大的变化数据

大数据市场处于动荡状态,企业开始将他们的数据策略从“无”或“一切”的云战略组合,挤出中间市场球员和改变什么共享,如何使用这些数据,以及如何最好地保护它。

这对整个半导体供应链产生广泛影响,因为在很多情况下,为更多的数据铺平了道路在不同的供应商之间自由移动,无论他们坐在链。能走很长一段时间来提高芯片和系统的质量,降低设计和制造成本,揭示供应链的约束。它还开辟了更多的机会进行数据分析,以帮助抵消不断上升的担忧责任市场,如汽车、医疗和mil /航空。

“多年以来,全球5000年财富500强的对移动到云,但突然间在过去的12至18个月有大规模转移到云,”Michael Schuldenfrei表示企业技术研究员最优+。“这是行业的发展。甚至对于敏感的应用程序,如测试数据,整个事情是在云中运行。越来越多的组织将押注云,甚至你第一次看到这个在半导体制造。”

这种转变是创建大量的破坏。Cloudera暗示大变化发生在今年早些时候与Hortonworks合并,减少的三巨头Hadoop分布式存储和处理市场两大球员。从那时起,Cloudera首席执行长下台后,财政Q1(截至4月30日)亏损1.038亿美元,和其他MapR-the剩余的巨人任命了一个警告通知加州关于裁员行动。所有这些举措都生成跑来跑去改变世界的大数据,并最终将如何影响云的边缘,和半导体市场,燃料的数据处理和存储。

“Hadoop是一个极其困难的情况,因为它是通过云技术所取代,“Schuldenfrei说。“边缘补充到云上。云的球员将继续增长。但是如果你回来三到五年前,问别人,如果他们要在云中部署任何解决方案,他们会说,不可能。我们不相信安全。”

然后。公司已经开始重新思考如何保持当地,什么船到云,以及数据分析如何他们的业务中获益。

大爆炸”包括从许多来源分析,”约翰·Kibarian说的首席执行官PDF的解决方案。“事实是,它比不做更经济。”

提高产量
收益率时尤其明显,这使得它相对容易芯片制造商,因为有一种强烈的投资价值分析因为它会影响产量。这应该是一个扣篮最先进的节点。具有讽刺意味的是,工作在这个领域的很多公司正在使用一个接一个的测试芯片学习他们做错了什么,而不是依赖数据。

迭代方法确实是有效的,但它是更加昂贵和耗时。然而,它可能是最完整最先进的节点方法,因为生产过程数据被认为是专有的。铸造厂分享比过去更多的数据,但是他们仍然保留一些数据保密是有原因的。首先,它被认为是高度竞争。第二,数据是一项正在进行中的工作,因为它需要精制过程的成熟和新工艺开发的数据。

“不同的客户和应用程序之间的数据不同,“Ram Peltinov说模式在应用材料控制部门主管。“一些更先进的数据,但大多数客户尽量保持专有的。在研发中,有大量的信息。在生产,你通常的意义。”

数据从一个工厂到另一个也是不尽相同,从一个进程和子进程。理解,需要深入的了解寻找数据,这需要专业知识。

“这从工厂到工厂,因为他们部署不同的技术,“Subodh Kulkarni的首席执行官CyberOptics。“这很难与其他的晶圆厂。不方便,这取决于你看的哪一部分数据。在传感器层面,需要大量的专业知识将原始数据转化为有用的数据。”

这是比它可能首先出现在多个层面上。首先,传感器本身需要校准。“每当你感觉改变,需要校准光谱的材料,”Kulkarni说。“随着散射测量,你看着反射光和推断层本身的信息。我们通常反映失真,这可能是微妙的表面结构和不同的硅结构。这是必须要做到的不同,因为硅氧化几乎立即。”

同时,有如此多的数据和不同类型的数据,试图理解它远程是行不通的。其中一些使用生产设备,而不是人们试图分析它。

“我们总是有误差的概率信心任何测量的晶片,“切特雷诺克斯说,过程控制应用解决方案的主管心理契约。“但在分析方面,我们分析了原始数据的方式计量工具是急剧变化的所有可用的机器学习算法,以及增加计算能力,我们有可用的工具。我们有点不同于Facebook和谷歌与大规模数据中心的分析。我们需要一个数字,不管是计量或检查,现在的工具。任何分析的完成传感器实时数据基本上完成。否则,不是有很多价值。我们还看到了革命的方式处理数据,为了给你一个最终的临界尺寸或叠加偏移或膜厚度,或者任何可能。这也必须是实时的。你现在需要的数据,而不是运行晶圆的线,看到月从现在会发生什么。”

如何过滤芯片制造商不一致。这在一定程度上是由于这一事实的一些公司在芯片制造的前沿是相对的新人。也部分是因为衍生版本的成本可以遍布整个系统由一个大型系统的公司。众多业内人士报告的增加直接过去几年。

“工程解决方案来应用知识,而不是物理知识,”杰克·哈丁说,总裁兼首席执行官eSilicon。“,对我来说,是非常危险的,因为你不能预测领域在特殊情况下的行为。所以,当人们说,‘我们有工作,首先我想知道的是这工作是因为他们是否试错和没有爆炸,或者因为他们用数学仿真和他们已经说服自己解决一个问题他们还没有确定。”

这是更成熟的节点,这个数据开始分析在一个更广泛的范围上。

“你可以使用它来确保工作一部分,但你也可以用它了解哪些死了过去死了失败,”安德烈van de Geijn说,业务发展经理yieldHUB。“如果你有低产量,你想要一个系统深入探讨了和理解哪些测试是失败的,为什么。”

包括汽车芯片除了人工智能辅助和自主驾驶,今天7点正在开发纳米。但即便如此,数据共享有限的基础上。联合工作敲定的协议福特和大众、宝马、奔驰,寻求结合努力研发为了速度自动驾驶车辆的上市时间。

提高可靠性
所有这一切对可靠性有很大影响。德国汽车制造商要求零缺陷了18年,还有一个推动在其他设备芯片更可靠。目前智能手机的标准是现在四年,而不是两个,并且在一些工业应用它上升高达20年。

“分析大规模增长,因为所有的芯片和系统公司管理更复杂的供应链,”PDF的Kibarian说。“可追溯性的要求。人们想知道的工具集,组装在和其他的风险敞口是什么人可能看过类似的问题…当你有一个自主车崩溃,每个人都想知道他们是否有接触。”

避免问题的关键是分析所有可用的数据,特别是在关键领域。

说:“这就像使用Google Earth马克斯•Odendahl的首席执行官Silexica。“这是不够好,如果你看到一个热点和你不知道发生了什么。你需要把这回到原始的源代码。我们可以运行两次相同的模型,比较两种不同的迭代,但一次跑2毫秒,另一次在25毫秒。然后你需要弄清楚哪里出了问题。所以我们需要做静态分析、动态分析和语义分析真正理解什么是问题的根源,它是从哪里来的,以及它是如何影响系统”。

,还需要收集更多的数据比过去用一些了解和分析什么可以出错,如果确实错了,真正重要的事情。

“现在你有对象分析,”Odendahl说。“你需要了解区域是如何被访问的。这将产生巨大的差异如何流数据你的DSP或GPU。你可以看到有一个瓶颈的计算,但是你可能忽视的原因。所以有高级的东西,你多同步发送数据或你发送太多的数据到另一个系统,而填满你的任务和发送数据太少。有各种不同的层,你需要找出瓶颈在哪里。如果它不是在关键路径,你可能不会关心,提供一个优化的循环。但发现,需要系统视图”。

和创建系统所需的数据视图现在需要逗留的时间大大超过过去。

“需要有数据的连续性,”约翰·奥唐纳说yieldHUB首席执行官。“新顾客要15年的数据存储,它是一个大的变化从先前的一个或两年的数据目前被存储。你会看到这个机器学习和人工智能下一个。但是这里的挑战是,一些数据可以非常混乱。很多芯片测试和测试和筛选,所以你需要重新组装数据根据每批生产的照片。”

提高安全
从积极的一面来看,更多的数据提供了更多的选择以不同的方式使用它。更新的方法之一是使用数据分析的实时安全监控芯片上的数据流量。

“你可以导出数据,显然更多的数据需要更快的管道,”鲁珀特•贝恩斯说,公司的首席执行官UltraSoC。“我们有作为PCIe,CCIX、高速以太网芯片,我们可以使用数据。越来越多的,我们也使用这种方法并不需要这片外。如果你有很多很多的处理器芯片,为什么不使用这些处理器分析片上和本地吗?所以你路线分析子系统,而不是使用昂贵的I / O,在本地运行分析。的优点是你可以做操作。你出汗的资产。我们有客户提出他们的芯片,它们将对这个任务处理器纯粹。他们使用它对于安全的应用程序,因此,分析被用于识别失败,潜在的黑客和恶意软件,他们这样做在芯片和观察生活和动态交通模式流过去。他们可以反应非常迅速,因为他们在同一个芯片。你不是发送交通别的地方。”

需要结合更好的理解数据产生在一个设备。

“有地方智慧和地方过滤数据量大大降低。如果你只是做愚蠢的采样信号的2 ghz与64位总线时钟,你在100吉比特每秒一个跟踪,”贝恩斯说。“你说话很快tb和pb级。这是不可或缺的智能当地过滤为了把文章的数据转化为高价值,智能信号。你需要,地方,芯片上,数据收集。平均,高峰,意思是,最好的、最坏的。你需要异常检测。你不需要本地的过滤器,但你必须能够做抽象。”

结论
有许多片段的数据流。将处理一些数据在云中,一些边缘处理,和处理直接在芯片上或一个特定的设备。挑战,展望未来,将是有意义的,这可能是公司——甚至业务部具体。

数据市场仍然在发展,分析基于该数据仍在定义。但所有这一切会对半导体行业产生深远的影响。市场波动的今天只是开始最终将定义边缘,云中,质量,性能,价格和最终的所有组件的交互驱动这些系统。

有关的故事
数据混乱的边缘
处理器和数据类型的差异将产生不可预测的影响人工智能系统。
专业领域成为必不可少的分析
更多的数据并不意味着除非你知道如何处理它。
使用传感器数据来提高产量和正常运行时间
深入了解设备的行为和市场需求将整个半导体供应链产生广泛的影响。
脏数据:传感器故障吗?
为什么需要清洁传感器数据,为什么,对系统设计的各个方面产生广泛影响。
推动人工智能成为主流
为什么数据擦洗和社会问题可能会限制的速度采用和这项技术的有效性。
数据分析知识中心
头条新闻、专题报道、博客、视频、和白皮书关于数据分析