die die Sprache der Inspektion und nicht die Sprache der speziellen Bildverarbeitung spricht. So müssen die Kunden nur ein wenig selbst verifizieren, was sie bereits bei der Überprüfung von AOI-Fehlern tun, und sich auf das konzentrieren, was sie am besten können: echte Fehler abstellen.

Nicolas: Das ist wirklich der springende Punkt. Unsere Kunden haben bereits alles, was sie brauchen, um DeepReview zu nutzen. Sie verfügen über jahrelange tatsächliche Produktionsdaten. Sie kennzeichnen und klassifizieren bereits False-Calls und echte Fehler. Wir haben uns darauf konzentriert, ein Deep-Learning-System zu entwickeln, das aus dem lernt, was sie bereits tun, damit ein Mensch nicht ständig die sich wiederholenden Aufgaben erledigen muss, die eine Maschine erledigen kann. Sie sollten nicht auf eine Maschine aufpassen und ständig False-Calls wegklicken müssen, und sie sollten definitiv keinen Doktortitel in Bildverarbeitung oder KI benötigen. Sie sollten da sein, wo ihr Fachwissen am meisten gebraucht wird: bei der produktionsplanung und dem Kitting!

Über welche Art von Zeitersparnis reden wir also? Wie viele False-Calls können die Kunden erwarten, wenn sie ihre tägliche Arbeit einsparen?

Nicolas: Das hängt wirklich von der Vielfalt und den Arten der Komponenten ab, aber 50-90 % weniger False-Calls sind eine realistische Erwartung. Mit DeepReview kann ein Bediener definitiv darauf vertrauen, dass er produktiver ist und weniger Fehler riskiert. Aber das ist noch nicht alles, denn das System verbessert den Prüfprozess kontinuierlich. Wenn Sie vorher z. B. 10 AOI-Fehler hatten, darunter 8 False-Calls und 2 echte Fehler, kann das System diese Zahl automatisch auf nur 2 Fehler für die Überprüfung reduzieren. Während es also im Hintergrund arbeitet, verbessert es die Robustheit des Prüfmodells selbst.

Es ist großartig, dass ein Kunde keine Datenwissenschaft lernen muss, um zu verstehen, wie Deep Learning funktioniert, aber woher weiß er, dass er darauf vertrauen kann, dass es die richtigen Entscheidungen trifft?

Nicolas: Das ist ein sehr wichtiger Punkt, und es gibt hauptsächlich zwei Antworten darauf. Die erste ist, dass das System anhand der historischen Produktionsdaten des Kunden, seiner eigenen Bilder und seiner eigenen Sanktionen trainiert wird. Es sind also nur die Toleranzen des Herstellers, die in das System einfließen, was bedeutet, dass kein Risiko besteht, neue Ausreißer einzuführen. Zweitens sind die Schritte der Kommentierung und des Trainings des neuronalen Netzwerks so konzipiert, dass die Benutzer die Auswirkungen ihres Inspektionsmodells verstehen können - es ist wie ein Blick in die „Box“. Die Benutzeroberfläche ist sehr einfach zu bedienen. Sie ermöglicht es Ihnen, ähnliche Bilder zu gruppieren, um Probleme zu finden und alle anderen mit einem Klick zu überprüfen. Eine halbe Stunde Einarbeitung genügt, und dann geht alles andere - Datenspeicherung, Import, Konvertierung usw. - automatisch.

AOI inspection process with DeepReview.

Und wie steht es um die Datensicherheit? Das sind ziemlich sensible Informationen, die man in die Hände einer KI legt...

Romain: Da der Server vor Ort in einem geschlossenen System im eigenen Subnet des Kunden läuft, werden alle Datenerfassung, Speicherung, Schulung und Verarbeitung lokal durchgeführt. Der Kunde kontrolliert alles. Es ist sein eigenes neuronales Netzwerk, sein eigener KI-Server.

Und schließlich, für diejenigen, die in letzter Zeit viele Versprechungen über KI gehört haben: Welche Arten von Funktionen kann DeepReview genau erkennen? Und was sind seine Grenzen?

Romain: Ich stimme voll und ganz zu, dass es wichtig ist, die Realität von dem ganzen Hype um KI zu trennen. Es ist entscheidend, realistisch zu bleiben. Mit DeepReview kann heute alles verarbeitet werden, was in der 2D-Farbbildgebung auf kleineren Bauteilen zu sehen ist - zum Beispiel beschädigte, gedrehte, gekippte oder falsch ausgerichtete Bauteile oder schlechte Lötstellen. Und zusätzliche Funktionen - wie die Möglichkeit, jedes einzelne Lead eines QFP oder eines größeren Bauteils zu analysieren - werden bald verfügbar sein.

Nicolas: Die Einschränkungen haben eher mit den Grenzen der Bildklassifizierung im Allgemeinen zu tun - die Tatsache, dass selbst die fortschrittlichsten KI-Modelle der Welt mit der Klassifizierung komplexer Muster in 3D zu kämpfen haben - als mit den Grenzen unseres speziellen Systems. Aber die KI entwickelt sich so schnell weiter, dass sich auch dies ändern wird. Und das ist einer der Vorteile des Annotationsprozesses in DeepReview: Alles, was der Kunde tut, ist ein Tagging der Bilder in einer Art und Weise, die für das AOI verständlich ist. Es gibt also eine Menge potenzieller Vorteile auch für Pick-and-Place, Lotpasten-Jet Printer und SPI in der Zukunft. Das bedeutet, dass unsere Kunden entsprechend vorbereitet sein werden. Und alles wird so viel einfacher sein mit einer kompletten Bibliothek, vollständig kommentiert und approved vom Produktions-Personal, die es am besten wissen: dem Hersteller selbst.

DeepReview AI-guided labelling and training interface.