项目简介>>
半导体制造是一个高度复杂和精密的过程，任何微小的偏差都可能导致产品质量问题。为监控质量，有些企业已经通过传感器收集到制造过程中的海量数据，比如：温度、压力、材料厚度、电子特性等。通过分析生产过程中的关键参数，并利用该系统建立AI模型，企业可以及时发现质量问题，避免次品。
数据说明>>
我们选用了SECOM数据集，该数据集记录了半导体制造过程中的信息（数据来源：https://archive.ics.uci.edu/dataset/179/secom)。此数据集包含590个特征，涵盖了生产过程中的各种传感器读数和测试结果。数据集的目标是半导体产品的合格与否，构成机器学习中的分类问题。
建立模型、使用模型预测>>
本案例的分析目标是每一组生产数据代表的产品质量状况，其余的590个特征是影响产品质量的因素。
如下面的附图所示，系统建立了109个模型，并列出了效果最佳的前几个模型。用户可以选择其中的前几个模型。
有了模型后，就可以对收集到的实时数据进行预测，实时判断产品合格与否。
产品优势>>
本系统采用了先进的样本平衡技术，提高了数据集的平衡性，并使得模型准确率大幅提升，几乎可以达到100%准确率。其他竞品的准确率大约在60%左右。