Contrôle qualité et système d’information Pascal Chesneau, Altis Semiconductor : « Pour des produits de haute technologie, le rendement dépend de la qualité »
Né en 1999 du rapprochement de deux géants de l’industrie des semi-conducteurs, Altis Semiconductor a mis en place un système strict de contrôle qualité, qui permet d’identifier les détracteurs de rendement.
Pouvez-vous situer le contexte dans lequel s’inscrit votre démarche ?
Altis Semiconductor représente 2300 collaborateurs en France, et un chiffre d’affaires de 560 millions d’euros en 2002. Ses clients sont l’industrie informatique bien sûr, mais aussi celle du multimédia ou des télécoms. Pour une industrie de haute technologie, le contrôle qualité est crucial, car il est directement lié au rendement et à la performance de l’entreprise. Si un produit ne correspond pas aux spécificités techniques demandées par le client, il est aussitôt recyclé voire rejeté.
Comment s’est mis en place le contrôle qualité chez Altis ?
On distingue trois grandes étapes au niveau des applications mises en œuvre. Au début des années 1990, le département Engineering qui supporte les ingénieurs sur le plan logiciel et logistique, exprimait le besoin d’avoir un système de reporting pour traiter les résultats des tests pendant et après la fabrication. Les ingénieurs avaient en effet besoin d’avoir une vue étendue sur les résultats des tests électriques et les mesures physiques. Auparavant, le reporting était segmenté selon les différentes entités concernées. Il a donc pris une orientation plus opérationnelle avec la mise en place d’un monitoring et la constitution de tables de données dédiées, à destination de 200 à 300 ingénieurs.
Puis, vers 1997, on a développé un « moteur décisionnel », qui permet de calculer et restituer les données des tests effectués, le tout dans un environnement opérationnel 24h sur 24h. Par exemple, pour un produit qui se fabrique sur 30 jours avec des centaines d’opérations, on effectue des mesures électriques et physiques pour tester son fonctionnement par rapport au cahier des charges. Pour cela, il faut traiter 200 à 300 paramètres, ce qui donne une idée de la volumétrie des données acquises : des mégabits de données transitent tous les jours ! Le moteur traite donc ces acquisitions, les compare aux spécifications techniques et en fait un rapport. Cela permet ensuite d’initier des décisions : le produit est adopté, recyclé ou rejeté.
Enfin, en 2000-2001, l’augmentation considérable de la masse d’informations que nous devons gérer, à la fois techniques, logistiques et la complexité des outils de production nous a incités à mettre en place des outils de data-mining, parallèlement à la constitution d’un datawarehouse. L’objectif est d’améliorer la performance de la production et d’identifier les détracteurs de rendement.
Que signifie pour vous la mesure de performance ?
Pour les produits de haute technologie, la performance repose d’abord sur un strict contrôle qualité. Il s’agit de mesurer le nombre de pièces conformes par rapport à l’ensemble des pièces produites. Dans le domaine des semi-conducteurs, il n’est pas possible d’avoir un rendement de 100%, pour des raisons technologiques. Le rendement théorique est donc de 85% environ. Si l’on prend ce rendement comme référence, il s’agit ensuite de définir les cas où il n’est pas atteint. Un détracteur de rendement peut être lié à un manque de maturité du produit (un design insuffisamment robuste par exemple), ou à l’équipement de production. Pour connaître la raison, il faut lancer toutes les analyses rétroactives nécessaires. En terme logistique, le système permet également d’avoir la traçabilité des événements : les procédés de fabrication sont de plus en plus complexes, comprenant des milliers d’opérations.
Cela permet-il ensuite d’enrichir les tests effectués ultérieurement ?
Tout à fait, puisque l’on intègre les paramètres détectés dans les processus de tests ultérieurs. De plus, aujourd’hui, le moteur de data-mining tourne toutes les nuits, ce qui permet d’avoir un niveau d’alerte élevé et d’éviter d’atteindre les dernières opérations si un défaut ou une insuffisance de qualité est détectée. Le contrôle qualité se fait donc de plus en plus en amont. Il est donc nécessaire d’avoir un système évolutif et flexible, qui accompagne l’augmentation du volume des données et la complexité croissante des analyses effectuées, afin de mieux s’adapter aux besoins des ingénieurs utilisateurs.
Quel bilan faites-vous aujourd’hui de l’ensemble de ces outils ?
L’augmentation du volume des données acquises, liée à la complexité croissante des produits, fait qu’un contrôle qualité ne peut désormais être effectué sans la solution SAS mise en place. Les composants sont en effet de plus en plus denses, intégrés, et les procédés de production sont par conséquent de plus en plus complexes. L’ensemble de ce système permet aujourd’hui d’être à la fois réactif et proactif, c’est-à-dire de prévoir les comportements de performance et de rendement. De plus, l’apport de ce système a été mesuré par un gain au rendement. Ainsi, pour un produit relativement important et représentatif en terme de volume de production pour Altis, et grâce au data-mining, nous avons identifié un détracteur de rendement qui n’aurait pas été détecté par les modèles et outils que nous utilisions précédemment.
Concernant le contrôle qualité, quels sont les projets en cours ?
Nous cherchons à simplifier l’accès à ces outils et bases de données. Nous avions initialement un système d’exploitation Unix. Notre objectif est donc de migrer vers Windows, tant pour les stations de travail côté utilisateur que pour les outils eux-mêmes. On a donc initié des développements pour aboutir à une interface Web. Parallèlement, on développe des applications spécifiques pour simplifier l’accès à des bases de données métier dont l’utilisation demande un certain apprentissage aujourd’hui. De plus, nous souhaitons enrichir les moteurs de tests et de data-mining en intégrant des données complémentaires et de nouveaux types de calcul, notamment liés à de nouveaux produits que nous sommes en train de développer.
Depuis 2002 :
Chef de Projet e-Data, Altis Semiconductor
Auparavant, toujours chez Altis :
- Chef de Département Engineering
- Responsable de service Data Analysis
- Ingénieur Produit
publié le 22/10/2003