Οι ευρέως διαθέσιμοι και σχεδόν απεριόριστοι υπολογιστικοί πόροι, σε συνδυασμό με τη διαθεσιμότητα εξελιγμένων αλγορίθμων, ανοίγουν την πόρτα σε προσαρμοστικές δοκιμές. Ωστόσο, η ταχύτητα με την οποία υιοθετείται αυτή η προσέγγιση δοκιμών θα συνεχίσει να ποικίλλει λόγω των επίμονων ανησυχιών σχετικά με την κοινή χρήση δεδομένων και την πιθανότητα κλοπής IP και διαρροής δεδομένων.

Η προσαρμοστική δοκιμή έχει να κάνει με την πραγματοποίηση έγκαιρων αλλαγών σε ένα δοκιμαστικό πρόγραμμα χρησιμοποιώντας δεδομένα δοκιμής και άλλες εισόδους για τη βελτίωση της ποιότητας ή του κόστους κάθε συσκευής υπό δοκιμή (DUT). Στον πυρήνα του βρίσκονται διάφορες μέθοδοι που αλλάζουν τις συνθήκες δοκιμών κατασκευής, το περιεχόμενο δοκιμής ή τα όρια δοκιμών για να αυξήσουν την εξερχόμενη ποιότητα και την αξιοπιστία των συσκευών ημιαγωγών. Η βασική ιδέα είναι να εφαρμοστεί μόνο το σωστό περιεχόμενο δοκιμής στη συσκευή, λαμβάνοντας δεδομένα που δημιουργούνται από τον ελεγκτή, αισθητήρες on-die ή σχετικά δεδομένα από προηγούμενα βήματα για την πρόβλεψη των αναγκών δοκιμών. Μπορούν να προστεθούν δοκιμές για να διασφαλιστεί ότι τα επικίνδυνα εξαρτήματα πληρούν τις απαιτήσεις αξιοπιστίας ή να εξαλειφθούν όταν δεν εντοπιστούν αστοχίες.

«Ο εξωτερικός έλεγχος για έλεγχο αξιοπιστίας, ο οποίος πρωτοεμφανίστηκε τη δεκαετία του 2000 για συσκευές αυτοκινήτου, εξακολουθεί να θεωρείται ο βασικός οδηγός για προσαρμοστικές δοκιμές», δήλωσε ο John Carulli, συνεργάτης στο Κέντρο Ανάπτυξης PostFab της GlobalFoundries. «Η προσαρμοστική δοκιμή σε επίπεδο Wafer είναι η πιο αξιόπιστη και απλούστερη στην ανάπτυξη στο πλαίσιο της μετα-επεξεργασίας. Με το πιο πρόσφατο λογισμικό και συστήματα δεδομένων, υπάρχουν περισσότερες ευκαιρίες για τροφοδοσία δεδομένων για αποφάσεις σε όλες τις εισαγωγές λειτουργίας πλακιδίων και λειτουργικών μονάδων, καθώς και για δοκιμή συστήματος.

Ενώ οι προσαρμοστικές δοκιμές χρησιμοποιούνται σήμερα σε εγκαταστάσεις δοκιμών, αξιοποιώντας αλγόριθμους που βασίζονται στη μηχανική μάθηση και αναλύσεις δεδομένων για τη βελτίωση της ποιότητας της συσκευής, αυτό συμβαίνει σε μεγάλο βαθμό με τρόπο εκτός σύνδεσης.

«Η προσαρμοστική δοκιμή γίνεται γύρω από έναν πληθυσμό δεδομένων», δήλωσε ο Greg Prewitt, διευθυντής της Exensio Solutions στο Λύσεις PDF. «Οι άνθρωποι συνήθως επιστρέφουν στα δεδομένα χαρακτηρισμού και περνούν από μια πληθώρα δεδομένων παραγωγής που έχουν συλλέξει μέχρι σήμερα, και εξετάζουν τις δοκιμές που δεν αποτυγχάνουν ποτέ και χρησιμοποιώντας καλή μηχανική κρίση και λένε: «Είμαι άνετα να κάνω αυτό το τεστ. για αυτήν τη συσκευή.' Τα προγράμματα δοκιμών αναθεωρούνται και απλώς θα παραλείπατε ορισμένες δοκιμές για να επιτύχετε προσαρμοστική μείωση χρόνου δοκιμής (ATTR).»

Τα τεχνικά εμπόδια της εφαρμογής προσαρμοστικών δοκιμών φαίνονται ξεπεράσιμα. Το πραγματικό πρόβλημα είναι η εγγενής πολυπλοκότητα των logistics. «Μεγάλο μέρος της πολυπλοκότητας του προσαρμοστικού τεστ είναι η ενορχήστρωση και η διαχείριση της διαδικασίας παράδοσης δεδομένων στο σωστό μέρος τη σωστή στιγμή», δήλωσε ο Michael Schuldenfrei, συνεργάτης NI στο Emerson Test & Measurement. «Για παράδειγμα, τα δεδομένα δοκιμής από την ταξινόμηση γκοφρέτας μπορούν να αξιοποιηθούν στην τελική δοκιμή για τον εντοπισμό παραμετρικής μετατόπισης σε ένα εύρος παραμέτρων, υποθέτοντας ότι τα εξαρτήματα έχουν ένα ηλεκτρονικό αναγνωριστικό τσιπ (ECID) ή άλλη μέθοδο ιχνηλασιμότητας. Αυτό προϋποθέτει τη διάθεση ιστορικών δεδομένων στο πρόγραμμα δοκιμών σε πραγματικό χρόνο, χωρίς να ληφθούν υπόψη οι χρόνοι δοκιμής."

Ο Schuldenfrei σημείωσε ότι οι πιο δύσκολες προκλήσεις του κλάδου συνδέονται με την εξαιρετικά κατανεμημένη υποδομή του. "Αυτό είναι ιδιαίτερα δύσκολο όταν η ταξινόμηση γκοφρέτας και η τελική δοκιμή πραγματοποιούνται σε διαφορετικές εγκαταστάσεις, που απαιτούν ασφαλή και αξιόπιστη ενορχήστρωση της κίνησης δεδομένων μεταξύ των εγκαταστάσεων."

Το να μοιράζεσαι σημαίνει ότι νοιάζεσαι
Η διάθεση των απαραίτητων δεδομένων όπου και όταν χρειάζονται είναι ένα τεράστιο εμπόδιο σήμερα, και είναι κυρίως αποτέλεσμα του μοντέλου fabless-foundry. «Η ασφάλεια των δεδομένων αποτελεί μεγάλη ανησυχία για τις προσαρμοστικές δοκιμές, ιδιαίτερα σε ροές ομαδοποιημένης κατασκευής και δοκιμών στις οποίες ο ιδιοκτήτης της συσκευής και ο κατασκευαστής συνεργάτης είναι διαφορετικές εταιρείες», δήλωσε ο Ken Butler, διευθυντής στρατηγικής διαχείρισης περιεχομένου στο Advantest Αμερική.  «Όταν τα δεδομένα και οι εφαρμογές πρέπει να μοιράζονται πέρα ​​από τα όρια της εταιρείας, η ασφάλεια αυτών των πληροφοριών είναι πρωταρχικής σημασίας. Η λύση ACS Real-Time Data Infrastructure (RTDI) της Advantest διαθέτει πολυάριθμα χαρακτηριστικά που διασφαλίζουν ότι τα δεδομένα μπορούν να κοινοποιηθούν με ασφάλεια για την επίτευξη προσαρμοστικών ροών δοκιμών και εξαγωγής συμπερασμάτων σε πραγματικό χρόνο χωρίς να εκτίθενται ιδιόκτητα δεδομένα σε μη εξουσιοδοτημένες οντότητες.

Εικ. 1: Η υποδομή δεδομένων για προσαρμοστική δοκιμή σε πραγματικό χρόνο σε οποιαδήποτε δοκιμαστική εισαγωγή προστατεύει τα ανεπτυγμένα δεδομένα δοκιμής, το πρόγραμμα δοκιμής και τα αναλυτικά στοιχεία δεδομένων τρίτων. Πηγή: Advantest

Η ασφαλής κοινή χρήση δεδομένων ξεκινά με σημαντική κρυπτογράφηση. «Χρησιμοποιούμε πολλή κρυπτογράφηση για να μεταφέρουμε πληροφορίες, αλλά η αρχιτεκτονική του ίδιου του συστήματος είναι φυσικά ασφαλής με την έννοια ότι δεν υπάρχει πληκτρολόγιο συνδεδεμένο στην υπολογιστική πλατφόρμα, δεν επιτρέπονται USB sticks και βρίσκεται σε ένα κλειδωμένο κουτί για να αποτρέπεται η πρόσβαση », είπε ο Μπάτλερ. «Και στο τέλος της διαδικασίας δοκιμής, τα πάντα σκουπίζονται έτσι ώστε τα δεδομένα να εξαφανιστούν και να μην υπάρχει δυνατότητα διατήρησης για τους ανθρώπους να ψαρέψουν δεδομένα από το πίσω μέρος».

Ωστόσο, όσον αφορά την κοινή χρήση δεδομένων στη δοκιμή σχεδίασης-κατασκευής ή ακόμα και τη δοκιμή δεδομένων πεδίου, χρειάζεται περισσότερη δουλειά για να τεθούν τα δεδομένα στο πλαίσιο για διάφορους χρήστες. «Η διαθεσιμότητα των δεδομένων εξακολουθεί να είναι πιθανώς ένα βασικό κομμάτι για το οποίο πρέπει να συμφωνήσουμε», δήλωσε ο Eli Roth, διευθυντής προϊόντων έξυπνης κατασκευής στο Τεραντίν. Οι μηχανικοί χρειάζονται το πλαίσιο μιας γκοφρέτας για να επιτυγχάνουν αποτελεσματικά χαμηλότερο κόστος στις δοκιμές. «Συγκεκριμένα, το πλαίσιο των δεδομένων των δοκιμών μερικές φορές δεν έχει νόημα για άτομα ανάντη και κατάντη».

Η ρύθμιση των πρωτοκόλλων κοινής χρήσης δεδομένων είναι ένας βασικός στόχος του Συμβουλευτικού Συμβουλίου Βιομηχανίας Έξυπνης Τεχνητής Νοημοσύνης της SEMI. «Αυτή είναι η πρόκληση που αντιμετωπίζουμε τώρα», είπε ο Roth. «Πώς μπορούμε να κάνουμε αυτά τα δεδομένα όχι μόνο διαθέσιμα, αλλά και με βάση τα συμφραζόμενα;»

Η Teradyne έχει επενδύσει στη δική της πλατφόρμα παράλληλων υπολογιστών, με πρόσφατη έμφαση στην ανατροφοδότηση και την ανατροφοδότηση προς τα εμπρός ή τη ροή δεδομένων αμφίδρομης κατεύθυνσης. «Γνωρίζοντας ότι έρχεται προσαρμοστική δοκιμή σε πραγματικό χρόνο, εστιάζουμε στο να διασφαλίσουμε ότι τα δεδομένα που προέρχονται από έναν ελεγκτή είναι γνήσια, ότι δεν έχουν υποστεί χειραγώγηση από κανέναν και ότι δεν χρειάζεται να εκτελέσετε κάποιο άλλο κομμάτι του λογισμικού στον ελεγκτή για την εξαγωγή των δεδομένων σωστά», είπε ο Roth. «Αν δεν είστε φανταστικοί, οι συσκευές σας λειτουργούν στην ίδια γραμμή διαδικασίας με τον ανταγωνιστή σας, οπότε πού είναι το ανταγωνιστικό σας πλεονέκτημα; Βρίσκεται στα δεδομένα. Έτσι, οι σκέψεις μας είναι να συσκευάσουμε τα δεδομένα σε ένα πρότυπο. Το ίδιο ισχύει για όλους τους δοκιμαστές μας. Τα δεδομένα είναι δομημένα με τον ίδιο τρόπο, μεταφέρονται σε όποια πηγή δεδομένων θέλετε. Στη συνέχεια, μπορείτε να μεταφράσετε αυτά τα δεδομένα σε οποιοδήποτε μοντέλο δεδομένων σας, μέσω ενός προτύπου, το οποίο είναι πιο αποτελεσματικό από το να προσπαθείτε να δημιουργήσετε εγγενώς όλες τις διαφορετικές λύσεις για προσαρμοστική δοκιμή.»

Οι εταιρείες χρησιμοποιούν το υπάρχον πρότυπο A4 TEMS SEMI, μια προδιαγραφή για την ανταλλαγή μηνυμάτων συμβάντων αυτοματοποιημένης δοκιμής εξοπλισμού για ημιαγωγούς, η οποία περιγράφει αυτό το πρωτόκολλο ροής δεδομένων και τη δομή των δεδομένων. [1] Ωστόσο, αυτό το πρότυπο δεν επεκτείνεται στον τρόπο αποθήκευσης ή συσκευασίας των δεδομένων. Χρησιμοποιεί ένα μοντέλο δημοσίευσης-συνδρομής για να δείξει τα διαθέσιμα δεδομένα στα οποία μπορούν να εγγραφούν οι χρήστες.

Καλύτερες εισαγωγές για προσαρμοστική δοκιμή
Οι περισσότεροι ειδικοί του κλάδου συμφωνούν ότι η προσαρμοστική δοκιμή μπορεί και χρησιμοποιείται σε πολλαπλές εισαγωγές δοκιμών. Σε όλες τις περιπτώσεις, όσο πιο γρήγορα εντοπίζονται πιθανές αστοχίες, τόσο καλύτερο είναι για την ποιότητα της συσκευής και την αποτελεσματικότητα της κατασκευής.

«Έχουμε υλοποιήσεις σε ταξινόμηση wafer, τελική δοκιμή, burn-in και δοκιμή σε επίπεδο συστήματος, είπε ο Schuldenfrei της NI. «Στο είδος της γκοφρέτας, η μείωση του χρόνου δοκιμής χρησιμοποιείται συχνά για να αυξηθεί η αποτελεσματικότητα της δοκιμής και να μειωθεί το κόστος, ελαχιστοποιώντας παράλληλα τον κίνδυνο διαφυγής δοκιμής. Η τελική (πακέτο) δοκιμή μοιράζεται επίσης το ίδιο πλεονέκτημα, αλλά υπάρχουν ακόμη πιο επιτακτικοί λόγοι για τη χρήση προσαρμοστικής δοκιμής στην τελική δοκιμή. Σε ταξινόμηση γκοφρέτας, η μετα-επεξεργασία με στατιστικούς αλγόριθμους ή αλγόριθμους βασισμένους σε τεχνητή νοημοσύνη που οι συσκευές επανατοποθέτησης (π.χ. ανίχνευση ακραίων τιμών) μπορεί να εκτελεστούν εκτός σύνδεσης αφού η γκοφρέτα ολοκληρώσει τη δοκιμή. Αυτά τα ενημερωμένα αποτελέσματα binning του αλγορίθμου μπορούν να εφαρμοστούν μέσω του χάρτη πλακιδίων χωρίς μελάνι (ψηφιακό). Αντίθετα, στην τελική δοκιμή, η τελική απόφαση binning για το DUT πρέπει να συμβεί προτού αφαιρεθεί από την πρίζα, καθιστώντας αναγκαία τη λήψη αποφάσεων σε πραγματικό χρόνο.

Οι παλαιότερες εκδόσεις της προσαρμοστικής δοκιμής αφορούσαν τη μείωση του χρόνου δοκιμής. Η προσαρμοστική δοκιμή διευκολύνει τη μείωση του χρόνου δοκιμής, συμπεριλαμβανομένης της λιγότερης δοκιμής καταπόνησης. Ωστόσο, για να σημειωθεί σημαντική πρόοδος από την απλή μείωση του χρόνου δοκιμής έως τη μοντελοποίηση που βασίζεται σε off-line ML και τη μεγάλης κλίμακας βελτιώσεις ποιότητας, το οικοσύστημα και οι πρακτικές κοινής χρήσης δεδομένων πρέπει να αλλάξουν.

Οι περισσότεροι από τους πελάτες μας δεν μιλούν πλέον για DPPM ή ακόμη και για DPPB», δήλωσε ο Schuldenfrei. «Οποιαδήποτε δοκιμαστική απόδραση θεωρείται εξαιρετικά προβληματική. Υπάρχουν πολλές διαδεδομένες εφαρμογές της προσαρμοστικής δοκιμής σήμερα, όπως η προσαρμοστική μείωση χρόνου δοκιμής (ATTR), η προσαρμοστική αύξηση δοκιμής, η προσαρμοστική ανίχνευση ακραίων τιμών και διάφορες παρακείμενες εφαρμογές όπως η ανίχνευση μετατόπισης που βασίζονται στην ακριβή και έγκαιρη ανταλλαγή δεδομένων μεταξύ του προγράμματος δοκιμής και ενός εξωτερική υπηρεσία.”

Το πιο συνηθισμένο παράδειγμα προσαρμοστικής προσαρμογής ορίων δοκιμής είναι μέρος της μέσης δοκιμής (PAT) και δυναμική δοκιμή μέσου όρου (DPAT). Το PAT είναι μια στατιστική διαδικασία που χρονολογείται από τη δεκαετία του 1990 και ενημερώθηκε το 2011 από το Automotive Engineering Council (AEC). [1]  Σε αυτή τη διαδικασία, με βάση τα δεδομένα που συλλέγονται κατά τη διάρκεια της δοκιμής, μπορείτε να προσαρμόσετε (συνήθως να σφίξετε) τα όρια προδιαγραφών για μία ή περισσότερες δοκιμές με βάση τη συμπεριφορά των εξαρτημάτων στην παρτίδα που ελέγχεται.  Αυτή η προσαρμογή γίνεται για την καλύτερη κάλυψη πιθανών ακραίων συσκευών που είναι τεχνικά εντός των προδιαγραφών λειτουργίας αλλά ενδέχεται να διατρέχουν κίνδυνο πρόωρης αποτυχίας στην τελική εφαρμογή.

«Ενώ το PAT και το DPAT έχουν εξυπηρετήσει καλά τη βιομηχανία εδώ και χρόνια, με τις σημερινές προηγμένες υπολογιστικές δυνατότητες και αναλυτικά στοιχεία, υπάρχουν πολύ καλύτεροι τρόποι για τον εντοπισμό συσκευών σε κίνδυνο ενώ ταυτόχρονα μειώνεται το ποσό της απώλειας απόδοσης που σχετίζεται με αυτήν τη μορφή ελέγχου», είπε η Advantest. Μπάτλερ.

Εικ. 2: Τα αποτελέσματα της δοκιμής κατανάλωσης Iddq συσχετίζονται με τη βελτιωμένη ποιότητα έναντι της δοκιμής μέσου όρου δυναμικού εξαρτήματος (παραπάνω). Ο αλγόριθμος που βασίζεται σε ML (παρακάτω) είναι καλύτερος στον εντοπισμό των πραγματικών ακραίων τιμών και των συσκευών απόδοσης. Πηγή: Synopsys

Ένα προηγμένο τσιπ μικτού σήματος ή SoC μπορεί να χρησιμοποιεί οποιονδήποτε αριθμό αισθητήρων ή οθονών στο τσιπ. Είναι κοινή πρακτική η ενσωμάτωση αισθητήρων σε όλο το καλούπι που χρησιμοποιούνται για την αλλαγή της απόδοσης και την παρακολούθηση της υγείας του καλουπιού, όπως ταλαντωτές δακτυλίου, αισθητήρες θερμοκρασίας, αισθητήρες γήρανσης και πολλά άλλα. Η ProteanTecs παρέχει οθόνες εντός τσιπ, που ονομάζονται Agents, εκτός από λογισμικό που βασίζεται σε σύννεφο για τη συσχέτιση δεδομένων οθόνης με αναλυτικά δεδομένα.

«Τα κοινά δεδομένα αισθητήρων και μετρήσεων περιλαμβάνουν το V_{πρακτικά}, ΣΤ_max, Iddq, Idd, ταλαντωτές δακτυλίου διεργασίας, ανιχνευτές πτώσης υπερύθρων, ανιχνευτές jitter, θερμικοί αισθητήρες — οποιεσδήποτε αναλογικές μετρήσεις σε σχέδια αναλογικού/μικτού σήματος/RF», δήλωσε ο Carulli της GF. «Μια τυπική ακραία περίπτωση σε επίπεδο γκοφρέτας μπορεί να είναι με το V_{πρακτικά} χρησιμοποιείται με έναν αλγόριθμο πλησιέστερου γείτονα-υπόλοιπου. Μια τυπική περίπτωση σε επίπεδο ενότητας μπορεί να είναι η χρήση ενός διμεταβλητού μοντέλου για το Iddq έναντι του F_max για τον εντοπισμό ακραίων συμπεριφορών.

«Μια πιο προηγμένη περίπτωση από την Advantest ήταν η χρήση του συστήματος ACS για τη βελτίωση μιας ψηφιακής δοκιμής προ-παραμόρφωσης», είπε ο Carulli. "Οι βασικές είσοδοι φορτώθηκαν στο παρακείμενο σύστημα διακομιστή για μοντελοποίηση και βελτιστοποίηση, και στη συνέχεια οι βελτιστοποιημένες συνθήκες αποστέλλονται πίσω στον ελεγκτή για βελτιωμένα αποτελέσματα."

Ένα άλλο παράδειγμα περιλαμβάνει την προσαρμογή των ορίων δοκιμής για τη βελτίωση της ποιότητας της συσκευής. "Όταν δημιουργείτε μια συσκευή ημιαγωγών, πρόκειται να εκτελέσετε πολλές διαιρέσεις διεργασιών, όπου ο μηχανικός αλλάζει σκόπιμα τη διαδικασία για να εντοπίσει τη χειρότερη και καλύτερη απόδοση αυτής της συσκευής", είπε ο Μπάτλερ. «Θα θέσω τα όριά μου με βάση το πλάτος της διαδικασίας, αλλά η πραγματικότητα είναι ότι η fab θα προσπαθήσει να ελέγξει αυστηρά το υλικό όσο το δυνατόν περισσότερο. Επομένως, πρέπει να συλλέξετε πληροφορίες που σας λένε πόσο να κάνετε πιο αυστηρές αυτές τις προδιαγραφές."

Άλλοι επισημαίνουν παρόμοιες εξελίξεις. «Χρησιμοποιούμε μια παραλλαγή της παραδοσιακής προσέγγισης D-PAT επειδή βασίζεται απλώς στον πληθυσμό των αποτελεσμάτων, ο οποίος δεν παρέχει πραγματική κατανόηση του τι συμβαίνει μέσα στο καλούπι», δήλωσε ο Guy Cortez στο Synopsys. Το ρεύμα κατανάλωσης Idd (βλ. σχήμα 2) έδειξε μια συσχέτιση με την απόδοση και ο αλγόριθμος που προέρχεται από αυτά τα δεδομένα παρέχει ανώτερη αναγνώριση των πραγματικών ακραίων τιμών ενώ δεν θυσιάζει την απόδοση, γνωστή ως υπερβολή.

Συμπέρασμα
Οι πάροχοι ATE δημιουργούν υποδομές για να υποστηρίξουν τη χρήση προσαρμοστικών δοκιμών σε πραγματικό χρόνο, ενσωματώνοντας προηγμένες μεθόδους ανίχνευσης ακραίων τιμών και αυστηροποιώντας τα όρια δοκιμών για τη βελτίωση της ποιότητας της συσκευής. Οι αισθητήρες on-die αποδεικνύουν ότι μπορούν να καταγράψουν τη συμπεριφορά μεμονωμένων καλουπιών και η προηγμένη μοντελοποίηση παρέχεται από αλγόριθμους που βασίζονται σε ML. Αλλά τα logistics γύρω από τις προσαρμοστικές δοκιμές εξαρτώνται από την ανάπτυξη της βιομηχανίας τυπικών μεθόδων κρυπτογράφησης αλλά και επεξεργασίας κρίσιμων δεδομένων, προστατεύοντας παράλληλα την πνευματική ιδιοκτησία τόσο των κατασκευαστών chip όσο και των εταιρειών fabless.

αναφορές

1. https://store-us.semi.org/products/a00400-semi-a4-specification-for-the-automated-test-equipment-tester-event-messaging-for-semiconductors-tems
2. Κατευθυντήρια γραμμή για δοκιμές μέσου όρου μέρους, Συμβούλιο Μηχανικών Αυτοκινήτων, 2011, AEC_Q001_Rev_D.pdf.
3. Heterogeneous Integration Roadmap for Semiconductors, Έκδοση 2023, Ch. 17, Παράρτημα Α, Ανάλυση δεδομένων, https://eps.ieee.org/images/files/HIR_2023/ch17/Ch17-9-A.pdf

Σχετική ανάγνωση
Δοκιμή IC πιο γρήγορα, πιο γρήγορα και καλύτερα
Γιατί τα δοκιμαστικά κύτταρα θα μπορούσαν να γίνουν ο κρίσιμος κόμβος πληροφοριών του fab.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://semiengineering.com/adaptive-test-ramps-for-data-intelligence-era/