跨站資料整合 + AutoML + 可解釋AI，成功提升MicroLED良率並加速研發效率
全方位光電整合解決方案供應商富采，攜手全球分析平台領導者 SAS 打造端到端 AI 研發平台，在 MicroLED 與光電半導體製程快速演進、資料量倍增的環境下，共同整合跨站製程資料，以 AutoML 與可解釋 AI，協助研發團隊快速建模、預測與回饋製程，大幅縮短研發週期並提升良率。
此合作成功協助富采在研發到製造的各階段建立資料血緣、提升製程可預測性與效率，使其成為半導體業導入 AI 的先行者與技術典範，也為後進企業提供可實踐的智慧製造示範路徑。
端到端AI研發平台成形，從資料整合到模型部署的完整協作架構
長期深耕 MicroLED 與光電半導體製程的富采，面對製程快速演進、產線資料量與製程參數同步倍增，近年積極推動研發流程的數位升級，但由於資料分散於不同設備與格式，跨站追溯與關鍵因子分析始終耗時。以 MOCVD（有機金屬化學氣相沉積）為例，其反應爐參數幾乎決定晶片效率，但工程師往往要等到晶圓走完整個流程後才能確認問題，不僅製程週期被迫拉長，前段、中段到封裝資料難以串接，也使良率下降的根因常延後才浮現。
在製程複雜度與市場反應要求同步升高的背景下，富采需要不只是更快的建模工具，而是一套能整合完整製程資料鏈、協助研發團隊快速建立模型，並將研發知識以系統化方式延續下去的 AI 研發平台。因此，富采選擇與 SAS 共同建構一套從資料整合、模型建立到製程部署的完整 AI 研發平台。合作成果使富采能以跨站視角進行分析、導入虛擬量測、提升設備穩定性，並讓研發決策真正邁向數據驅動。此模式逐步成為半導體 AI 應用的重要參考架構。
富采資訊長趙紘慶表示，富采尋求的不僅是單一 AI 工具，而是能「與團隊一起解決問題」的策略夥伴。SAS 在技術完整度、資料科學方法論以及顧問團隊的陪伴深度，都能在真實場景中產生可驗證的價值。SAS Viya 提供從資料整理、模型訓練到部署的統一平台，搭配 AutoML 降低建模門檻、可視化介面提高模型可解釋性，以及可與即時製程調整控制（Run-to-Run Control）、製造執行系統（MES）彈性整合的容器化部署能力，讓研發流程可以真正串接起來
SAS 台灣總經理龔律安指出，這次合作的核心目的，是讓富采累積多年的製程 know-how 能被系統化保存並複製到不同製程與場域。他強調，導入 AI 的目的並不是要讓工程師成為資料科學家，而是讓既有製程 know-how 能被更有效地量化、傳承與複製。SAS 透過跨產業的分析經驗與標準化平台能力，協助企業將研發與製造經驗量化、模型化並得以被持續驗證，使資料驅動的決策模式更穩定也更可擴展。
AI助攻製程優化：提升良率、加速研發並升級跨站協作
此次合作使富采在研發與製造端獲得顯著成效。透過 SAS Viya 所建立的虛擬量測（VM）模型，工程師可以在投片即時利用 MOCVD 參數預測晶片效率，大幅縮短製程週期、減少試作成本並提升製程穩定性。同時，富采更以模型量化設備老化狀態及零件更換週期，透過模型與製程調控機制比對，使設備在維護後能否恢復正常運作得以迅速確認，而不再只依賴人工經驗推估。
在產線端，跨站資料整合讓前段、中段與封裝資料成為單一資料流，使研發工程師能以全線視角快速定位良率下降的根本原因，縮短問題修正時間並提升跨部門協作效率。更重要的是，專案亦促成研發文化的轉型，資訊部門不再只是系統建置者，而是與研發團隊共同針對良率、時程與效率負責的合作夥伴。工程師逐步養成主動以數據驗證與探索的習慣、建模與決策，真正落實數據驅動的研發模式。
建構半導體AI核心，以場景導向擴大應用範疇
對於未來規劃，龔律安指出建模門檻降低後，企業將迎來模型量暴增的挑戰，因此 MLOps、模型治理與可解釋性將成為未來半導體 AI 的核心。企業要在大規模 AI 應用中建立信任，必須建立清楚的治理架構，因此，SAS 也不斷協助企業整合資料、模型與代理（Agent），讓決策過程具備完整血緣、透明度與治理機制，使 AI 能在大規模部署時都能被檢視、追溯並持續改善。未來 SAS 將持續透過這套信任框架協助富采在研發、製造與多場景應用中擴大 AI 成效，使 AI 成為企業核心競爭力的穩健基礎。
趙紘慶也表示，未來將持續以「場景導向」擴大 AI 的應用，將現有成功經驗複製到品質管理、供應鏈與製造管理等更多環節，使 AI 不只是點狀導入，而是全面提升企業營運效率的核心動能。
