Problem
Ein produktionsgerechtes Bewertungsprotokoll für Defektklassifizierer aufsetzen, das Klassenungleichgewicht, Annotation-Unsicherheit und nachgelagerte Wirkung berücksichtigt.
- +Operative Fehlausrichtung: Klassische ML-Metriken bilden die realen Kosten falsch klassifizierter Defekte nicht ab.
- +Hochfolge-Fehler: Eine Fehlklassifikation kann unnötige Anlageneingriffe auslösen oder kritische Excursions durchlassen.
Ansatz
- +Eigenes Scoring: integriert Defektschwere und Klassifikationskonfidenz.
- +Vergleichsanalyse: Modelle werden an operativer Wirkung (Risiko von Ausbeuteverlust) gemessen, nicht nur an technischen Metriken.
- +Expertendisagreement: Gewichtung für mehrdeutige Ground-Truth-Labels.
Geliefert
- +Performance-Bewertungsframework.
- +Eigene kostengewichtete Scoring-Funktion.
- +Validierungsprotokoll, angewendet auf SEM-Bildklassifikation.
Ergebnis
- +Verbesserte Modellauswahl: Modelle mit besserer Produktionssicherheit als der reine Accuracy-Vergleich.
- +Risikoorientierte Analyse: Kostenvarianz zwischen Modellen mit ähnlichem F1-Score wird sichtbar.
Wo es im Einsatz war
- +Modellbewertung für den Fab-Einsatz.
- +Anlagen- und Rezepturvalidierung.
- +Langfristiges Monitoring der Klassifizierer-Drift.
Stack
Computer Vision · Kostensensitives Lernen · Modellbewertung · Operatives Risiko
Passende Lösungen
Foto: A female worker in protective clothing inspects silicon wafers in a semiconductor factory, by metamorworks, Adobe Stock 1536030058