定性定量的缺陷数据

通过感图明鉴者AI检测机器人产品系列实现来料检（IQC），过程检（IPQC），终检（FQC）缺陷数据的全自动化的定性和定量的搜集和归纳。

非结构化的设备数据

通过感图明览者AI监控产品系列实现制程设备的全方位智能化监控，结合结构化和非结构化的数据源对制程的异常情况进行及时且准确的判断报警。

行业“know-how”的数据应用

通过感图明策者AI辅助决策产品系列实现针对实际应用场景相关的“人”、“机”、“料”、“法”、“环”全维度数据闭环。在可视化的基础功能之上，实现多维度数据驱动的辅助决策流程机制。

缺乏定性定量的缺陷数据

传统检测设备往往只能针对简单且显著类型缺陷进行报点，并且需要有经验的人工对报点进行二次辨识从而得到缺陷信息的归纳和统计的基础信息。整个数据搜集流程非常耗时耗力，而数据的实时性和准确性都无法保证。缺乏可靠的定性和定量的缺陷数据，就无法真正的对制程中的关键环节进行问题把控和及时的矫正。

缺乏非结构化的设备数据

虽然各种传感器在高端的制程设备上的应用已经非常广泛，但物料本身在设备内部或设备之间的转移和处理过程中会偶发异常的位移，掉料，叠料等情况，仍旧需要人工的巡检才能及时发现问题。这类异常系的现象往往无法通过结构化的传感器信息进行有效的识别和判断。但此类问题一旦出现可能会导致整批次物料的报废或产线的停产。

缺乏行业“know-how”的数据应用

市面上泛行业的大数据应用平台在高端制造领域落地的效果局限性较大。由于缺乏行业“know-how”的支撑，而导致平台落地最终只能达到基础的数据可视化，但无法真正实现“人”，“机”，“料”，“法”，“环”的数据应用闭环。