企业使用算法的困境

算法模型在行业场景应用中需要深度定制进行适配，企业在AI应用建设上投入大量人力、物力和财力，但算法知识管理缺少系统的管理和应用规划，知识成果复用困难。

算法成果分散。算法知识分散在不同的机构、部门进行管理，存在多套算法管理系统，导致查找具体算法时费时费力。

算法标准不一。算法知识使用不同的编程语言、不同的工具进行构建，存在多类型算法，导致算法知识的转化具有很高的知识成本。

算法的可复用性低。缺少统一环境进行敏捷算法及应用，导致模型泛化的能力以及求解过程中的不可解释性存在挑战。

客户项目背景

国内龙头半导体企业为确保产品运行状态满足相关技术要求，需要对机组运行的上万个参数进行实时监测，但是面对海量数据时，单靠人力检测极难准确识别其中存在的尚未有明显可视特征的异常信息，易导致漏判；

另外面对数量庞大的监测参数时，即使存在明显可视化的异常信息，也容易发生人因失误，而未能及时予以识别；

并且，在监测出机组的异常状态信息后，需尽早评估相关异常可能对机组安全性和经济性的影响，并依据影响情况拟定运行策略。

然而，由于半导体产品的系统规模庞大，运行工况复杂，运行状态参数众多，使得人的知识、经验和可靠性，难以满足企业对于异常发展趋势的准确性和实时性要求。

见著算法方案

我们的大数据算法处理技术通过对客户数据信息水平进行异常检测、智能预警等，从而建立数据模型库，合理降低数据信息成本，辅助企业建立数据智能决策系统。

通过对大量数据的研究、探查和分析，利用机器学习、深度学习、模型可解释性分析等新技术，结合其它行业的工程经验，为企业摸索建立质量数据新的分析算法，并建立相关模型。进而在各项工作的基础上，建立工艺参数优化算法，探索在不改变设备现状的基础上提高参数水平的方法。在建立方法论的同时，为企业量身定制相关算法应用平台，实现从质量数据采集、数据处理，到算法研究、模型库构建，再到成果应用、辅助决策的功能设计。

（见著科技大数据平台算法演示界面）

通过数据模型库，将业务部门在生产活动中积累的大量设备、材料、工序等信息进行有效组织和多维度丰富化，便于后续多维细化分析。

通过大数据技术，追溯识别并定位不合格产品，极大地缩短了异常分析时间，提高产品合格率。借助实时预警系统，实时识别产品工艺数据的异常波动情况，提前进行预警，减少产品返工，大大降低产品的不合格率，找到生产效能瓶颈进行针对性突破。

（见著科技大数据平台预警演示界面）

通过智能辅助决策系统的建设,可以完善的数据治理框架、选择合适的数据挖掘工具和算法、建立数据仓库和数据模型，可以更好地管理和利用数据，提高业务效率和质量，从而实现数字化智能化转型的目标。这些措施可以帮助企业更好地理解和掌握自己的数据，使数据变得更加有价值和实用，从而推动企业向数字化和智能化转型，并提升企业在市场竞争中的竞争力。

（见著科技大数据平台算法演示界面）

见著观点

通过见著科技的算法方案，客户企业实现了数据的高效利用，提升了资源利用率和良品率；同时算法产品不断迭代更新，持续提升算法的计算性能；帮助企业降本增效并建立信息化数字化的发展模式。

见著科技希望通过自身在数据领域的技术积累，帮助半导体企业及其它行业企业实现“精准诊断、高效治疗”，从而提升企业数据运营能力，真正挖掘企业数据资产的价值。