Case Studies

方法論已在這些產業驗證

兩個匿名化實證 — 半導體製造業 PCB DFM、半導體設計公司良率資料平台。客戶名稱因 NDA 保密;產業、規模、技術深度公開。

CASE 01 · 半導體製造業 · PCB DFM

以 AI Rule Engine 強化 PCB 可製造性檢查

客戶為台灣上市櫃半導體製造業,PE / Layout 設計團隊每日處理大量 PCB Layout DFM 規則檢查。

痛點

客戶長期使用主流商用 DFM 驗證工具(位於 PCB 設計驗證流程的最後一個步驟),常見痛點:

  • Rule 客製成本高:商用工具內建 rule 為黑盒,內部 spec 與工具預設經常需要 workaround。
  • 重複違規多:同一 component 違反多條相關 rule 時產出大量重複條目,PE 需手動去重。
  • 工作流卡點:6 步驟工作流的最後規則檢查耗時且品質不穩。

解決方案

提供 AI Rule Engine + Semantic Dedup,嵌入既有工作流最後一步作為內建規則的替換件,前面 5 步保留。7 模組 Python pipeline 含 Parser / Enricher / Checklist / Engine / Visualizer / Exporter / Search,含互動式 review canvas 支援 zoom 1×–40× 與 click-to-zoom 違規定位。

量化成效

>100%
vs 商用工具 match
100%
Top-5 命中率
6
Active rule 數
9/9
E2E test pass

技術深度

  • 幾何運算自研:silk-to-pad gap(含筆劃寬度補正)、arc-point distance(chord + circle-distance min)、cursor-anchored zoom(rAF throttle 60fps)。
  • 線寬解碼修正:標準 ODB++ 線寬參數為微米而非毫米,自研解碼層補正。
  • Component 分類幾何 heuristic:CSP body ≤ 1mm + pitch ≤ 0.5mm,補 part_name 沒 token 的真 CSP。
  • Governance / Waiver 機制:YAML-driven rule 豁免(條件 + approver + review_date),合規可追溯。
以 6 條 rule 達成商用工具 >100% match、Top-5 命中率 100%。多餘 7 筆違規經 governance review 確認為真實風險。
— 半導體製造業實證

技術棧

Python 3.11 ODB++ Parser (自研) Geometry Library (自研) HTML / CSS / JS Canvas Playwright E2E pytest Optional: Azure VM + Storage + OpenAI
CASE 02 · 半導體設計公司 · 良率資料平台

端到端 Azure AI 良率資料整合平台

客戶為台灣上市櫃半導體設計公司,PE / TE / FE 團隊長期處理多家委外製造夥伴的良率資料。

痛點

無自有產線的設計公司,量產追蹤上常見:

  • 委外夥伴多元:多家委外製造夥伴提供週報,格式不一、命名不統一。
  • 資料散在各角落:PE / TE / FE 各自下載 → Excel 整理;無單一 source of truth。
  • 無端到端 yield 視角:上下游良率事件無法 join,root-cause 分析仰賴人工拼接。
  • 資安要求:資料不出客戶網段、需完整存取追蹤。

解決方案

三層架構,採 Azure 全家桶部署:

  • Layer 1 — 基礎建設層:Azure VM / Azure SQL / SFTP Gateway / Network Security。
  • Layer 2 — 資料整合層:Azure Data Factory ETL(命名標準化、跨夥伴資料整合)→ Azure SQL / Synapse。
  • Layer 3 — 智慧看板層:Power BI Premium(PE / TE / FE / 主管多 persona) + Azure OpenAI 自然語言查詢。

量化成效

5+
委外夥伴整合
100%
命名標準化自動
萬列
/月 ETL 量級
E2E
資料 → 智慧 落地

技術深度

  • Schema 嚴謹分離:將同一夥伴的不同角色(封裝 / 測試)拆成獨立欄位,避免行業慣用語混淆。
  • 命名標準化函數庫:所有 join 共用同一套 key,避免「測試場 vs 測試廠」這類人為差異累積成 silent data corruption。
  • Fail-loud 原則:欄位缺失印 warning,不靜默通過。
  • 多 SOT 視角設計:以原始資料為真值,二手摘要僅作對照。
  • 存取治理:session 限時 / idle 限時 / IP 白名單 / 多跳 bastion 架構。

技術棧(Azure 全家桶)

Data Factory Synapse Analytics Azure ML Power BI Premium Azure OpenAI VM · NSG · Private Endpoint

你的案件想要怎樣的方法論?

告訴我你的產業、痛點、現況。30 分鐘內給你一份初步方法論建議。

聯絡我們