Few-Shot-Defekterkennung fuer einen Halbleiterhersteller in Sachsen
Übersicht
Worum es bei diesem Projekt geht.
Implementiere ein ProtoNet zur Few-Shot-Defekterkennung auf Wafer-Bildern und evaluiere mit 5-10 Shots. Erhalte ein verifizierbares Zertifikat.
Das Szenario
Der Hersteller (rund 2 800 Beschaeftigte, eine der groessten europaeischen Halbleiterproduktionsstaetten) bringt jaehrlich rund 8 neue Wafer-Designs in Produktion; ein um 2 Wochen frueher einsatzbereiter Defekt-Inspektor entspricht rund 400 000 Euro Mehrertrag pro Design.
Das Briefing
Was Du tust und was Du zeigst.
Verkuerze die Inbetriebnahme-Zeit neuer Wafer-Defekt-Inspektoren von Wochen auf Tage durch Few-Shot-Learning.
Earning criteria — what you'll demonstrate
- Episodic Training (N-way K-shot) als Meta-Lernparadigma anwenden
- Prototypische Netze als robuste Few-Shot-Basislinie implementieren
- Fine-Tuning und Meta-Learning fair gegeneinanderstellen
- Modellgewinne in Inbetriebnahme-Zeit fuer Produktionsleiter uebersetzen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Meta-Learning, Transfer Learning, and Multi-Task Learning
Master · Machine Learning
Strong alignment
This challenge maps to Meta-Learning, Transfer Learning, and Multi-Task Learning at the Master level. It sharpens the same practical skills your coursework expects — but in a real industry context with actual constraints and deliverables.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
- Meta Learning
Apply meta learning to solve real industry problems and demonstrate production-level capability.
- Few Shot Learning
Apply few shot learning to solve real industry problems and demonstrate production-level capability.
- Transfer Learning
Apply transfer learning to solve real industry problems and demonstrate production-level capability.
- Computer Vision
Build systems that interpret and analyze visual information from images and video.
- Pytorch
Apply pytorch to solve real industry problems and demonstrate production-level capability.
- Model Evaluation
Apply model evaluation to solve real industry problems and demonstrate production-level capability.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
ML Researcher
Meta-Learning sauber zu implementieren und gegen Fine-Tuning zu stellen ist Senior-Forschungsarbeit in industriellen CV-Anwendungen.
Dieses Projekt schärft
- meta-learning
- few-shot-learning
- model-evaluation
Computer Vision Engineer
Few-Shot-Defekterkennung ist eine Standard-Aufgabe in Halbleiter- und Praezisionsfertigung — wer das beherrscht, ist sofort einsetzbar.
Dieses Projekt schärft
- computer-vision
- transfer-learning
- pytorch
Applied AI Scientist
Modellgewinne in Inbetriebnahme-Zeit zu uebersetzen, ist die taegliche angewandte KI-Kommunikation in der Halbleiterindustrie.
Dieses Projekt schärft
- few-shot-learning
- transfer-learning
- model-evaluation
Noch eine Sache