🎉熱騰騰的穎崴(6515) 公司簡介來啦~
興櫃股王「穎崴」上市首日飆37%,一起來了解公司主要業務是什麼呢?
.
半導體風起雲湧、高階晶片輩出,而卡位高階測試市場的「穎崴」,2020營收創歷史新高。
2021年更以高EPS、高毛利、高成長的表現,元月從興櫃股王「轉大人」正式成為上市公司。
.
🏭公司簡介
公司設立於2001年4月,總部位於高雄楠梓加工出口區,主要從事半導體測試治具(Test Socket)及探針卡(Probe Card)之設計、開發及生產製造關鍵技術,從晶圓測試(CP)、最終測試(FT)、系統測試(SLT)、老化測試(Burn-In)及溫控系統(Thermal Control System),提供各種高速、高頻、廣溫域的測試介面;主要客戶為全球高階IC設計公司及封裝大廠,為提供高效能IC測試治具的專業半導體測試介面製造商。公司訂定於2019年11月19日在興櫃市場掛牌交易。2021年1月20日轉上市掛牌交易。
.
💼.產品與技術:
A. 高效能半導體測試治具(Advanced Test Socket)
B. 接觸元件(探針/PCR/ i-Bump)
C. 測試機台轉換治具(Changeover Kit of handler)
D. 感光元件/高頻測試/記憶模組測試治具(CMOS/RF/Memory Module Test Socket)
E. 主動式溫度控制(Active Thermal Controller)
F. 老化測試治具(Burn-in Socket)
G. 垂直式探針卡(Vertical Probe Card)
.
主要從事研究、製造及銷售半導體測試介面及配套產品,包括高性能探針卡、高頻高速彈簧針測試座、廣溫域溫控模組、精密彈簧針;依不同產品測試需求提供客戶量身訂做的測試解決方案。
.
穎崴作為今年首家上市業者及興櫃股王,能否重蹈前興櫃股王與測試同業精測2016年掛牌後走勢,一舉奔上台股一線高價股,備受市場矚目。尤其近期盤面人氣匯聚在半導體、高價集團,進一步加深法人對穎崴蜜月行情的信心。
.
🧠產品比重:
產品項目包括半導體測試介面、精密彈簧針、探針卡、溫控模組,截至2019年底止,營收比重分別為:測試治具佔約76%;接觸元件佔約19%;探針卡佔約1%;其他設備佔約4%。
.
👣廠區分佈:
高雄加工廠
新竹加工廠
高雄探針廠
中國蘇州廠
.
🧑💼國內外競爭廠商
主要競爭對手都屬日本或歐美廠商。國內同業包括精測、旺矽、雍智科技等公司。
.
👆近期狀況
穎威董事長王嘉煌表示,受到美中貿易戰、華為禁令等衝擊,去年公司營收雖創新高,但動能稍減,獲利可能下滑;展望今年,預期在5G、AI、車用等需求帶動下,穎威樂觀看待,顯著成長可期,營收與獲利皆可望創新高。
👨🔬未來展望
此外,異質整合成為IC晶片的創新動能,使系統級測試(SLT)需求與日俱增,穎崴皆已佈局完成,整體而言,公司除持續在技術上精進,提供高階Socket以滿足FinePitch(微縮)、高頻與高速等高度集成的IC測試需求,也將擴大各類高階測試介面(Testing Interface)持續研發,以滿足全球客戶從實驗室到量產的各種測試具面的需求。
.
穎崴看好5G、AI、HPC 與車用晶片持續成長,帶動高階半導體測試需求強勁,決定斥資32.5億元在楠梓加工區興建半導體高階製造中心,預計2022年完工投產,可創造近千個就業機會,年產值增加10億元以上。
.
產業知識:測試介面
.
進行測試的動作時,由於測試的儀器有其一定的規格,可是此一儀器往往要面對各式的產品,不同產品有不同特性;因此,如何使量測儀器和待測物有良好的接合,就必須有設計合宜的測試介面,讓待測物特性完整呈現,且不影響到待測物。
實驗 設計 及 a b test 在 文字的那些小事:接案觀察日記 Facebook 的最佳解答
#工作的那些小事【 小編血淚日常:別讓數字綁架了你的熱情 】#新朋友第一次來歡迎先追蹤 #收藏之後回頭慢慢看
有很多人其實不喜歡被叫 #小編,因為總是被看得很小,又賦予相當多的雜事,更別說有太多的公司內部的小編,身兼2-3個可作為正職的工作內容(設計、客服、企劃、文案),還要被追著數據成效跑。
有些人看到標題第一句大概會說:「我也不想啊,可是老闆主管會問啊!」
十年前從主管手上接到一個公部門粉專經營(透露了我的年紀😂),開啟了我的小編人生:拜託設計幫忙做很無聊的小圖、硬跟客戶解釋其實我也不太確定的數字走向、更別說當時社群經營仍是一塊無人觸碰的淨土,各路大神都還沒出現,資源遠比現在還少。
當老闆主管把數字解讀為KPI成效,自然就會將粉絲人數、觸及率相對表象的數字視為「行銷是否有效」的參考依據,同時還會賦予銷售目標的期待,這些對小編們來說,實在是說不出口的無奈。
先別管老闆主管怎麼說,粉專成效牽涉的因素相當的多,今天有人按讚明天就會有人退讚,什麼樣的心態可以讓你維持經營熱情,而不是為了數字七上八下,一旦你感到無趣,你就很難想到有趣的內容,於是就惡性循環。
1️⃣ 提升自己先,搞懂經營目的
老闆主管不見得完全了解社群,唯有提升自己對社群的了解,搞懂公司經營社群的目的,你才知道如何說服他們。
2️⃣ 大量看其他人是如何經營的
社團、FB、IG都有很多社群內容分享,反覆研究為什麼別人這麼做。平常就養成儲存案例的習慣,到時候要說服老闆主管是非常好用的。
3️⃣ 保持測試實驗的心態
小編很常跟老闆主管僵持不下的就是內容的呈現方式,這時候A/B test是最快可以知道結果的方法,沒有對跟錯,只有適合與否。
4️⃣ 粉絲喜歡什麼更重要
與其爭取要做一篇自己看起來很滿意的貼文,不如產出粉絲真正在意的內容,即使內容質感不見得如你所願,如果可以達到目的,是否也很值得一試呢?
5️⃣ 了解老闆主管要求背後的原因
有時候可能是老闆以為要增加粉絲黏著度只能靠增粉,當你了解真正的原因,就能夠提供真正有效的方式:有趣的社群活動、內容規劃等建議,而非一味地追逐數據成效。
💡經營社群常常是小編很難說清楚講明白的事,除了數字其實還有很多有趣的事情,讓自己跳脫被數字綁架的框架吧!
Photo source:Unsplash
💡如果你覺得很有幫助,歡迎收藏分享按下愛心給我鼓勵唷!
#文字的那些小事 提供客製化的社群規劃、製作優質社群內容,為你打造專屬的品牌形象。歡迎私訊了解唷!
-
Alice愛力獅・文字的那些小事
Instagram:https://reurl.cc/9XAG2d
Medium:https://reurl.cc/5qljZq
實驗 設計 及 a b test 在 台灣物聯網實驗室 IOT Labs Facebook 的精選貼文
訓練AI模型,要多少數據?拆解企業人工智慧專案為何難落地
2020.12.09 by 若水AI Blog
企業導入AI似乎已成為一種趨勢,但是訓練AI模型,需要多少數據?其背後的商業命題與成本又該如何解決?帶你來一起窺探AI專案背後的秘密!
企業的AI專案在釐清問題本質、找到命題之後,首先會面臨到一個問題:收集數據(Data Collection)和建立AI模型(Model Establishing),該以什麼作為評估基準?
訓練一個AI數據模型,需要多少數據?
訓練AI數據模型時,其實有三個要素,彼此互相影響。分別是: 商業問題的複雜度 、 AI模型複雜度 (Model Complexity),以及 數據複雜度 (Data Complexity)。
因此,如果想知道需要多少訓練數據(Training Data),建議先釐清:這個AI專案到底要處理什麼問題,以及這個問題有多複雜?確定之後,再來判斷應該選用哪種程度的模型來做訓練。根據不同的商業命題複雜度,用不同複雜度的模型和精準數據彼此搭配,找出最佳平衡,才能讓AI專案順利落地。
但光憑想像,很難評估實際的AI數據量和成效,所以開始AI的第一步,需要先透過POC概念驗證(Proof of Concept)實驗來找答案。
簡單來說,就是針對不同複雜程度的商業問題,嘗試選用不同複雜度的模型搭配測試,直到模型跑出來的曲線,符合理想目標。
一般狀態下,假設商業問題本身的複雜度很高,我們會預期要選擇複雜度較高的模型。但是如果數據量不足,那麼選擇複雜度較高的AI模型,反而會比用簡單的AI模型效果還差。(上圖左上、右上,分別代表複雜度10和複雜度50的問題,可以明顯看出複雜的模型曲線比較接近學習數據集(Dataset),但是在測試數據集上的誤差 Eout,反而比簡單模型還差了許多。)
上圖的左下和右下,是以不同複雜度的模型去做POC,跑出來的結果曲線圖。藍色線代表的是學習數據(Training Data)成效,紅色線代表的是測試數據(Testing Data)成效。最理想的POC目標,應該是兩條曲線很貼近彼此,而且位置越低越好。
我們會發現,左下這張圖的兩條曲線雖然彼此貼近,但是就算增加數據,也無法降低誤差。這表示模型偏誤(Bias)高,效果不佳,應該要增加模型複雜度 (Model Complexity)。
增加模型複雜度之後,就會像右下這張圖,藍色曲線(學習數據)雖然數值很低,但在學習數據不足的情況下(灰色區塊),紅色曲線(測試數據)卻「飄」得太高。這表示模型變異誤差(Variance)高,應該要增加學習數據。最後在慢慢增加模型複雜度以及學習數據之後,我們就可以達到理想的結果(兩條曲線很貼近彼此,而且位置越低越好)。
數據哪裡來?發展AI人工智慧之前,先建立數據流
先前我在文章裡提到,很多企業會急著開發AI模型,但AI專案落地經驗的三大關鍵之一,其實是先確認:是否已經準備好數據了?如果沒有這樣的能力,談AI落地其實有點好高騖遠。
AI數據收集(Data Collection)最大的挑戰,在於針對不同型態的命題,會產生不同的AI數據需求,因此需要建立的「數據流」(Data Pipeline),AI數據處理 (Data Processing)和數據標註(Data Annotation)的模式及流程也會有所不同。
發展AI之前,如果能建立起從數據收集(Data Collection)、數據處理(Data Processing)到AI模型學習的數據流(Data Pipeline),並確保可以順暢運行,實際訓練AI模型時才會省力很多。
數據不夠或太多怎麼辦?
Google開設的機器學習(Machine Learning)課程中,第一項原則就開宗明義地指出:「Don’t be afraid to launch a product without machine learning」。
如果你的產品或業務不一定需要用到機器學習(Machine Learning),那就別用,除非你有AI數據。有數據,再來談機器學習(Machine Learning)。但在業界的實際狀況,大家不是沒有數據,而是只有一些些,這時候該怎麼辦?我會建議,先從小地方開始做起,也就是從POC專案著手。
POC專案要有具體成效,除了要注意設計專案、實驗模型的指標(Metrics),企業最重要的是要先定義清楚:AI專案要達到什麼樣的指標,才算是成功?這樣最後做出來的成果,才會真正符合商業目標。
如果今天不是沒有AI數據,而是數據很多,又該從何下手呢?
我建議,嘗試減少訓練AI人工智慧時的「 數據大小 」和「 數據筆數 」。
過去曾經處理過一個AI專案,數據多達2億筆。第一次實驗,把數據全部餵進AI模型,取得結果。第二次,只拿其中有代表性的500萬筆出來訓練人工智慧。
猜猜結果如何?兩次實驗的表現,只差異不到1%。
所以,如果企業對於AI數據的品質和數量有一定程度的自信根據,其實不用把數據全部餵進AI模型訓練(Model Training),只用有代表性的AI數據來訓練就可以了。市面上很多常見的AI工具(Cluster),可以做到這點,幫助省時省力。
AI模型訓練,記得校準商業目標
企業發展AI人工智慧的最終目的,還是希望能 達到商業目標,創造價值 。
所以,訓練AI模型時,團隊如果不知道如何判斷哪個指標,對AI模型學習來說比較重要,建議回歸初心,重新釐清「 這個專案想達到的商業目標是什麼 」。
比方,趨勢科技(Trend Micro)要開發一個能夠判斷電腦病毒的AI,但是勒索病毒(denial-of-access attack)和廣告病毒對客戶的傷害程度大不相同。這時候,工程師就會針對這個命題,餵給AI模型不同病毒種類的數據,讓它學會判斷不同病毒的重要性,分辨出哪些病毒比較嚴重不能有判斷錯誤,而哪些病毒比較無害,不一定要做到一百分。
最常見的訓練方法,是用成本函數(Cost Function)的方式,訓練完再回去調整AI模型的評分(Rating),用加扣分的方式,告訴機器它的學習表現是好是壞,做對就加分,做錯就扣分。
上述評分原則的制定,和企業的商業價值考量息息相關,所以一般在組織分工,會由PM專案團隊負責判斷哪些項目重要,請資料科學家設計在上述Cost Function裡面。
很多人以為,AI人工智慧開發要做到很完美才行,但其實根據我們的經驗,只要AI開發成本符合預算、AI模型表現可接受(大約做到60–70分),而且結果有助於降低成本,就可以算是達到商業目標。反過來,即使AI模型表現非常好(高達90分),但成本卻遠超出預算,就不建議執行。
另外,因為POC階段會做很多的實驗,需要拿兩個穩定且可以互相比較的基準做A/B Test,所以做好基礎建設非常重要。
如果一個團隊裡面有三位工程師,但三個人做出來的結果都無法互相比較,那麼這個實驗就會變得霧裡看花,導致AI專案難以落地。
AI數據小學堂:模型指標(metrics)
在做模型實驗時,通常會用混淆矩陣(Confusion Matrix)的四種指標:TP(True Positive)、TN(True Negative)、FP(False Positive)、FN(False Negative),以及Count、Unique和Accuracy等等函數,來判斷這個模型的表現好不好。
P或TN值,代表模型辨識的答案正確,和預期結果一致。例如:模型正確判斷出「這是一隻貓」、「這不是一隻貓」。而FP或FN值,則代表模型的判斷錯誤,例如「明明是貓,模型卻說不是貓」、「明明不是貓,模型卻說它是貓」。
附圖:AI模型 若水國際
AI模型的POC概念驗證實驗怎麼做?
資料來源:https://www.bnext.com.tw/article/60440/ai-strategy-04?fbclid=IwAR1SOhjjGxypdGgOGfaBIl_a1IsZFJAQZ8J2aeDd98spbUfOdg7hiPQP7UA