近期，基于人工智能（AI）传感器数据的缺陷检测系统已在智能工厂生产现场投入使用。然而，当制造过程因设备更换，或温度、压力、速度等条件发生变化时，现有AI模型往往难以适应新环境，性能会急剧下降。对此，韩国科学技术院（KAIST）的研究人员开发出一项AI新技术，即使在无需重新训练的情况下，也能精准检测缺陷，性能最高提升达9.42%。这一成果有望大幅降低AI运行成本，并推动其在智能工厂、医疗设备、智慧城市等领域的广泛应用。
KAIST（校长Kwang Hyung Lee）近日宣布，由计算学院Jae-Gil Lee教授领导的研究团队，研发出一种全新的“时间序列领域自适应（time-series domain adaptation）”技术。该技术能够在制造工艺或设备发生变化时，无需额外缺陷标注，即可继续利用现有AI模型进行缺陷检测。
时间序列领域自适应技术可以使处理时间变化数据（如温度变化、设备振动、电力消耗、传感器信号等）的AI模型，在训练环境（domain）与实际应用环境存在差异的情况下，仍然保持稳定性能，而无需额外再训练。
Lee教授团队指出，导致AI模型在环境（domain）变化下性能下降的核心问题，不仅在于数据分布的差异，还在于缺陷发生模式（标签分布）的变化。例如，在半导体晶圆制造过程中，因设备改造，环状缺陷与划痕缺陷的比例可能会发生显著改变。
为此，研究团队提出了一种新方法：将新的工艺传感器数据分解为三类成分——趋势项、非趋势项与频率项，并分别进行特征分析。就像人类通过结合音高、振动模式和机器声音的周期性变化来识别异常一样，AI也能够从多维度角度解析数据。
换句话说，团队研发的 TA4LS（Time-series domain Adaptation for mitigating Label Shifts） 技术，通过比较现有模型的预测结果与新工艺数据的聚类信息，自动修正预测结果，从而避免预测结果过度偏向旧工艺的缺陷分布，使其能够精准匹配新工艺的实际情况。
尤其值得关注的是，这项技术具有极高的实用性。它可以像“插件模块”一样，直接嵌入现有AI系统中，无需额外复杂开发。不论企业当前使用何种AI技术，只需简单步骤即可立即应用。
在针对四个时间序列领域自适应基准数据集（包含发生变化的传感器数据）进行的实验中，该团队相比现有方法，检测准确率最高提升了 9.42%。
特别是在工艺变化导致缺陷分布（标签分布）差异显著的情况下，该AI技术能够自动修正并区分这些差异，展现出显著的性能提升。这一结果证明，该技术在多品种、小批量的生产环境中更具应用价值，而这正是智能工厂的重要优势之一。
项目负责人Jae-Gil Lee教授表示：“这项技术解决了再训练问题，而这一直是人工智能在制造业推广应用的最大障碍。随着商业化的推进，它将显著降低运维成本、提升缺陷检测率，并为智能工厂的普及做出重要贡献。”
