TW202247005A - 可開發之巨量資料分析平台及其運作方法 - Google Patents

Abstract

一種可開發之巨量資料分析平台，其包括主巨量資料分析設備，其與多個從巨量資料分析設備電連接，其中，主巨量資料分析設備用以分配巨量資料分析平台的硬體資源，使多筆製造原始資料基於多個資料分析引擎的運算產生多個圖形化分析結果，並基於多筆製造原始資料建置開發環境，以產生一自建資料分析引擎。藉此，自建資料分析引擎可於實際應用環境中進行開發，並於開發完成後即時應用於巨量資料分析平台，以快速來擴充巨量資料分析平台的應用領域，並減少因為開發環境與實際應用環境不同所造成的建置成本，提升巨量資料分析的方便性及效率。

Description

可開發之巨量資料分析平台及其運作方法

本申請係有關於一種資料分析平台及其運作方法，尤指一種可開發之巨量資料分析平台及其運作方法。

一般來說，半導體元件的生產需經過千道以上的製造以及檢測程序，並藉由精密的製造設備以及製程設計來保持最終產品的良率，因此，為了有效控管半導體元件的製造過程，製程過程中的所有資料以及數據必須被即時蒐集分析。

隨著製程推進，生產線上的多個製造設備會產生幾萬種即時監控資料、近萬個線上抽樣檢測的量測值(metrology)，以及幾百種在半導體元件上不同位置測量的電性測試參數，同時，加上各種積體電路的生產模式，導致生產線在一個月內即可產生超過數十億筆的巨量資料。

因此，為了分析生產線上所產生的巨量資料，現行常採用商用統計分析方法，以期能快速找出製程異常的原因。但統計關聯分析方法只能呈現出可能的相關聯問題，無法精準定位出製程異常的原因，又因為生產線隨時會產生巨量資料，統計關聯分析方法更無法即時完成對應分析，使用者需額外花費時間於統計關聯分析結果中查找相關聯問題，並自行分析其製程異常的原因，導致現行統計分析方法無法快速排除製程異常的情況。

此外，為了進行巨量資料的分析，分析系統的硬體規格被要求具有龐大且快速的計算能力，然而，單一硬體架構的分析系統已不敷使用。

又，為了建置分析引擎，習知常分為開發階段以及部署階段來進行。在開發階段，通常是使用模擬資料來訓練分析引擎，並於部署階段將訓練完成的分析引擎上傳至執行的平台上運作，然而，基於平台本身的硬體以及軟體設置，於部署階段常出現開發階段不可預期的錯誤，因此，在部署階段，需要額外耗費時間以及人力成本來完善分析引擎。

基於現有技術存在上述諸多問題，確實有待提出更佳解決方案的必要性。

有鑑於上述現有技術之不足，本申請的主要目的在於提供一可開發之巨量資料分析平台及其運作方法，其利用人工智慧分析生產線上的巨量資料，並產生多個圖形化分析結果，且選擇性的提供多個圖形化分析結果的其中一者以供檢視，使用者可藉由圖形化分析結果快速取得對應不同製造設備、製造過程、半導體元件成品的預測結果，此外，可擴充的架構可彈性的根據運算需求增加其運算能力，以快速排除製程異常之情況，並優化產品整體製程，又，藉由開發環境的設置，使用者可基於應用環境來建置客製化的自建資料分析引擎快速來擴充巨量資料分析平台的應用領域，減少因為開發環境與實際應用環境不同所造成的建置成本，更提升巨量資料分析的方便性及效率。

為達成上述目的，本申請提出一種可開發之巨量資料分析平台，該可開發之巨量資料分析平台包括一主巨量資料分析設備，用以與多個從巨量資料分析設備電連接，且該主巨量資料分析設備包括；一輸入輸出介面模組、一巨量資料儲存模組以及一處理器模組，其中，該處理器模組與該輸入輸出介面模組以及該巨量資料儲存模組電連接，用以執行多個程式，以分配該巨量資料分析平台的硬體資源，使該多筆製造原始資料的至少一部分基於多個資料分析引擎的運算產生多個圖形化分析結果，且使一圖形化介面選擇性地包括該多個圖形化分析結果的至少一者，該圖形化介面用以顯示與該多個製造設備相關聯的資料，並基於該多筆製造原始資料建置一開發環境，該開發環境用以產生一自建資料分析引擎。

由上述結構，該可開發之巨量資料分析平台可藉由該主巨量資料分析設備與至少一個從巨量資料分析設備電連接來擴充該可開發之巨量資料分析平台之運算能力，並藉由其所蒐集的巨量資料，以圖形化分析結果簡單明瞭的提供所需的分析結果，使用者無需於眾多分析結果中自行分析或查找，即可快速取得所需的製程相關資訊，此外，藉由提供該多個製造設備的運作資訊的圖形化介面，使用者更可快速掌握生產線之整體狀態，又，藉由開發環境的設置，使用者可建置客製化的自建資料分析引擎快速來擴充巨量資料分析平台的應用領域，減少因為開發環境與實際應用環境不同所造成的建置成本，藉此提升巨量資料分析的方便性及效率。

為達成上述目的，本申請亦提出一種可開發之巨量資料分析平台之運作方法，其步驟包括：基於多筆製造原始資料對一程式碼進行整合部署以建置一自建資料分析引擎，該多筆製造原始資料與多個製造設備相關聯；以及產生包括該自建資料分析引擎的圖形化介面。

由上述步驟，該巨量資料分析平台藉由開發環境的設置，使用者可建置客製化的自建資料分析引擎快速來擴充巨量資料分析平台的應用領域，減少因為開發環境與實際應用環境不同所造成的建置成本，藉此提升巨量資料分析的方便性及效率。

請參考圖1，圖1為本申請之可開發之巨量資料分析平台之實施環境示意圖，其包括一巨量資料分析平台100、一產線系統200以及一輸入輸出模組300，該巨量資料分析平台100與該產線系統200以及該輸入輸出模組300通訊連接。該產線系統200用以監控生產線上的多個製造設備，並即時蒐集與該生產線以及該多個製造設備相關的製造原始資料，且該製造原始資料皆具有前後時間序列關係，以即時掌控該生產線上的所有狀態。該巨量資料分析平台100與該產線系統200通訊連接，用以接收製造原始資料，並對製造原始資料進行分析預測，以產生多個圖形化分析結果以及一圖形化介面，其中，該圖形化介面選擇性地包括至少一圖形化分析結果，換言之，該圖形化介面可不同時包括所有圖形化分析結果，而僅包括特定的圖形化分析結果。舉例來說，該圖形化介面所包括的圖形化分析結果為對應一異常狀態的圖形化分析結果或對應一使用者選擇資訊的圖形化分析結果。該輸入輸出模組300用以接收並顯示該巨量資料分析平台100所產生的該圖形化介面，並用以接收使用者所輸入的使用者選擇資訊。

藉此，一使用者可藉由該輸入輸出模組300顯示的該圖形化介面的圖形化分析結果快速確認該生產線上的異常狀態或相關資訊，無須在眾多分析結果中查找所需的資訊，且以資料圖形化的方式快速了解異常狀態的成因，此外，並可輸入對應該圖形化介面的使用者選擇資訊，以進行檢視時所需的操作或選擇，藉此提升巨量資料分析的方便性及效率。

在一實施例中，該巨量資料分析平台100為一良率品質工程分析決策系統。

在一實施例中，該產線系統200例如為生產執行平台、設備工程平台、或精密製程的工程平台，且本申請不以此為限制。

在一實施例中，該輸入輸出模組300例如為觸控顯示螢幕、或者搭配輸入裝置的顯示器，輸入裝置例如為鍵盤、滑鼠，且本申請不以此為限制。

在一實施例中，該生產線為一半導體元件產線，且本申請不以此為限制。

請參考圖2，該巨量資料分析平台100至少包括一主巨量資料分析設備110，該主巨量資料分析設備110可獨立運作以產生該多個圖形化分析結果以及該圖形化介面。在一實施例中，該主巨量資料分析設備110可與一個或多個從巨量資料分析設備130(130a、130b…130n)電連接，藉此彈性的擴充該巨量資料分析平台100的運算能力。

在一實施例中，該從巨量資料分析設備130可以運算伺服器來實現，且本申請不以此為限制。

在一實施例中，該多個從巨量資料分析設備130彼此之間可以串聯或並聯的方式電連接。

請參考圖3，該主巨量資料分析設備110至少包括一處理器模組111、一巨量資料儲存模組113、一記憶體模組115以及一輸入輸出介面模組117，其中該處理器模組111與該巨量資料儲存模組113、該記憶體模組115以及該輸入輸出介面模組117電連接。

該巨量資料儲存模組113用以儲存多筆製造原始資料及其對應之時間，該等製造原始資料由該產線系統200提供，並來自於多個製造設備，其中，每一製造設備於該生產線上隨時間以及製程產生對應的製造原始資料。

在一實施例中，該巨量資料儲存模組113可以多個硬碟儲存裝置來實現，且本申請不以此為限制。

該記憶體模組115用以儲存多個程式，如圖4所示，該記憶體模組115至少儲存多個資料分析程式1151(1151a、1151b…1151n)、一介面產生程式1153、一資源分配程式1155、一分析引擎開發程式1157以及一部署引擎程式1159，該等程式用以被該處理器模組111執行，以實現該巨量資料分析平台100，並於後文進一步說明。

在一實施例中，該記憶體模組115為一電腦可讀記憶體裝置，例如為硬碟裝置或記憶體裝置，且本申請不以此為限制。

請再回到圖3，並同時參考圖1，該輸入輸出介面模組117用以與該主巨量資料分析設備110之外部裝置電連接，進行不同裝置或設備之間的資料交換。舉例來說，該輸入輸出介面模組117與該輸入輸出模組300電連接，以將該圖形化介面提供至該輸入輸出模組300，並接收使用者藉由該輸入輸出模組300所輸入的使用者選擇資訊。舉例來說，該輸入輸出介面模組117與該產線系統200電連接，以接收來自於該產線系統200的製造原始資料。又舉例來說，該輸入輸出介面模組117用以與該從巨量資料分析設備130電連接，以與該從巨量資料分析設備130進行資料交換，藉此使該主巨量資料分析設備110可運用該從巨量資料分析設備130的運算能力，以進行不同的分析預測。

在一實施例中，該輸入輸出介面模組117可以包括符合序列資料(RS232)通訊介面、通用序列匯流排(USB)規範之連接埠、符合外部連結標準(Peripheral Component Interconnect, PCI)之連接埠、符合高畫質多媒體介面(High Definition Multimedia Interface, HDMI)標準之連接埠、符合加速影像處理埠(Accelerated Graphics Port, AGP)標準之連接埠，且本申請不以此為限制。

該處理器模組111用以執行該多個程式。如圖3以及圖4所示，進一步地，該處理器模組111用以執行該資源分配程式1155，以調度該巨量資料分析平台100整體的運算、儲存與網路資源，藉此提升該巨量資料分析平台100的資源使用效率以及運作效能，並實現秒級運算之運算能力。在一實施例中，該資源分配程式1155例如為用以實現一虛擬機器監視器(Virtual Machine Monitor, VMM)之程式，且本申請不以此為限制。進一步地，該處理器模組111用以執行該多個資料分析程式1511(1151a、1151b…1151n)的至少一個，並根據每一該資料分析程式(1151a、1151b…1151n)所需的製造原始資料，於該巨量資料儲存模組113讀取該多筆製造原始資料中的至少一部份，並對該多筆製造原始資料中的至少一部份進行分析預測，以對應不同的資料分析程式(1151a、1151b…1151n)產生該多個圖形化分析結果，即該多個資料分析程式(1151a、1151b…1151n)彼此用以提供不同的圖形化分析結果。

在一實施例中，該處理器模組111更用以執行一自建資料分析引擎程式1152，其操作與前述之執行該多個資料分析程式1511(1151a、1151b…1151n)的至少一個雷同，該自建資料分析引擎程式1152於該巨量資料儲存模組113讀取該多筆製造原始資料中的至少一部份，並對該多筆製造原始資料中的至少一部份進行分析預測，並根據分析預測結果產生一圖形化分析結果，因此於此不再贅述。

進一步地，該處理器模組111用以執行該介面產生程式1153，接收該多個資料分析程式1511所產生的圖形化分析結果，且用以產生包括該圖形化分析結果以及對應該多個資料分析程式1511(1151a、1151b…1151n)的圖形化介面，並選擇性地使該圖形化介面僅包括該多個圖形化分析結果的其中一者，例如，該圖形化介面僅包括出現異常狀態的圖形化分析結果，或者僅包括對應使用者選擇資訊的圖形化分析結果。

在一實施例中，該異常狀態可為根據資料分析引擎的分析預測結果判斷出製程步驟/製造設備/產品元件異常之狀態，且本申請不以此為限制。舉例來說，根據圖形化分析結果，其分析預測結果顯示該生產時間高於一門檻值，介面產生程式1153判斷為異常狀態且使該圖形化介面包括該圖形化分析結果，藉此即時提示使用者。

在一實施例中，該使用者選擇資訊為使用者欲主動檢視的資訊，其包括該巨量資料分析平台100由該產線系統200所取得的製造原始資料所產生的圖形化分析結果。例如：該使用者選擇資訊為對應處方數量之選擇資訊，介面產生程式1153根據該使用者選擇資訊使該圖形化介面包括對應該處方數量之該圖形化分析結果，藉此提供給使用者檢視。

在一實施例中，該處理器模組111用以執行該介面產生程式1153，基於該自建資料分析引擎程式1152更新該圖形化介面，使該圖形化介面包括對應該自建資料分析引擎程式1152的操作介面。藉此，使用者可以更新的該圖形化介面，輸入對應該自建資料分析引擎程式1152的使用者選擇資訊，執行對應的自建資料分析引擎。

在一實施例中，該多筆製造原始資料可包括產品良率(Yield)(例如：最大值、中間值、最小值)、電性參數(WAT)、線上量測參數(Inline Metrology)、缺陷(defects)、生產時間(time)(例如：上機時間、下機時間、對待時間)、處方(Recipe)(例如：處方種類、處方數量)、製造設備的種類(Model)、製造設備(Equipment)(例如：製造設備訊號)、反應室(Chamber)(例如：溫度、濕度、無風狀態)、單元(Unit)量測值等，且本申請不以此為限制。

進一步地，該處理器模組111用以執行該分析引擎開發程式1157，以基於該多筆製造原始資料、該巨量資料分析平台100之硬體架構，以及該多個資料分析程式1511(1151a、1151b…1151n)的程式庫建置一個用以開發資料分析引擎的開發環境，藉此，使用者可基於該開發環境，於實際應用環境(即該巨量資料分析平台100)開發該自建資料分析引擎程式1152的程式碼，減少因為開發環境與實際應用環境不同所造成的建置成本。

進一步地，該處理器模組111用以執行該部署引擎程式1159，對該程式碼進行持續且自動的建置、測試、分析以及部署，以快速的建置該自建資料分析引擎程式1152，並部署於該巨量資料分析平台100中。

因此，基於前述之該巨量資料分析平台100，可實現一巨量資料分析系統架構，如圖5所示，該巨量資料分析平台100可定義出一巨量資料層120、一資料分析層140、一開發層180以及一圖形化介面層160，其中，該巨量資料層120由該巨量資料儲存模組113實現、該資料分析層140包括多個資料分析引擎141(1411、1412…141n)，該多個資料分析引擎141個別地由該多個資料分析程式1511中的一者來實現，且該多個資料分析引擎141彼此相異、該開發層180包括由該分析引擎開發程式實現的分析引擎開發模組181以及由該部署引擎程式1159實現的一部署引擎183且該圖形化介面層160由該介面產生程式1153來實現。

請參考圖6，圖6為單一資料分析引擎141之架構圖。該資料分析引擎141至少包括一前處理器1411、一人工智慧分析器1413以及一後處理器1415。

該前處理器1411用以根據該人工智慧分析器1413所欲進行的分析預測向該巨量資料儲存模組113讀取所需要的製造原始資料。進一步的來說，由於每一資料分析引擎141的人工智慧分析器1413可用以執行相同或不同的分析預測程式，因此該前處理器1411係根據該人工智慧分析器1512所執行的分析預測程式來向該巨量資料儲存模組113讀取所需要的製造原始資料。舉例來說，該人工智慧分析器1413可用以根據製造設備的種類來分析預測產品良率，因此，於此實施例中，該前處理器1411即用以向該巨量資料儲存模組113讀取所需的製造原始資料(製造設備的種類資訊)來進行分析預測。

進一步的，該前處理器1411用以對接收的製造原始資料進行前處理，即對製造原始資料進行篩選、清理(Clean)、統一格式(Format)、缺失值(Missing value)處理、轉換(Transform)等等處理，以移除異常資料，並確保資料品質及高預測精度，以產生用以提供至該人工智慧分析器1413的處理後資料。

在一實施例中，該前處理器1411可以一結構化查詢語言(Structured Query Language, SQL)、一資料倉儲(Hive)、一R語言或一Python語言來實現，且本申請不以此為限制。

該人工智慧分析器1413用以接收處理後資料，並以其分析預測模型進行秒級運算以計算預測出對應的預測值(Conjecture value)、信心指標(Reliance Index)以及製程參數整體相似度指標(Global Similarity Index)等分析結果。

進一步的，該信心指標表示預測值準確度之可信度。該信心指標之目的係藉由分析製造設備之製程參數資料，計算出一個介於0與1之間的信心值，以判斷該分析結果是否可被信賴。並運用最大可容忍誤差上限值(EL)相對應該信心指標，求得信心指標門檻值(RIT)。該信心指標值大於信心指標門檻值時，代表該分析結果可被信賴；反之，該信心指標值低於該信心指標門檻值時，則發出警訊。因此，作為設備工程師的使用者可藉此進行製造設備檢查，或作為製程工程師的使用者可進行參數調校，以確認製程是否穩定。

該人工智慧分析器1413並用以計算出相似度指標，該相似度指標之主要目的係比較預測段與建模段製程參數資料之相似程度。該相似度指標包含二部份，其一為該製程參數整體相似度指標，其二為製程參數個體相似度指標(ISI)。該製程參數整體相似度指標為預測段之製程參數與建模段所有參數的相似程度。而該製程參數個體相似度指標則為預測段之任一製程參數與建模段之該參數所有樣本經標準化之絕對相似程度，該相似度指標亦作為輔助信心指標之判斷。因此，作為製程工程師的使用者可根據相似度指標的分析預測結果，判斷是否進行參數調校，以確認製程是否穩定。

舉例來說，若預測點之信心指標高於該信心指標門檻值，且預測點之製程參數整體相似度指標高於製程參數整體相似度指標門檻值時，需檢查該製程參數個體相似度指標顯示之製程參數是否異常。

舉例來說，若預測點之信心指標低於該信心指標門檻值，且預測點之製程參數整體相似度指標低於製程參數整體相似度指標門檻值時，顯示預測值可能不準確，但由於預測點之製程參數整體相似度指標較低，表示新進元件(例如晶圓)與建模參數資料相似度高，此時可能會有該分析預測模型預測值不佳之狀況。

舉例來說，若預測點之信心指標低於該信心指標門檻值，且預測點之製程參數整體相似度指標高於製程參數整體相似度指標門檻值時，表示分析預測模型預測值不佳，且由於預測點之製程參數整體相似度指標值高，表示新進元件與建模製程參數資料相似程度低，因此可認定為預測值不準確。

舉例來說，當各預測點之製程參數整體相似度指標高於製程參數整體相似度指標門檻值時，表示製程參數可能異常。

此外，由於所有製造原始資料皆有前後的時間序列關係，該人工智慧分析器1413能準確有效定位出問題，例如，當異常發生的時間點越密集時，即能定位問題所在。

在一實施例中，該人工智慧分析器1413可以簡易循環式類神經網路(Simple Recurrent Neural Networks, SRNN)及複迴歸分析(Multiple Regression Analysis, MRA)運算來實現，且本申請不以此為限制。

在一實施例中，該產線系統200及時接收的製造原始資料更用以更新調校或再訓練該分析預測模型，使該人工智慧分析器1413可精準掌握該生產線上之運作狀態，以提高該人工智慧分析器1413之分析預測精準度。

該後處理器1415用以接收該人工智慧分析器1413之分析結果，並據以進行資料圖形化，以產生對應的該圖形化分析結果，舉例來說，產生以圖表、圖形和分布圖實現的圖形化分析結果。例如，以曲線圖展示該生產線上多台製造設備的良率。藉此，使用者可藉由圖形化分析結果快速了解該人工智慧分析器1413之分析結果的狀態或趨勢。

在一實施例中，該後處理器1415可以資料統計分析程式來實現，且本申請不以此為限制。

由本申請的上述實施例及應用方法可歸納出一巨量資料分析平台之運作方法，如圖7所示，其步驟包括：

步驟S10：接收一程式碼。該巨量資料分析平台100用以接收一使用者基於一開發環境所輸入的程式碼。

步驟S20：對該程式碼執行整合部署以建置一自建資料分析引擎。該巨量資料分析平台100對該程式碼執行整合部署，產生儲存於該巨量資料分析平台100的自建資料分析引擎程式1152，並基於該自建資料分析引擎程式1152實現該自建資料分析引擎。

步驟S30，產生包括該自建資料分析引擎的圖形化介面。該巨量資料分析平台100基於該自建資料分析引擎程式1152，更新該圖形化介面，使該圖形化介面包括該自建資料分析引擎。

由本申請的上述實施例及應用方法亦可歸納出另一巨量資料分析平台之運作方法，如圖8所示，其步驟包括：

步驟S100：蒐集多筆製造原始資料。一巨量資料分析平台100用以接收一產線系統200所傳送的多筆製造原始資料，並儲存於該巨量資料分析平台100之巨量資料儲存模組113。

步驟S200：執行資料分析。該巨量資料分析平台100根據該多筆製造原始資料的至少一部分產生多個圖形化分析結果。

步驟S300：產生一圖形化介面，該圖形化介面包括至少一圖形化分析結果。該巨量資料分析平台100用以產生該圖形化介面，並選擇性的使該圖形化介面包括該圖形化分析結果的至少一者，且該圖形化介面係用以顯示該多個製造設備的運作資訊。

進一步的，步驟200更包括以下步驟，如圖9所示：

步驟S210：取得所需的製造原始資料。該巨量資料分析平台100包括多個資料分析引擎141，每一資料分析引擎141的前處理器1411用以根據一人工智慧分析器1413所欲進行的分析預測向該巨量資料儲存模組113讀取所需要的製造原始資料。

步驟S230：對多筆製造原始資料執行前處理。該前處理器1411進一步對接收的該多筆製造原始資料進行前處理，並產生對應的處理後資料。

步驟S250：對處理後資料執行資料分析。該人工智慧分析器1413對處理後資料執行分析預測，並產生對應之分析結果。

步驟S270：對分析結果執行後處理。該資料分析引擎141的後處理器1415對該分析結果進行後處理，以產生對應的圖形化分析結果。

綜上所述，本申請之可開發之巨量資料分析平台實施例可藉由增加從巨量資料分析設備來擴充其運算能力，並藉由其所蒐集的巨量資料，運用人工智慧以圖形化分析結果簡單明瞭的提供所需的分析預測結果，使用者無需於眾多分析結果中自行分析或查找，即可快速取得所需的製程相關資訊，此外，藉由提供該多個製造設備的運作資訊的圖形化介面，使用者更可快速掌握生產線之整體狀態，又，自建資料分析引擎可於實際應用環境中進行開發，並於開發完成後即時應用於巨量資料分析平台，以快速來擴充巨量資料分析平台的應用領域，並減少因為開發環境與實際應用環境不同所造成的建置成本，提升巨量資料分析的方便性及效率。

100:巨量資料分析平台 110:主巨量資料分析設備 111:處理器模組 113:巨量資料儲存模組 115:記憶體模組 1151、1151a、1151b、1151n:資料分析引擎程式 1152:自建資料分析引擎程式 1153:介面產生程式 1155:資源分配程式 1157:分析引擎開發程式 1159:部署引擎程式 117:輸入輸出介面模組 120:巨量資料層 130、130a、130b、130n:從巨量資料分析設備 140:資料分析層 141、141a、141b …141n:資料分析引擎 1411:前處理器 1413:人工智慧分析器 1415:後處理器 160:圖形化介面層 180:開發層 181:分析引擎開發模組 183:部署引擎 200:產線系統 300:輸入輸出模組 S10、S20、S30、S100、S200、S210、S230、S250、S270、S300:步驟

圖1為根據本申請實施例之可開發之巨量資料分析平台之實施環境示意圖； 圖2為根據本申請例之可開發之巨量資料分析平台之平台架構示意圖； 圖3為根據本申請實施例之主巨量資料分析設備之架構示意圖； 圖4為根據本申請實施例之記憶體模組之架構示意圖； 圖5為根據本申請實施例之可開發之巨量資料分析平台之架構示意圖； 圖6為根據本申請實施例之資料分析引擎之架構示意圖； 圖7為根據本申請之運作方法實施例之步驟流程示意圖； 圖8為根據本申請之運作方法實施例之另一步驟流程示意圖；以及 圖9為根據本申請之運作方法實施例之又一步驟流程示意圖。

110:主巨量資料分析設備

111:處理器模組

113:巨量資料儲存模組

115:記憶體模組

117:輸入輸出介面模組

Claims (10)

1. 一種可開發之巨量資料分析平台，其包括： 一主巨量資料分析設備，用以與多個從巨量資料分析設備電連接，該主巨量資料分析設備包括； 一輸入輸出介面模組，用以與該多個從巨量資料分析設備的至少一個電連接； 一巨量資料儲存模組，用以儲存多筆製造原始資料，該等製造原始資料來自多個製造設備； 一處理器模組，與該輸入輸出介面模組以及該巨量資料儲存模組電連接，用以執行多個程式，以分配該巨量資料分析平台的硬體資源，使該多筆製造原始資料的至少一部分基於多個資料分析引擎的運算產生多個圖形化分析結果，且使一圖形化介面選擇性地包括該多個圖形化分析結果的至少一者，該圖形化介面用以顯示與該多個製造設備相關聯的資料，並基於該多筆製造原始資料建置一開發環境，該開發環境用以產生一自建資料分析引擎。
2. 如請求項1所述之巨量資料分析平台，其中，該多個從巨量資料分析設備彼此為串聯或並聯。
3. 如請求項1所述之巨量資料分析平台，其中，每一該資料分析引擎包括： 一前處理器，取得來自該巨量資料儲存模組的多筆製造原始資料的至少一部分，且將該多筆製造原始資料的至少一部分轉換為多筆處理後資料； 一人工智慧分析器，用以接收並分析該多筆處理後資料，且產生對應的分析結果資料；以及 一後處理器，接收該分析結果資料，並產生該圖形化分析結果。
4. 如請求項1所述之巨量資料分析平台，其中，該開發環境包括一分析引擎開發模組以及一部署引擎。
5. 如請求項3所述之巨量資料分析平台，其中，該前處理器為一結構化查詢語言、一資料倉儲、一R語言或一Python語言。
6. 如請求項3所述之巨量資料分析平台，其中，該人工智慧分析器包括一簡易循環式類神經網路及一複迴歸分析運算。
7. 如請求項1所述之巨量資料分析平台，其中，該多筆製造原始資料包括一產品良率、一電性參數、一線上量測參數、一缺陷、一生產時間、一處方、一製造設備的種類、一製造設備的訊號、一反應室以及一單元量測值。
8. 一種可開發之巨量資料分析平台之運作方法，其步驟包括： 基於多筆製造原始資料對一程式碼進行整合部署以建置一自建資料分析引擎，該多筆製造原始資料與多個製造設備相關聯；以及 產生包括該自建資料分析引擎的圖形化介面。
9. 如請求項8所述之運作方法，其中，該運作方法的步驟包括： 取得該多筆製造原始資料； 基於多個資料分析引擎以及該自建資料分析引擎，對該多筆製造原始資料執行資料分析，產生多個圖形化分析結果，該多個圖形化分析結果彼此相異；以及 產生該圖形化介面，使該圖形化介面選擇性地包括該圖形化分析結果的至少一者，且該圖形化介面用以顯示該多個製造設備的運作資訊。
10. 如請求項8所述之運作方法，其中，該圖形化介面僅包括特定的圖形化分析結果。

Images