Die Münchner Infineon Technologies AGInfineon Technologies AG, Herstellerin von Halbleiterlösungen, Mikrocontrollern, Sensoren und anderen Chips, hat es mit kleinsten Bauelementen zu tun. Das macht es für das Qualitätsmanagement schwer, eine effiziente Fehleranalyse zu entwickeln, die auch in mikroskopisch kleinen Leiterbahnen Auffälligkeiten entdeckt. Schon ein kleines Staubkorn kann einen Chip unbrauchbar machen. Im Projekt iFAME ("Infineon Failure Analysis Image Engine") hat der Konzern nun die DigitalisierungDigitalisierung der Fehleranalyse umgesetzt. Top-500-Firmenprofil für Infineon Technologies AG Alles zu Digitalisierung auf CIO.de

Mängel in der Halbleiterproduktion zu finden, kann nach dem klassischen Vorgehen zwei Monate und länger dauern. Um den Prozess zu digitalisieren sammelte das Projektteam erst einmal eine große Anzahl von Analyse-Berichten aus den Bereichen Entwicklung, Produktion und Kundenapplikationen mit Informationen zur Fehlercharakteristik, Problembeschreibung und Fehlerursache. Solche Daten werden im Konzern seit 15 Jahren erfasst, aber es fehlte eine brauchbare Lösung zum Konsolidieren und Analysieren dieser unstrukturierten Daten.

Da kommt die iFAME-Anwendung ins Spiel, eine Lösung für die kombinierte Bild- und Textsuche in einer globalen Datenbank. Sie ermöglicht dem Konzern eine Zeitersparnis bei der Fehleranalyse um bis zu 80 Prozent und verfügt über eine Treffergenauigkeit von über 90 Prozent. iFAME legte die Grundlage für ein umfassendes digitales Qualitätsmanagement bei Infineon weltweit - Grund genug für das Team, sich für den "DIGITAL LEADER AWARD" (DLA) zu bewerben, den der IDG-Verlag gemeinsam mit der NTT-Gruppe vergibt. Für diese tolle Gewschichte wurde das Team dann auch im Rahmen der virtuellen Winners Night des Awards mit dem Preis in der Kategorie "PROJECT" ausgezeichnet.

Um das Projekt in die richtigen Bahnen zu lenken, war bei Infineon eine veränderte Sichtweise Voraussetzung: Qualität ist nicht allein ein Thema der Qualitätsabteilung, sie geht im Konzern alle an, auch die IT-Organisation - und zwar kontinuierlich. Generell wird die IT im Konzern heute anders gesehen als früher. Ihr wichtigster Auftrag besteht jetzt darin, digitale Innovationen in konkreten Nutzen umzuwandeln. Das bereichsübergreifende Projekt iFAME hat eine Vorbildfunktion, weil das globale Qualitätsmanagement mit der IT vorbildlich zusammenarbeitet.

Suche auf der Basis von Deep Learning

Heute können Testingenieure in der "Suchmaschine" iFAME mithilfe von Bildern und Texten Suchanfragen zur Fehleridentifikation eingeben. Für die Bildsuche kommt ein mehrschichtiges neuronales Netzwerk zum Einsatz, das die abstrakten Merkmale von Fehleranalyse-Bildern extrahiert und mit Algorithmen auf Ähnlichkeiten beziehungsweise Abweichungen hin untersucht. Hinzu kommt eine semantische Suche auf der Basis von Deep Learning, die die Bedeutung von Wörtern interpretiert (Kontext und Syntax). Ohne dass die in der Datenbank verwendete Terminologie genau bekannt ist, können damit aussagekräftige Suchergebnisse erzielt werden.

Ein drittes Element von iFAME ist die Datenbank-Indizierung: Um schnell relevante und genaue Suchergebnisse zu erhalten, verwendet Infineon einen modernen Indizierungsalgorithmus, der auf sehr große Datenmengen zugeschnitten wurde. Dabei werden die Daten vorab geordnet und sortiert, so dass bereits zu Beginn der Suche vorstrukturierte Informationen vorliegen.

Die globale Implementierung von iFAME erfolgte in einer agilen Vorgehensweise. In kurzen Iterationszyklen entstand ein Minimum Viable Product (MVP), das in Sprints weiterentwickelt und optimiert wurde. Methoden wie Proof of Concept und Proof of Value sorgten für einen stetigen Abgleich der Anforderungen in den Bereichen Skalierbarkeit, Sicherheit und User Experience. Mit gut durchgeplanten Change-Management-Maßnahmen wurden die Zielgruppen auf die anstehenden Veränderungen durch iFAME vorbereitet.

Eingesetzte Technologien

Um die Herausforderungen der Bild- und Textsuche bei iFAME zu meistern, wurden Bild- und Textdaten in eine Vektorraumdarstellung überführt und mit Klassifikations- und Clustering-Algorithmen, linearen Transformationen sowie Machine-Learning-basiertenMachine-Learning-basierten Ranking-Modellen kombiniert. Die erforderliche Rechenkapazität der verwendeten Deep-Learning-Modelle stellte die IT durch die GPU-unterstützte Rechenleistung der eigenen Infineon Compute Farm sicher. Das Projektteam bezeichnet das Bereitstellen von Online-Modellen mit hoher Parallelität und niedriger Latenz als "komplexe Anforderung für ein Multi-Deep-Learning-Model-Backend". Sie erfordere mehrere Ebenen der Profil-Erstellung und des Tool-Testings. Alles zu Machine Learning auf CIO.de

Dank moderner Technologien wie Elastic Search und CEPH (als verteilte objektbasierte Speicherlösung) können Suchergebnisse in der Datenbank mit mehr als 1,7 Millionen Bildern und rund 78.000 Berichten heute in weniger als fünf Sekunden durchschnittlich angezeigt werden. Eine wichtige Grundlage dafür stellt der aus wissenschaftlichen Ansätzen herausgearbeitete Indexierungsalgorithmus "Small World Graph" mit niedriger Latenz und fein abgestimmten Hyperparametern dar.

Interne KI-Fähigkeit ausgebaut

Die Skalierbarkeit der Suche konnte dank des Expertenwissens der Beteiligten sowie der Erfahrungen mit DevOps-Ansätzen und dem Openshift ContainerTechnology Stack von IBM/RedHat sichergestellt werden, obwohl nicht nur die Zahl der Fehleranalyseberichten ständig wächst, sondern auch die der Benutzer. Nebenbei gelang es den Münchnern, ihre internen KI-Fähigkeiten kräftig auszubauen.

Heute ist iFAME bei Infineon eine erfolgreiche, global genutzte Lösung, die den über 700 Testingenieuren hilft, komplexe Fehleranalysen schneller vorzunehmen und dabei auch gleich mögliche Lösungen zu identifizieren. Damit können die Bayern Kundenanfragen viel schneller beantworten. Sie stützen sich dabei auf eine Datenbank mit mehr als 1,7 Millionen Bildern und rund 78.000 Berichten. Des Weiteren führt iFAME zu einer weltweiten Vernetzung bisher lokal agierender Labore für die Fehleranalyse und schafft ein weltweites virtuelles Expertennetzwerk.