隨著IOT、5G技術的逐漸普及，製造業者利用感測器收集設備即時運作狀況的技術門檻已大幅降低，隨之而來的課題便是，如何有效的運用機台設備所量測到的感測數據，對其進行分析、建模以達成預測或錯誤偵測與分類，藉此穩定產品良率以及加速產品量產時程，讓累積的巨量資料轉換成資產而非負債。錯誤偵測與分類是常用於監控製程間變異的方法，其效度在於關鍵區間與趨勢的掌握程度，但在難以考量跨參數組合及其交互作用情況，領域工程師多利用領域知識、經驗或試誤法找出合適的關鍵區間並轉換成特徵統計量進行監控。此作法耗費大量人力及時間(依照案件的複雜度與人員的經驗差別而定)，且在時間壓力之下，找到的通常是可行解而非最佳解。

本技術提供一個基於數據驅動的系統化的分析方式，其輸入資料為製程設備所量測的感測器數據以及類別標定的結果，依照以下流程進行分析及決策最終的關鍵區間與特徵統計量的排序結果。第一步，對輸入資料進行資料格式一致、資料分布檢查以及遺失值處理；第二步，利用集成式學習方法進行重要變數篩選，排除對類別分類影響較低的變數；第三步，對篩選出來的變數的進行趨勢偵測，進一步找出關鍵區間以降低維度；第四步，對挑選的變數的進行分群，並對各群代表進行排序；第五步，整合各階段變數篩選的權重，以提升最關鍵的變數；最終，透過決策函數計算決策指標，提供使用者判斷模型的可信度。

本技術經某半導體公司提供的數個實證案例進行交叉驗證，皆可藉由數據驅動方式快速找出關鍵區間與特徵統計量，其模型信心度達80%，無需仰賴領域工程師的經驗與知識。目前也已實際於該公司線上運作中，給予工程師強而有力的證據作為製程調整依據，減少人工判斷的時間、經驗差距以及人為誤差，加速產品進入量產階段的時程。

本技術突破過往在利用設備感測資料進行錯誤偵測與分類時，需仰賴專家領域知識事先定義合適的關鍵區間與統計量才能進行分析與監控，而是在品質狀態標記給定之後，直接基於數據驅動方式精準定義的關鍵區間及特徵統計量，並提供決策指標以作為該模型的信心度，減少工程師的時間花費與彌平經驗落差，加速產品量產。

本技術是以製程錯誤偵測與分類為主要應用，因基於數據驅動特性不需仰賴產業的領域知識，故可快速應用至各個具類別分析需求的產業，如半導體產業、電子產業或航空製造產業等。模型對分析結果具對應的決策指標，更可導入應用時的評估表，確保模型導入的有效性及信心度。