Niet AI maar domein specifieke kennis is wat je onderscheidt van de rest

Houd de eindklant in gedachte

“Hoe maak je de keuze? En hoe krijg je een overzicht van de risico's? Ik denk altijd aan mijn eindklanten. Ze hebben allemaal hun eigen dromen. Ze willen de ruimte verkennen, nanobots maken die kanker genezen of mobiliteitsproblemen oplossen. Eén ding hebben ze gemeen: ze hebben allemaal chips nodig die met onze machines worden gemaakt. Wat ze ook allemaal nodig hebben is de silicium wafer. Daarbij spelen onze machines een doorslaggevende rol. Onze machines zetten de chipdesigns om in silicium chips die op de silicium wafers worden geproduceerd. ”

Sneller en goedkoper chips produceren

“Chipfabrikanten willen per dag zo veel mogelijk hoogwaardige chips produceren. Fabrikanten van apparaten willen zo veel mogelijk hoogwaardige apparaten per dag produceren. Het gaat om goede chips en betaalbare chips en betaalbare apparaten. Hierop is de wet van Moore van toepassing. Het gaat niet alleen om continu meer vermogen te creëren, maar ook om chips goedkoper te maken."

Vraag naar betere lithoprestaties

“Daarvoor zijn nieuwe chipdesigns nodig. Daarom moeten chipfabrikanten steeds weer nieuwe type machines maken. Dat is hoe de industrie werkt. Innovatie is waar alles om draait. De vraag naar nieuwe machines leidt tot R&D-budgetten en ASML gebruikt deze budgetten om de lithoprestaties, onze corebusiness, continu te verbeteren. ”

AI gebruiken om te innoveren

"In het kader van die continue innovatie wordt AI een relevant onderwerp voor ASML. Je kijkt kritisch naar waarvoor je AI kunt gebruiken. Dat komt neer op; 1. Het verlagen van kosten 2. Het verkorten van de time-to-market en 3. verbetering van klantwaarde. Het verlagen van de kosten kan bijvoorbeeld worden gedaan door de detectie van chipdefect frequentie te verbeteren door gebruik te maken van deep learning-technologie of door defecte coating te detecteren door afbeeldingen te segmenteren en classificeren zodat je kunt inzoomen op beschadigde gebieden. Het beoordelen van losse onderdelen in je machine gaat dan sneller. "

Risico's bij het toepassen van AI

“AI kan dus nuttig en waardevol zijn, maar het brengt ook bepaalde risico's met zich mee. Laten we dit de AI-duivel noemen. Dit zijn een paar voorbeelden:

1. De inzet van AI kan ertoe leiden dat je oplossingen bouwt die onverklaarbaar zijn, dit komt door modellen. Modellen leren van de input die je ze geeft en proberen op basis daarvan output te voorspellen. Een model probeert een vorm van correlatie te achterhalen, maar zoals we allemaal weten, is correlatie geen causaliteit. Dus dan weet je dat er iets niet goed functioneert, maar je weet nog steeds niet waarom. Als je niet begrijpt en niet kunt uitleggen waarom er dingen misgaan is dat niet bevredigend voor je klant, kunnen je teamleden het niet repareren en kun je de machineontwerpen niet verbeteren noch innoveren.
2. Contextafhankelijkheid is een tweede probleem. Als je eenmaal een defect hebt ontdekt, tweak je alles in een labsituatie dusdanig dat je het nauwkeurigheidsniveau waarnaar je op zoek was, hebt bereikt. Het model is echter gevoelig voor kleine variaties. Dus als je het eenmaal bij een klant hebt geïmplementeerd, bestaat er een kans dat je merkt dat het niet werkt.
3. Machine Learning en AI zijn een commodity. Het is belangrijk dat je hiervan bewust bent en accepteert dat modellen en algoritmen gemakkelijk kunnen worden gekopieerd. Zes maanden nadat je een model hebt gebouwd, kunnen je klanten en concurrenten hetzelfde doen. AI op zichzelf is niet wat je een concurrentievoordeel oplevert. "

Duurzame innovatie leveren door AI te gebruiken

“Waarom zou je dan in AI investeren? Door de risico's tegen te gaan, dus door ervoor te zorgen dat je output verklaarbaar en contextspecifiek is en door te accepteren dat AI een commodity is, kun je AI voor je laten werken. Er zijn vier basisstappen die je systeem kan doorlopen. Ze worden weergegeven in onderstaande afbeelding. De data komt uit het systeem, van daaruit kun je features uitrekenen (het zijn in feite modellen die meer betekenis geven aan deze ruwe data). Vervolgens stop je deze input in een machine learning-model, de output van dat model kan je dan verschillende indicaties geven waarom het systeem niet oké is of de hoofdoorzaak met een zekere waarschijnlijkheid presenteren. Als het een terugkerend probleem is, wil je onderhoud aan het systeem plannen. "

Investeer in je onderscheidend vermogen

“De blauwe vakken zijn je domein specifieke kennis, de unieke kennis die je op de markt brengt. Dit zijn de onderwerpen waarin je je tijd en geld zou moeten investeren: de fysieke kenmerken en de symptoomanalyses. Dit betekent dat als je gegevens hebt die afkomstig zijn uit bijvoorbeeld natuurkunde of van historische apparatuurcorrecties, je deze moet gebruiken in plaats van te proberen te voorspellen op basis van gegevens met behulp van een AI-model. "

Bouw autonome bijscholing in en betrek de klant in de feedbackloop

“Als het om het contextspecifieke element gaat, moet je er rekening mee houden dat er variaties optreden, vooral als je in de machinebouw zit, dat is volkomen normaal. Daarom moet je naast je real-time voorspelling, een autonoom omscholingssysteem inbouwen om ervoor te zorgen dat het AI-model zichzelf controleert om in de loop van de tijd accuraat te blijven. Betrek ten slotte de eindklant in je feedbackloop. De klant kan je vertellen of het resultaat acceptabel is. Dat moet je in je model opnemen. "

Definieer de use-cases waarin AI het verschil kan maken

“Ten slotte is het in de meeste gevallen niet nodig om zelf AI-modellen te bouwen. Zoals ik al eerder al aangaf, is het een commodity. Door gebruik te maken van bestaande modellen kun je een heel eind komen. Wat het verschil maakt, is de kwaliteit van je gegevens en de kwaliteit van je modellen. Als je je branche kent, concentreer je dan op die use-cases waarin AI een verschil kan maken. Zorg ervoor dat het uitlegbaar en contextspecifiek is. Jouw unieke onderscheidende factor is wat jou succesvol maakt en dat is niet AI op zichzelf. AI helpt ASML om te optimaliseren voor een zeer specifieke context. Door een laag toe te voegen bovenop wat we al doen, kunnen we nog meer prestaties uit ons systeem persen. "