基於半導體製造講求高精度、高一致性與即時反應的產業文化,任何製程偏差、設備異常或排程失準,都可能影響品質與產能表現。且隨著AI模型從單點部署朝向規模化與Agent 協作,日月光也以「全員 AI」為策略,攜手SAS導入SAS Viya平台,建構 Agentic AI 智慧營運中樞,串接既有資料、模型、演算法與 AI Agent,強化模型生命週期管理、智慧決策、治理及 Multi-Agent 協作能力。
日月光攜手 SAS 建構 Agentic AI 智慧營運中樞。
|
延續日月光多年來長期推動AI 應用,從早期的AI for Expert,將專家經驗與 AI 模型結合,解決特定製程問題;接著進入 AI for Everyone,透過 No-Code 平台降低使用門檻,讓更多工程師能運用數據解決日常工作問題;現在更進一步思考如何讓 AI 不只提供分析與建議,還能承接實際工作任務,逐步形成可與人協作的數位勞動力。
日月光人工智慧應用整合處處長陳宥瑜表示,隨著企業內部模型與 Agent 數量持續增加,關注重點也從「建立更多 AI」,進一步走向模型治理、可靠度、生命週期管理,以及如何將成功經驗複製到不同場景與廠區。
這次與SAS的合作,正值日月光AI應用從單點開發,走向規模化管理的階段。SAS Viya 採開放式架構,可串接日月光既有資料、模型、演算法與日月光公司內部系統,並整合 ModelOps、智慧決策與 Agent 管理能力,讓不同 AI 元件能在一致架構下被調用、追蹤與協同運作。
SAS 台灣總經理龔律安表示:「當 AI 應用進入企業核心流程,挑戰不再只是建立更多模型,而是如何讓模型、Agent、資料與工具在一致且可治理的架構下協同工作。日月光已累積成熟的 AI 與製造能力,SAS 希望協助這些既有成果被更有效地管理、擴展與複製,進一步支撐『全員 AI』走向數位勞動力。」
對日月光而言,SAS 平台的一項重要價值,就在於不必將既有 AI 資產打掉重做。原有模型、演算法及資料處理元件仍可持續使用,再由 SAS Viya 扮演協調與管理中樞。在專案評估過程中,完整的治理能力、透明的決策流程,以及資料、MCP 與外部系統的串接能力,也是 SAS 獲得肯定的重要因素。
雙方初期也以良率預測進行 Multi-Agent 概念驗證。當使用者提出良率相關問題後,平台可協調資料處理、特徵工程、模型訓練、部署與評分不同 AI 能力,讓多個 Agent 在同一決策流程中共同完成任務。即使不是資料科學家的製造與良率領域專家,也能透過自然語言介面調用相關 AI 能力;日月光既有的模型、演算法與相關工具可持續沿用,由 SAS Viya 負責調用與協調,而非重新打造一套 AI。
在此次SAS 平台導入之前,其實日月光也已累積多項AI 現場應用成果,已深入生產排程、品質與設備管理等實際場景。以智慧排程生產為例,日月光透過即時動態派工(RTD)持續掌握產線進度與設備狀況,可依據即時需求調整生產安排。其運作概念如同 Uber 智慧派單,系統可預判設備與生產需求,提前通知相關人員準備,降低設備等待與閒置時間,讓生產管理從被動追蹤轉向主動調度。
這些既有成果,也進一步凸顯 AI 規模化後的新課題:當不同產線、設備與專業領域持續產生更多模型與 Agent,企業需要一套一致的架構,讓這些 AI 資產可以被管理、追蹤、重複利用並彼此協作。
陳宥瑜進一步指出,對高度仰賴資深工程師經驗的半導體製造而言,AI 的另一項長期價值則是知識傳承。日月光期望逐步將製程判斷、異常處理與最佳實務,沉澱為可保存、管理與重複利用的企業智慧,降低經驗隨人員退休或異動而流失的風險。
日月光推動 AI 的下一階段,重點不再只是讓更多工程師使用AI工具,而是讓 AI 從分析與建議,逐步走向承接製造現場的實際工作任務。透過SAS Viya 整合既有模型、演算法與AI Agent,建立一致的治理與協作架構,讓分散的 AI能力逐步轉化為可管理、可協作、可跨場域複製的數位勞動力,推動 AI 從個別應用走向企業級營運能力。

