Problème
Construire un protocole d'évaluation aligné production pour les classifieurs de défauts, qui tient compte du déséquilibre de classes, de l'incertitude d'annotation et de l'impact aval.
- +Désalignement opérationnel : les métriques ML classiques ne reflètent pas le vrai coût des défauts mal classés.
- +Erreurs à fort enjeu : une mauvaise classification peut déclencher des interventions outil inutiles, ou laisser passer des excursions critiques.
Approche
- +Scoring personnalisé : intègre la gravité des défauts et la confiance de classification.
- +Analyse comparative : benchmark des modèles sur leur impact opérationnel (risque de perte de rendement), pas seulement sur les métriques techniques.
- +Désaccord d'experts : pondération pour les étiquettes ambiguës de référence.
Livré
- +Cadre d'évaluation de performance.
- +Fonction de scoring personnalisée pondérée par les coûts.
- +Protocole de validation appliqué à la classification d'images SEM.
Résultat
- +Meilleure sélection de modèles : ceux avec la plus forte fiabilité production sortent en tête, contre l'accuracy seule.
- +Analyse alignée sur le risque : variance de coût mise au jour entre modèles à F1 similaires.
Où ça a tourné
- +Évaluation de modèles pour déploiement fab.
- +Validation d'outils et de recettes.
- +Suivi long terme de la dérive des classifieurs.
Stack
Vision par ordinateur · Apprentissage sensible aux coûts · Évaluation de modèles · Risque opérationnel
Solutions liées
Photo : A female worker in protective clothing inspects silicon wafers in a semiconductor factory, by metamorworks, Adobe Stock 1536030058