Pourquoi Seagate adopte la "transformation constante"

L'une des rares grandes entreprises technologiques dont les racines remontent aux années 1970, Seagate Technology, Cupertino, Californie, est à la pointe des solutions de stockage et de gestion des données depuis des décennies. Désormais une entreprise de solutions d'infrastructure de stockage de données de masse d'une valeur de 10 milliards de dollars, Seagate utilise des stratégies de fabrication intelligentes, notamment l'intelligence artificielle et l'apprentissage automatique dans l'usine.

En 2017, Seagate a mis en œuvre un logiciel de fabrication d'IA pour l'inspection par vision microscopique des wafers. Auparavant, l'entreprise utilisait des systèmes de vision artificielle basés sur des règles pour automatiser le processus de détection des anomalies. Ils ont atteint un taux de précision élevé, mais l'entreprise s'est également heurtée à des limites.

L'approche précédente nécessitait des paramètres stricts pour chaque type de défaut, tous codés statiquement. Les fourchettes fixes ont permis de déterminer les critères d'effacement ou d'arrêt d'un produit. Cependant, l'évolution de l'apparition des défauts ou l'apparition de nouveaux types d'anomalies nécessitaient des règles supplémentaires qui pouvaient devenir de plus en plus complexes et difficiles à gérer dans leur ensemble.

En mettant en œuvre des opérations complètes de données de fabrication numérique et des mises à niveau de l'IA, la puissance et l'échelle de la détection d'images ont connu des améliorations spectaculaires dans les installations de production de plaquettes de Seagate aux États-Unis et en Irlande du Nord. La précision est passée de 50 % à plus de 90 % aujourd'hui.

Pour y parvenir, l'entreprise a extrait de la valeur des téraoctets de données de capteurs produites par les outils de haute précision qu'elle utilise. Ces données ont été normalisées et rendues plus faciles à utiliser par les systèmes d'IA. En conséquence, Seagate dispose désormais de plusieurs solutions automatisées de détection des défauts pour aider à prendre des décisions concernant les tranches et les outils, ainsi que d'un portefeuille de détecteurs renforcés par l'IA pour surveiller de manière autonome les moments critiques du processus de fabrication avec des règles mieux orchestrées.

Seagate capture les métadonnées d'exécution pertinentes et place les données brutes dans leur contexte pour créer des informations utiles en temps réel, en fermant la boucle entre les mondes numérique et physique et en ayant un impact positif sur la façon dont les produits sont conçus, fabriqués et entretenus.

Le fil numérique préserve les données collectées pendant les cycles de production pour savoir quand mettre en œuvre des mises à jour rapides de la planification des ressources d'entreprise et d'autres systèmes d'aide à la décision et générer des leçons pour améliorer la prise de décision automatisée future.

Ces gains d'efficacité ont prolongé la durée de vie des équipements de Seagate en prédisant quels actifs étaient sur le point de ne plus être calibrés et donc nécessitant une maintenance. L'entreprise a réalisé d'importantes économies sur le travail d'inspection, la prévention des rebuts, la réaffectation de la main-d'œuvre et a évité les dépenses en capital pour de nouveaux équipements.

L'accent constant mis par Seagate sur ce type d'innovation a amélioré les performances opérationnelles, la responsabilité et accru l'efficacité des systèmes d'entreprise grâce à une visibilité rapide et précise sur l'ensemble du processus de fabrication.

Le système d'algorithmes d'apprentissage en profondeur génère également des preuves à l'appui pour d'autres systèmes de contrôle d'usine, ce qui signifie que Seagate peut exploiter davantage de données pour la métrologie virtuelle et le contrôle des processus.

Les fabricants de haute technologie comme Seagate doivent saisir les opportunités en évolution rapide que représentent la fabrication numérique, l'IA et le ML. Seagate a non seulement investi dans une technologie de pointe, mais a également démontré comment une transformation continue peut rendre une organisation capable de définir l'avenir de son secteur.