畢業雜談(三) 既要馬好又要馬跑 - 工程師

由於有人覺得我不應該分太多篇寫

所以我嘗試把幾個主題合併在一起

這篇合併幾個主題並稍做內容調整，主題包含Cost down/人力精簡/JUMP DOE/AI大數據


標題的俗諺最後一句應該沒有人不知道，既要馬兒好又要馬兒跑，還要馬兒不吃草，此俗
諺可謂cost down之核心精神。

Cost down從影印費到電話費，基本上是能省則省，每毛錢都是很計較的。對我這種環工
出身的人來說是讚同的，畢竟節能減碳救地球從自身做起嘛。


但是在生產上的cost down卻是讓人頗傻眼。賣產品都會說一分錢一分貨，但是生產產品
的時候卻是能多省就多省。


雖然常常聽到每間公司都在cost down，卻很少聽到細節，甚至之前有一篇應用Ai偵測機
台訊息，提早發現機台問題，減少產品不良率，但是在實際上，我所看到的卻不是這麼回
事。


我們都知道，開車每5000(有些是10000)KM就要去保養，有時會提早有時可能稍晚，但是
如果要車正常行駛不會半途"顧路"，該PM就得PM。

在公司處於不景氣的時候，FAB內的貨少tool RF time累積的慢，PM周期就拉長，這代表
每個月設備支出是降低的。

隨著景氣回溫，每月出貨量增加代表RF on time也增加，PM周期變短。但是設備的月支出
卻依然被刪減，這就是萬惡的cost down之一。

當機台需要PM卻沒有預算，就只能延後PM或讓parts超時工作，甚至變相的讓parts run
到死才換。曾有家設備商駐廠私下抱怨，某機台的e-chuck life time只有6000 hrs，我
們run到10000/12000還在用，還抱怨他家的機器不穩定。


在parts死掉前，各種當機報廢晶圓時常發生，甚至有些機台parts壞了沒預算換，只能讓
機台鎖單一製程，沒貨就idle在那沒辦法生產，我實在不明白這種cost down真的有省到
錢嗎?

而講到了cost down，另一個議題就是"人力精簡"。內部的說法是汰弱留強，但實際的情
況卻是砍掉薪資較高的老員工，再補一批薪資較低的新人，甚至汰弱之後再來個遇缺不補
，每個人的工作量與日俱增。

我所處的單位甚少聽到有誰被汰弱，因為離職率遠大於預訂的汰換率，然而工作量還是在
遇缺不補下增加了，從每季值班頻率1次增加到2至3次就能知道。

雖然人力精簡是cost down的一部份，但我所處的單位不可能單靠離職就能達到cost down
的目標。哪cost又該從何砍起? 答案是晶圓使用量。半導體越來越難，投入的經費與晶圓
是與日俱增的，而我們卻得在更少的人力，更少的晶圓使用量下，用更短的時間完成一個
project，project behind schedule 成為必然。

真要舉個例，大概是這樣的場景:

有家公司，它用100人花3年15000片晶圓做出X45nm代工，現在卻要用80人做X22nm，但是
晶圓只給你8000片，表訂完成時間則是2年，你覺得成功機率有多少。

(謎之聲:X32nm呢??

沒人力沒資源，直接跳過了啦。)

以上數字只是舉例，非真實比例。

少了人少了晶圓，進度做不快，於是工程師被認為是沒有專業能力的，這之後甚至還衍生
出了每週工作評量，工程師還得列舉工作成果，證明自己這週是對公司有供獻的。

上層老闆認為進度落後，與問題發生後無法立刻解決的主因起於工程師專業度不足，實驗
沒有系統性與邏輯性，於是JUMP DOE的實驗設計方法被導入。

DOE的導入可以說是正確的決定，然而DOE卻不是為了節省晶圓使用的實驗設計方式。全因
子實驗(Full factorial design)在每個參數都是變因的情況下，晶圓使用量是非常可觀
的。在被限制使用晶圓的情況下，只能篩選少數幾個因子打DOE，問題也很難一次DOE就能
找到最佳條件，但是老闆總是認為你這批次打了12片/16片DOE，實驗結果範圍應該是能包
山包海，僅需從趨勢裡找個最佳點，問題就迎刃而解。

細數失敗的DOE，最主要的問題在於使用時機不對。另一個DOE失敗的問題在於第二集提到
的，找錯家做DOE。問題根本不是A家，它只有催化劑，你要它打DOE解決問題，根本緣木
求魚。

舉個真實的例子，某project A家做了非常多的實驗，最後解法卻是在B家補打一次IMP，
但是在那之前，A家就是頭號戰犯，被review到炸掉。

接著就開始進入AI大數據的狂想曲了。由於圍棋AI打敗了世界棋王，一股AI超越人類的思
維急速醞釀。由於project時程壓的太緊，DOE打來打去問題還是沒有解，於是老闆覺得AI
就是救星。

在開啓AI的旅途前，我們不僅看了不少跟AI有關的文獻，甚至還被要求實做，甚至要去學
Python，學如何使用tensorflow。而AI目標就是，運用現在已有的資料training AI。之
後只要有任何需求，對AI輸入我所需要的結果，AI就能給出一套解決方案，工程師(其實
這裡只需要助工就夠了)照著解決方案做，一次就能解決問題。既省錢又省人力還可以秒
解答，project永不delay。


當然，最後我沒有開發出這套AI，別說技術上我做不到，退一百萬步言，就算我真的做的
出來，你覺得我會弄一個AI取代所有工程師，然後自己也沒工作嗎?

雖然後期的AI比較回歸到正常面向，但是我們還是沒能把AI應用進工作上。

雖然還有很多沒講，但是雜談三就先寫到這裡。接下來我打算寫讓我決定離職的主要事件
，這部份牽扯到一些公司的機密，我得做些處理，有部份內容需要用替代的假範例，什麼
時候貼再看情況。

--