極點宏觀｜Financial Cloud Cloud · 挑戰
週末生產力挑戰：Fab SPC 漂移同步入口網站
即時應用程式： Fab SPC Drift Synchronization Portal
公開原始碼： GitHub — src/main.tsx
這是一個為半導體量測工程師打造的 AI 驅動生產力應用程式，使用 Kiro 開發，並以 Amazon S3、Amazon CloudFront、Amazon Route 53、AWS Certificate Manager、AWS WAF、Amazon MSK、AWS Lambda、AWS Glue 與 AWS Lake Formation 在 AWS 上實作。
Fab SPC Drift Synchronization Portal 是一套以 AWS 為基礎的系統，可協助半導體工程師識別設備漂移、檢視佐證資料，並排定最安全的下一步行動優先順序。 包含 CD-SEM、SPC、FDC、APC、批次路徑與良率監控系統在內的製造系統，會將作業事件送往 Amazon MSK，由它提供即時串流骨幹。
AWS Lambda 會處理這些事件，包含：
● 驗證並標準化進入的資料
● 檢查時間戳記與資料品質
● 計算設備健康與漂移特徵
● 執行以 AI 為基礎的風險推論
● 套用確定性的工程規則
● 產生排定優先順序的建議
處理後的資料、AI 結果與稽核證據會儲存在 Amazon S3 資料湖。AWS Glue 會編目資料集並管理結構描述，AWS Lake Formation 則控管敏感製造資訊的存取權限。 工程師會透過 Amazon Route 53 與 Amazon CloudFront 存取 React 入口網站。React 應用程式儲存在私有 Amazon S3 儲存貯體，而 AWS WAF 會保護公開進入點，避免不需要的流量。入口網站會顯示風險分數、原因代碼、佐證資料，以及 Release、Watch、Run SPC、Golden Wafer、Route Limit、APC Guard 或 Hold Review 等建議行動。 此系統定位為建議型且保留人在流程中：它協助工程師更快做出以證據為基礎的決策，但不能直接控制設備、hold lots、變更 routes，或修改 APC settings。[codpayment...epoint.com]
簡易資料流程
Manufacturing Systems
↓
Amazon MSK
↓
AWS Lambda Processing and AI
↓
Amazon S3 Data Lake
↓
AWS Glue + AWS Lake Formation
↓
Lambda API
↓
React Portal on S3 and CloudFront
↓
Engineer Reviews Recommendation願景與應用程式功能
統計製程管制（SPC）在半導體製造中至關重要，但排程式 SPC 結果只是一個快照。CD-SEM 可能通過最後一次管制檢查，接著在生產批次持續流動時開始漂移。電子槍真空退化、發射電流變動、偏轉器不穩、載台震動、污染、匹配狀態變化，或單純的量測老化，都可能在排定檢查之間出現。在這段期間，工程師可能需要開啟多個系統、手動比對時間戳記、計算機群偏差、追溯產品路徑、檢視設備症狀，並決定是否放行、觀察、重新量測、重新派工或暫停。
這種調查同時是製造風險，也是生產力問題。
Fab SPC Drift Synchronization Portal 是一個個人 AI 驅動生產力工作區，能將這類調查壓縮成一個已排序且可解釋的審查體驗。它會把具備生產情境的 SPC 指標與 fault detection and classification（FDC）遙測、量測結果、設備匹配佐證、機群行為與良率監控脈絡同步起來。工程師不必手動重建完整情境，入口網站會提供已排序的風險看板，並讓每個建議背後的佐證資料立即可見。
入口網站回答四個實務問題：
● 哪一台設備最需要優先關注？
● SPC 盲窗期間發生了什麼變化？
● 哪些佐證資料支撐這項風險評估？
● 最安全的下一個工程行動是什麼？
目前的 React 體驗包含六個作業區域：
● Overview 說明控制迴路，並顯示機群層級的生產力指標。
● Live Risk Board 支援搜尋、排序、排名，以及展開個別 CD-SEM 記錄。
● FDC Health-Link 將設備症狀對應到量測影響與潛在良率曝險。
● Dynamic Matching 比較每台設備與機群行為及穩定參考設備。
● Yield Triage 組合用來區分製程變動與量測錯誤所需的佐證資料。
● Runbook 將解決方案轉換成從 proof of concept 到 production operation 的可重複工程 workflow。
對每一台設備，入口網站會評估盲窗時間、設備匹配差距、Mandel slope、機群偏差、殘差雜訊、趨勢行為、layer criticality，以及相關 FDC 訊號。接著它會產生受控建議：
● RELEASE
● WATCH
● RUN SPC
● GOLDEN WAFER
● ROUTE LIMIT
● APC GUARD
● HOLD REVIEW
此應用程式刻意設計為 建議型。AI 可以偵測模式、排序工作、彙整佐證資料，並建議下一步行動，但它不能指揮製造設備或繞過工程師核准。這個 human-in-the-loop 邊界是產品設計的一部分，不是事後補上的限制。
從生產力角度來看，portal 就像專門的 task prioritizer、investigation assistant 與 shift-handoff tool。它減少 context switching，讓每項建議都可重現，並協助工程師把時間花在最高風險 tool，而不是手動尋找下一個問題。
我如何建置
Kiro 開發工作流程
我使用 Kiro 作為 AI-assisted development environment，進行需求分析、架構設計、實作規劃、程式碼產生、重構、測試與 production hardening。
我沒有從孤立的 UI 程式碼開始，而是先向 Kiro 描述工程成果：
縮短在排定 SPC checks 之間識別 CD-SEM drift 所需的時間，同時保留人類對每一項製造行動的決策權。
我將該成果轉換成一份 Kiro specification，包含三個協同 artifacts：
.kiro/specs/fab-spc-drift-portal/
├── requirements.md
├── design.md
└── tasks.md透過 Kiro 建立的需求
Requirements 被寫成可測試的行為：
● 當 normalized tool data 抵達時，application 必須更新受影響 tool 的 risk state。
● 當使用者展開一台 tool 時，application 必須顯示 value、engineering limit、event time、data-quality state 與 reason code。
● 當必要資料 stale、missing、incompatible，或超出 approved model domain 時，application 必須回傳 REVIEW_REQUIRED，而不是推論為安全狀態。
● 每一項建議都必須能從 versioned rule set、model artifact、feature set 與 source-event range 重現。
● 沒有任何 application component 可以在缺少 independently authenticated human approval process 的情況下啟動 equipment command、lot hold、route change 或 APC change。
● 當 AI explanation 無法取得時，user interface 必須透過 deterministic evidence 與 safe fallback message 維持可用。
透過 Kiro 捕捉的設計決策
Kiro 協助將解決方案拆成五個邊界：
● React delivery 與 browser security；
● 使用 Amazon MSK 的 streaming ingestion；
● 使用 AWS Lambda 的 validation、normalization、feature calculation 與 inference；
● Amazon S3 中的 immutable evidence storage；以及
● 使用 AWS Glue 與 AWS Lake Formation 的 governed discovery and access。
這種分離避免 front end 變成 system of record。Browser 只顯示結果；它不持有 Kafka credentials、不能存取 raw manufacturing data、不能計算 authoritative disposition，也不能呼叫 equipment interfaces。
Kiro steering 與自動化檢查
Project steering files 建立了持續性的工程規則：
.kiro/steering/
├── architecture.md
├── aws-security.md
├── react-typescript.md
├── streaming-contracts.md
├── ai-safety.md
└── testing-standards.mdSteering guidance 要求：
● TypeScript strictness 與明確 domain types；
● accessible labels 與 keyboard-operable controls；
● 使用 private Amazon S3 origins，而不是 public website buckets；
● least-privilege AWS Identity and Access Management policies；
● 每個 Amazon MSK event 都要 schema versioning；
● idempotent AWS Lambda processing；
● React code 中不得有 secrets 或 AWS credentials；
● AI failure 要有 deterministic fallbacks；
● 記錄 model 與 rule version；以及
● 對 manufacturing-impacting recommendations 進行明確 human review。
Kiro hooks 將 formatting、linting、unit tests、schema compatibility checks、dependency scanning、infrastructure validation，以及拒絕任何能發出 autonomous equipment command 之 code path 的 safety test 自動化。
React 與 TypeScript 前端
User interface 實作為 React single-page application。提供的 main.tsx 為 tools、actions、FDC mappings、runbook steps、tabs、sort keys 與 risk tones 定義 typed objects。這很重要，因為介面代表的是受控工程狀態，而不是任意字串。
實作依作業責任拆成 components：
● Header 與 Hero 建立目前系統脈絡；
● KPIStrip 彙總工程師工作量；
● LiveRiskBoard 篩選並排序 tools；
● Sparkline、LargeLineChart 與 FleetBars 視覺化 evidence；
● FDCHealth 解釋 equipment-to-metrology relationships；
● DynamicMatching 顯示 fleet comparisons；
● YieldTriage 結構化調查流程；
● Runbook 說明受控 rollout；以及
● Sop 嵌入預期 user procedure。
示範 UI 會更新本機 sample values 以展示互動行為。在 production design 中，這些 fixture updates 會被 Lambda-managed state 產生的 authenticated API responses 取代。Presentation contract 維持穩定：UI 接收 sanitized tool summary、timestamp、risk score、confidence、reason codes、limits、recommendation 與 evidence references。
最重要的實作決策，是分離三個概念：
● Observed facts — 已驗證的來源值與時間戳記；
● Analytical decisions — calculated features、engineering rules 與 AI risk scores；以及
● Presentation — 向人類解釋結果的 React components。
因此，presentation bug 不能改變 authoritative recommendation，AI-generated explanation 也不能覆寫 measured value。
使用的 AWS 服務 / 架構總覽
Production architecture 刻意使用以下 service scope：
● Kiro development
● Amazon S3、Amazon CloudFront、Amazon Route 53、AWS Certificate Manager 與 AWS WAF 用於 React delivery
● Amazon MSK 作為 streaming backbone
● AWS Lambda 用於 data massage、feature engineering、AI inference、APIs 與 event processing
● Amazon S3 data lake、AWS Glue 與 AWS Lake Formation 用於 governed evidence
架構概覽
ENGINEER
|
v
Amazon Route 53
|
v
Amazon CloudFront ---- AWS WAF
| |
| +-- managed rules, rate control, request filtering
v
Private Amazon S3 bucket
React / TypeScript build artifacts
FAB EVENT PRODUCERS
CD-SEM | FDC | SPC | lot route | APC | yield-watch
|
v
Amazon MSK topics
|
v
AWS Lambda normalization and validation
|
+--> Amazon S3 raw evidence zone
|
v
AWS Lambda feature engineering and AI inference
|
+--> Amazon MSK recommendation topic
+--> Amazon S3 curated, feature, model-output, and audit zones
+--> React query API implemented with AWS Lambda
Amazon S3 data lake
|
v
AWS Glue Data Catalog and schema management
|
v
AWS Lake Formation governed access這是一個 deployment-oriented view，顯示 web-delivery boundary、streaming boundary、processing boundary 與 governance boundary。
Amazon S3、CloudFront、Route 53、ACM 與 WAF：React 交付
Production React build 由 CI/CD process 產生，並部署到 private Amazon S3 bucket。該 bucket 不會設定成公開可存取的 S3 website。Amazon S3 Block Public Access 保持啟用，Amazon CloudFront 則使用 Origin Access Control 從 bucket 擷取 objects。
Deployment package 包含 content-hashed assets：
dist/
├── index.html
├── assets/index.<content-hash>.js
├── assets/index.<content-hash>.css
└── approved static assetsContent hashing 讓 JavaScript 與 CSS 可以使用長時間 immutable cache lifetime。index.html 使用較短的 cache lifetime，因為它指向目前 asset versions。Deployment 會先上傳 immutable assets，最後才上傳 index.html，避免 HTML document 參照到尚未可用的 files。
Amazon CloudFront 設定
Amazon CloudFront 提供全球 HTTPS entry point，並執行：
● React assets 的 edge caching；
● compression；
● TLS termination；
● origin protection；
● security response headers；
● exceptional rollback 期間的 controlled invalidation；以及
● 一致的 application domain。
Response-headers policy 包含：
Strict-Transport-Security
Content-Security-Policy
X-Content-Type-Options
Referrer-Policy
Permissions-Policy
frame-ancestors restrictionContent security policy 將 scripts、styles、images、connections 與 framing 限制在明確核准的 sources。Source maps 不會暴露在一般 production distribution；它們會另外保留供受控 debugging 使用。
Route 53 與 AWS Certificate Manager
Amazon Route 53 代管 application 的 DNS record，並將 application hostname alias 到 CloudFront distribution。AWS Certificate Manager 提供並更新 CloudFront 使用的 TLS certificate。DNS validation 讓 certificate renewal 自動化且可稽核。
AWS WAF
AWS WAF 與 CloudFront 關聯。其 web ACL 包含：
● AWS managed common protections；
● known-bad-input protections；
● IP reputation protections；
● rate-based rules；
● unexpected requests 的 size constraints；以及
● 新 blocking rule promoted 之前的 count-mode validation。
React application 是 static，但 WAF 仍然有價值，因為同一個 CloudFront entry point 可以將受控 API paths route 到 Lambda-backed endpoints。WAF metrics 會在收緊 thresholds 前先被監控，避免合法工程師被未測試規則阻擋。
S3 生產控制
Application bucket 使用：
● S3 Block Public Access；
● object versioning；
● default encryption；
● bucket-owner-enforced object ownership；
● access logging 到另一個受保護的 log bucket；
● superseded build artifacts 的 lifecycle rules；以及
● 只允許指定 CloudFront distribution 讀取的 bucket policy。
Release manifest 會記錄 source commit、Kiro specification revision、build checksum、asset list 與 deployment time。Rollback 會變更 index.html，讓它參照前一組 immutable assets。
Amazon MSK：串流骨幹
Amazon Managed Streaming for Apache Kafka 是 durable event backbone。它將高頻率 manufacturing producers 與 normalization、AI processing、evidence storage、web presentation 解耦。
Production topic structure 以 domain 為基礎：
fab.fdc.telemetry.v1
fab.metrology.measurement.v1
fab.spc.result.v1
fab.lot.route.v1
fab.apc.feedback.v1
fab.yield.watch.v1
fab.tool.recommendation.v1
fab.processing.deadletter.v1事件契約
每個 event 都包含共同 envelope：
{
"event_id": "source-generated-or-content-derived-id",
"event_type": "fdc.telemetry",
"schema_version": "1.2.0",
"event_time": "2026-07-12T10:15:32.481Z",
"ingest_time": "2026-07-12T10:15:33.014Z",
"fab_id": "tokenized-fab-reference",
"tool_id": "tokenized-tool-reference",
"lot_id": "tokenized-lot-reference",
"recipe_id": "approved-recipe-reference",
"sequence": 1845531,
"quality": {
"complete": true,
"clock_status": "synchronized"
},
"payload": {}
}event_time 代表實體或製造事件發生的時間。ingest_time 代表平台收到它的時間。這個差異很重要：risk windows 以 event time 為基礎，而 platform latency 則從 ingest time 開始量測。
分割區與排序
Partition keys 依 business ordering requirement 選擇：
● tool telemetry 依 tool_id partition；
● lot lifecycle events 依 lot_id partition；
● recommendations 依 tool_id partition；以及
● cross-fleet analytics 使用 curated feature events，而不是假設 global Kafka order。
Ordering 只在單一 partition 內保證。任何需要多個 topics 的 algorithm，都使用 event-time windows、watermarks 與 late-event handling，而不是假設 arrival order 正確。
結構描述治理
AWS Glue Schema Registry 管理相容的 Avro 或 JSON schemas。Compatibility policy 允許帶有 defaults 的 additive changes，並拒絕 incompatible field reinterpretation。Breaking contract 會建立新的 topic version。Lambda 會記錄 writer schema、reader schema 與 compatibility result，讓 replay 維持可解釋。
可靠性與容量
Partition count 依 peak event rate、average record size、target consumer parallelism、retention 與 expected growth 計算。設計會監控：
● producer error rate；
● broker storage usage；
● bytes in and out；
● under-replicated partitions；
● consumer lag；
● oldest unprocessed event age；以及
● dead-letter volume。
Producers 使用 TLS、authenticated access、符合 durability 的 acknowledgements、帶 jitter 的 retries、compression、bounded local buffering，以及明確 failure path。Multi-Availability Zone replication 可保護 event stream 不受單一 zone failure 影響。Recovery testing 包含重啟 consumers、replaying offsets，並證明 recommendations 不會重複。
AWS Lambda：資料整理、AI 與事件處理
AWS Lambda 在 Amazon MSK 與 governed S3 data lake 之間執行 serverless processing work。設計會將責任拆成小型 functions，而不是建立一個無法測試的 handler。
msk-normalizer
feature-builder
risk-inference
recommendation-publisher
evidence-writer
portal-query-api
feedback-processorMSK 事件處理
Event source mapping 會 poll 已核准的 MSK topics，並以 bounded batches 呼叫 normalizer。Function settings 依 event size 與 latency objective 調校，而不是停留在任意 defaults。Reserved concurrency 會保護 downstream storage，而 failure policy 會避免 poison record 無限期阻塞 partition。
對每個 Kafka record，normalizer 會執行：
● payload decoding；
● writer-schema identification；
● schema validation；
● event-envelope validation；
● unit standardization；
● timestamp and clock-quality checks；
● tokenized identity enrichment；
● duplicate detection；
● data-quality classification；
● raw evidence persistence；以及
● normalized event publication。
Malformed records 會寫入 dead-letter topic，並包含 original topic、partition、offset、schema version、error code 與 encrypted payload reference。它們絕不會被靜默丟棄。
冪等性
Kafka consumers 設計為 at-least-once delivery。因此，每個 side effect 都必須 idempotent。Processing key 由 source identity、partition、offset、schema version 與 canonical event ID 推導。S3 object keys 與 recommendation IDs 都包含這個 identity。Retry 會產生相同結果，而不是第二個 case。
Calculation output 會儲存精確的 contributing topic/partition/offset ranges。這讓 recommendation 可以在 replay 或 audit 之後，從 source evidence 重現。
特徵工程
Feature Lambda 會計算 point-in-time-correct values，例如：
● validated SPC 後經過的時間；
● blind window 期間的 production exposure volume；
● rolling mean 與 standard deviation；
● exponentially weighted movement；
● trend slope 與 step-change indicators；
● residual three-sigma estimate；
● site-to-site range；
● tool-matching gap；
● Mandel slope distance from one；
● robust fleet deviation；
● 距離 approved master anchors 的距離；
● FDC baseline distance；
● missingness 與 lateness indicators；以及
● layer-criticality 與 route-exposure features。
Features 只會使用 decision timestamp 當下可取得的資訊計算。這可避免 production inference 與 offline model evaluation 中的 future-data leakage。
Lambda 中的 AI 推論
為了讓實作保持在已定義的 service scope 內，approved AI model 會封裝成 versioned Lambda layer 或 container-image dependency。Trained artifact 與 metadata 會儲存在 governed S3 model prefix。Cold start 時，function 會載入 approved model version；warm invocations 則重複使用它。
AI output 是 structured，而不是 free-form：
{
"risk_probability": 0.91,
"severity": "HIGH",
"confidence": 0.84,
"model_version": "spc-risk-2026-07-12.3",
"reason_codes": [
"FLEET_DEVIATION_HIGH",
"MANDEL_SLOPE_OUTSIDE_RANGE",
"DEFLECTOR_SIGNAL_UNSTABLE"
],
"domain_status": "IN_DOMAIN"
}Deterministic policy evaluator 會將 model output 與 approved engineering rules 結合。AI 可以提出 early warning，但不能弱化 hard rule，也不能發出 autonomous manufacturing action。
安全決策政策
IF required data is missing, stale, or incompatible
RECOMMEND REVIEW_REQUIRED
ELSE IF a hard engineering limit is breached
AND an independent signal corroborates the breach
RECOMMEND HOLD_REVIEW
ELSE IF the model predicts a near-term breach
AND confidence and domain checks pass
RECOMMEND RUN_SPC or GOLDEN_WAFER
ELSE IF fleet or FDC warning criteria are met
RECOMMEND WATCH
ELSE
RECOMMEND RELEASE可觀測性
每次 Lambda invocation 都會送出 structured logs 與 operational metrics：
RecordsProcessed
ValidationFailureCount
DuplicateCount
LateEventCount
FeatureFreshnessSeconds
InferenceDurationMs
OutOfDomainCount
RecommendationCountByType
DeadLetterCount
EndToEndDecisionLatencyMsLogs 包含 correlation ID、model version、rule-set version、source offsets 與 error classification，但排除不必要的敏感製造值。Alarms 聚焦 user impact：MSK lag 增長、stale recommendations、validation spikes、inference failures 與 dead-letter growth。
S3 資料湖、AWS Glue 與 Lake Formation：受治理的佐證資料
Production AI application 需要的不只是一個 model。它需要可重現 evidence、受控 training data、可探索 definitions、lineage 與 access governance。
Amazon S3 data lake 組織成 zones：
s3://fab-spc-data/raw/
s3://fab-spc-data/validated/
s3://fab-spc-data/curated/
s3://fab-spc-data/features/
s3://fab-spc-data/models/
s3://fab-spc-data/predictions/
s3://fab-spc-data/evidence/
s3://fab-spc-data/feedback/
s3://fab-spc-data/quarantine/原始資料區
Raw zone 以最少轉換保留 source events。Objects 是 immutable、encrypted、versioned，並依 source domain 與 event date partition。Original Kafka metadata 會保留供 replay 與 audit 使用。
已驗證與已策展資料區
Validated zone 包含符合 schema 且帶有 quality flags 的 events。Curated zone 包含標準化的 engineering entities，例如 tool state、metrology observations、matching results、route exposure 與 approved outcomes。Columnar files 與實用 partitioning 可降低 scan cost 並改善 analytic performance。
特徵與模型資料區
Feature zone 儲存 point-in-time-correct training 與 inference features。每個 dataset 都記錄：
● feature definition version；
● source event range；
● generation code version；
● cutoff timestamp；
● quality results；以及
● approved use。
Model zone 儲存 model artifact、preprocessing definition、feature order、evaluation report、threshold configuration、model card、approval state、checksum 與 rollback predecessor。Lambda 只允許載入明確核准的 model prefix。
AWS Glue
AWS Glue 提供 technical catalog 與 schema layer。Glue crawlers 會選擇性使用；具嚴格 contracts 的 production tables 會由明確 definitions 管理，避免 unexpected file 靜默重新定義 critical column。
Data Catalog 記錄：
● database and table definitions；
● file formats and partitions；
● schema versions；
● owners and descriptions；
● data classification；
● quality status；以及
● source-to-curated lineage references。
當 processing 超過合適的 Lambda execution profile 時，AWS Glue jobs 支援較大型的 offline transformations。Glue-generated training datasets 使用與 Lambda inference path 相同的 feature definitions 與 event-time rules，降低 training-serving skew。
AWS Lake Formation
AWS Lake Formation 管理 cataloged S3 data 的存取權限。Permissions 依 role 與 data purpose 授予，而不是 broad bucket access。LF-tags 會分類 fab、tool family、product sensitivity、evidence type 與 approved use 等 domains。
Access boundaries 範例包含：
● front-end delivery roles 不能存取 data lake；
● Lambda normalization 可以寫入 raw 與 validated data，但不能 approve models；
● inference Lambda 只能讀取 approved feature definitions 與 model artifacts；
● engineering analysts 可以 query authorized curated data；
● model-development roles 可以讀取 approved training data，但不能讀取 unrestricted raw identifiers；以及
● auditors 可以讀取 evidence 與 lineage，但不能修改 operational datasets。
Column- and row-level controls 可避免不必要的暴露。Cross-account sharing 使用 governed catalog permissions，而不是複製 uncontrolled datasets。
保留期限與佐證完整性
Lifecycle rules 會依 business 與 regulatory requirements，將 historical evidence 移至較低成本的 S3 storage classes。Quarantine retention 刻意限制。Model、recommendation 與 approval evidence 則會保留到必要稽核期間。
Checksums、object versioning、protected access logs 與 separation of duties 讓 evidence chain 具備 tamper-evident 特性。Recommendation 可以從 UI 追溯到 Lambda output、model version、feature record、curated dataset 與 original MSK offsets。
完整 AI 開發生命週期
AI development 涵蓋的範圍遠超過訓練 algorithm。對這個 application 而言，完整 lifecycle 是圍繞 AWS service scope 實作。
1. 問題定義
Model 預測 tool 是否可能在下一次 scheduled SPC opportunity 之前產生不可接受的量測行為。目標不是「預測每一個 anomaly」。目標是在控制不必要 investigations 的同時，提供足夠 lead time 讓人類進行有用的 review。
2. 標籤定義
Labels 來自 approved engineering outcomes：
● confirmed SPC out-of-control events；
● golden-wafer results；
● confirmed equipment findings；
● matching or linearity failures；
● approved route or hold decisions；
● false-alarm dispositions；以及
● yield backtrace conclusions。
工程師的初始建議不會自動被視為 truth。Final approved disposition 與 investigation outcome 會分開儲存，以避免 self-reinforcing labels。
3. 資料準備
Amazon MSK 捕捉 operational events，Lambda 驗證並對齊它們，S3 儲存 immutable history，AWS Glue 建立可重現 datasets，而 Lake Formation 控制誰可以使用每個 dataset。Training examples 使用 event-time cutoffs，確保它們不包含 prediction point 之後才可取得的資訊。
4. 資料集切分
Random row splitting 會讓重複 tool behavior 洩漏到 train 與 test data。Production process 因此套用 chronological splits，並在適當時依 tool 或 tool family 分組。最後保留一段 untouched time period，用來量測 realistic forward performance。
5. 特徵開發
Features 會記錄 purpose、unit、source、expected range、missing-value behavior、owner 與 leakage risk。Offline datasets 與 Lambda inference 使用相同的 versioned transformations。
6. 模型選擇
第一個 production candidate 偏好 compact、interpretable model，且能在 Lambda 中高效率執行。Candidate models 會與 deterministic baselines 比較。只有在改善 operational metrics，且沒有不可接受的 latency、instability 或 explainability loss 時，才會接受更複雜的 model。
7. 評估
因為真正的 drift events 並不常見，accuracy 不是主要 metric。Evaluation 包含：
● precision and recall；
● precision-recall area；
● false-negative cost；
● recall at available engineer review capacity；
● probability calibration；
● average warning lead time；
● 依 tool family、layer、recipe 與 event-quality state 的 performance；
● out-of-domain detection；以及
● 與 existing deterministic process 的 comparison。
Threshold selection 是由 engineering owners 共同參與的製造決策。它會平衡 missed-drift risk 與 review workload。
8. 可解釋性
Model 會回傳穩定的 reason codes 與 contributing feature values。UI 會將它們與 approved limits 和 source time 並列呈現。Explanation 被限制在 observed evidence；它不會發明 root cause。
9. 偏差與覆蓋率評估
Evaluation 會檢查 model 在 tool families、layers、recipes、maintenance states 與 data-quality conditions 之間是否表現一致。在這種 industrial context 中，unfairness 可能呈現為對較少見 tool 或 process family 的偵測系統性較差。不受支援的 groups 會標記為 out of domain，並導向 human review。
10. 模型核准與版本控管
每個 approved model package 包含：
model artifact
preprocessor artifact
feature specification
training-data snapshot reference
evaluation report
slice metrics
threshold configuration
model card
known limitations
approval record
rollback model
artifact checksums只有 approved S3 model prefix 可以被 inference Lambda 載入。Model promotion 會透過 Lake Formation permissions 與 deployment controls，與 model development 分離。
11. 部署
Candidate 會從 shadow mode 開始。它接收 production features，但不能影響顯示的 recommendation。Predictions 會與 current rule set 及後續 outcomes 比較。Approval 後，少量受控 requests 會使用 candidate，同時 previous model 仍可立即 rollback。
12. 監控
Production monitoring 涵蓋四類：
● service health: Lambda errors、duration、throttles、cold starts、MSK lag；
● data health: missing fields、schema changes、late events、range violations；
● model health: feature drift、score distribution、out-of-domain rate、calibration；
● business health: warning lead time、accepted recommendations、false alarms、prevented exposure 與 engineer review time。
當 labels 之後抵達時，feedback processor 會將 predictions 與 approved outcomes join 起來，並計算 delayed quality metrics。
13. 重新訓練
Retraining 由 approved schedule、足夠的新 labels、feature drift、performance degradation，或有意義的 equipment/process change 觸發。Retraining 絕不會自動 promote model。完整 evaluation 與 approval gate 會再次執行。
14. 負責任 AI 與安全性
Application 套用下列 controls：
● AI 僅供建議。
● 每項 recommendation 都會顯示 uncertainty 與 source freshness。
● Missing 或 stale evidence 會導向 review，而不是 release。
● Hard engineering limits 不能被 model 覆寫。
● Sensitive identifiers 會被最小化並 tokenized。
● Training 與 inference access 透過 Lake Formation 與 IAM 治理。
● Model artifacts、datasets、rules 與 outputs 會 versioned。
● 工程師可以 accept、reject 或 correct recommendations。
● AI failure 會 fallback 到 deterministic rules 與 evidence。
● Autonomous equipment commands 不在 application 的 IAM permissions 與 network path 內。
生產測試與發布策略
Kiro-generated tasks 包含 UI、streams、Lambda processing、data governance 與 AI behavior 的 tests。
React 測試
● component rendering；
● search and sort behavior；
● keyboard navigation；
● accessible names and contrast；
● stale-data and AI-unavailable states；
● threshold-boundary display；以及
● mobile layout behavior。
MSK 與 Lambda 測試
● compatible and incompatible schemas；
● duplicate delivery；
● reordered events；
● late arrivals；
● partial batch failure；
● poison messages；
● replay from earlier offsets；
● large batches；
● downstream timeout；以及
● 證明 retry 不會 duplicate recommendation。
資料湖與治理測試
● S3 public-access denial；
● encryption and versioning；
● partition and schema validation；
● Glue catalog consistency；
● Lake Formation positive and negative authorization tests；
● lineage completeness；以及
● retention-policy validation。
AI 測試
● future-data leakage checks；
● feature parity between training and inference；
● model serialization and cold-start loading；
● boundary and missing-value behavior；
● probability calibration；
● slice evaluation；
● out-of-domain handling；
● reason-code stability；
● safe fallback；以及
● model rollback。
Release pipeline 會將 immutable artifacts 依序 promote 到 development、staging 與 production。Production release 會記錄 Git commit、Kiro spec revision、React manifest、infrastructure revision、schema versions、Lambda versions、rule-set version 與 approved model version。
我學到的事
第一個教訓是，industrial productivity application 應該減少工程師必須重建的決策數量，而不是單純增加另一個 dashboard。有用的輸出，是一個包含 fresh evidence、explicit limits、uncertainty 與最小安全下一步行動的 prioritized case。
第二個教訓是，streaming correctness 就是 operational correctness。如果使用 arrival time 而不是 event time、假設 global ordering、retry 後重複 side effect，或評估 stale evidence，即使公式正確，也可能產生錯誤決策。Amazon MSK 與 idempotent Lambda processing 讓 replay、traceability 與 failure recovery 成為設計的一部分。
第三個教訓是，AI development 從 data contracts 開始，並以受監控的人類 outcomes 結束。Model 本身只是其中一個 artifact。S3 evidence zones、Glue metadata、Lake Formation controls、point-in-time feature construction、approval records、reason codes、feedback、drift monitoring 與 rollback 一樣重要。
第四個教訓來自 Kiro。當 requirements、architecture、security rules 與 tests 約束 generation 時，AI-assisted coding 最有效。Kiro specs 維持了從 productivity problem 到 implementation tasks 的 traceability。Steering 保留 AWS 與 safety conventions。Hooks 則把重複性的品質檢查直接放進 engineering workflow。
最後，我學到 production-ready AI system 必須為 uncertainty 而設計。Portal 絕不把 missing data 視為 healthy data，不把 probability 視為 equipment command，也不隱藏 observed evidence、deterministic rules 與 AI prediction 之間的差異。
結果是一個 AWS-focused productivity tool，協助工程師理解 什麼需要注意、為什麼重要、哪些 evidence 支撐決策，以及下一步該 review 什麼。
應用程式 SOP — 日常 Fab 值班操作與商業價值
只有當 portal 的 risk indicators 引導出一致的工程 routine 時，它才真正創造價值。這份 standard operating procedure 說明 metrology engineers、equipment engineers、process engineers、process-integration engineers 與 yield engineers 如何在一般班別中使用 application。它也讓 challenge reviewer 看見 productivity benefit：application 不只是顯示 charts；它把分散的 evidence 轉成有優先順序、可重複的工作流程。
Safety boundary: Portal 是 advisory decision-support application。Public demonstration 顯示的 limits 是 learning baselines。Production limits 必須依適用的 node、product、layer、customer 與 module 核准。Final release、route-limit、APC、maintenance 與 hold decisions 仍由授權 fab personnel 負責。
預期受眾與各角色價值
Metrology engineer or CD-SEM owner
Metrology owner 使用 portal 在 scheduled SPC checks 之間偵測 drift、評估 tool matching、比較 suspect tool 與 fleet，並判斷是否需要 physical confirmation。Productivity value 是 TMG、Mandel slope、residual noise、blind-window age、fleet deviation 與 recent movement 的單一 evidence view，而不是跨多個無關系統的手動調查。
Equipment engineer
Equipment engineer 從 hardware-health 角度工作：CD-SEM 是否健康到足以繼續量測 production lots、是哪個 FDC signal 導致 measurement credibility 下降，以及需要什麼 containment？FDC Health-Link panel 會將調查導向 gun vacuum、emission current、deflector DAC 或 stage vibration，並將該路徑連接到可觀察的 metrology effect。
Process or process-integration engineer
PE 與 PIE 在變更 lithography 或 etch settings 之前使用 portal。如果 measurement 本身可疑，process correction 可能把製程推向錯誤方向。Portal 提供 route history、metrology credibility indicators、APC-guard status 與 engineering recommendation，用來判斷 process action 是否應等待 verification。
Yield engineer
Yield engineer 使用 portal 將 yield-watch lot 回溯到 measuring CD-SEM、FDC state、last trusted SPC point、fleet comparison 與 APC exposure window。這能加速區分真實 process excursion、metrology false alarm，以及由 suspect feedback 造成的 process movement。
為什麼 SOP 重要
Scheduled SPC result 可能仍是 green，但實體 tool 已在接下來幾小時內發生變化。這段間隔就是 SPC blind window。Portal 透過連結 last trusted qualification point 與 current production exposure、FDC movement、fleet behavior、matching quality 與 yield context，補上 operational gap。
預期的 productivity chain 是：
Scattered tool, lot, SPC, FDC, matching, and yield evidence
↓
One ranked Live Risk Board
↓
One expandable evidence view with reason codes
↓
One controlled recommendation and named owner
↓
Faster verification, containment, passdown, and closure預期的 manufacturing defense 是：
Detect hidden CD-SEM drift
↓
Protect measurement credibility
↓
Prevent suspect data from entering APC decisions
↓
Reduce unnecessary process changes and lot exposure
↓
Improve investigation speed and shift-to-shift continuity操作者必須理解的入口網站概念
● Blind window: last trusted SPC 或 golden-wafer result 與 current production measurement 之間經過的時間。
● TMG: tool-matching gap。示範 baseline 是不超過 target CD 的 10%；approved production percentage 可能更嚴格。
● Mandel slope: multi-CD linearity indicator。示範 learning range 是 0.98–1.02。
● Residual 3σ: fitted trend 移除後的 random uncertainty。上升的 residual 可能比單純 mean offset 更危險，因為量測變得較不可重複。
● Fleet σ: 與 governed fleet baseline 的距離。超過 2σ 是 early warning；在示範邏輯中，超過 3σ 是 hold-review candidate。
● Site-to-site delta: 用來識別 stage、vibration、scan-linearity 或 center-edge artifacts 的 spatial measurement range。
● FDC health link: hardware signal 與 observed metrology effect 之間的關係。
● Action label: 需要 human review 的 advisory next step。
Production 中所有顯示 metrics 都必須包含目前 timestamp 與 quality state。Stale green value 不是健康證據。
輪班開始 SOP — 前十分鐘
● 透過 approved application URL 登入，並確認顯示的 data-freshness timestamp 是最新的。
● 檢視 KPI strip：tools watched、average SPC blind window、fleet out-of-control count、FDC health links、dynamic-limit state 與 yield-watch workload。
● 開啟 LIVE RISK BOARD。
● 依 RISK 排序，並展開每一台 high-risk tool，示範 review threshold 使用 75。
● 閱讀完整 evidence，而不只看顏色：layer、symptom、TMG、slope、fleet σ、residual、blind window、trajectory、reason codes、model version 與 recommendation。
● 依 BLIND WINDOW 排序，找出 last physical confidence point 已過久的 tools。
● 依 FLEET σ 排序，找出即使最新 SPC result 仍為 green、卻已和 peers 分離的 tool。
● 依 RESIDUAL 排序，找出正在形成的 repeatability、vacuum、vibration、charging 或 beam-stability risk。
● 為每一台 high-risk tool 開啟 FDC HEALTH-LINK，並識別最可能的 hardware investigation path。
● 在 shift passdown 中記錄 high-risk tool、affected layer、owner、current containment、exposed-lot window 與 required exit criterion。
Yellow trends 是可行動資訊。SOP 不要求工程師等到 red alarm 或傳統 three-sigma failure 才 review developing risk。
放行關鍵層批次之前
在 Gate、Fin、tight Contact/Via、risk-ramp 或 yield-watch lots 被量測或 release 之前，負責工程師要確認：
● tool 不在 HOLD REVIEW；
● last trusted SPC 或 golden-wafer result 對該 layer 仍夠新；
● TMG 維持在 approved layer-specific budget 內；
● Mandel slope 維持在 approved linearity range 內；
● residual 3σ 維持在 approved repeatability limit 內；
● site-to-site delta 維持在 approved spatial limit 內；
● fleet deviation 不是 hold candidate；
● FDC fingerprint 穩定或有 accepted explanation；
● prediction 在 domain 內，且其必要 inputs 完整；以及
● 沒有 unresolved APC guard 套用到 measurement window。
如果任何條件不確定，recommendation 必須變得更保守。可用 containment 包含 running SPC、running a golden wafer、routing to a master tool、將 suspect tool 限制在 approved non-critical layers、guarding APC feedback，或 calling a hold review。
如何解讀每個入口網站 action
RELEASE
目前 evidence 未顯示對 measurement credibility 有實質 tool-health threat。繼續 approved production use 與 trend monitoring。Release 不會取消正常 qualification requirements，也不代表可以忽略新的 FDC movement。
WATCH
Tool 有 early drift signature，但尚未建立 confirmed failure。Review 前 8–24 小時的 FDC behavior、比較最新 golden-wafer result、檢查 maintenance 與 event logs、提高 monitoring frequency，並在 trend 持續時準備 physical verification。
RUN SPC
Tool 可能沒有嚴重異常，但它的 physical confidence point 對目前 exposure 來說太舊。在更多 critical lots 前執行 approved SPC 或 golden-wafer check。如果必須 constrained operation，只有 authorized owner 可以核准明確受限的使用。
GOLDEN WAFER
Virtual evidence 足夠可疑，需要 physical standard-wafer confirmation。暫停 critical-layer measurement、使用 approved recipe，並將 mean、three-sigma、TMG、slope、residual、site-to-site delta 與 measurement profile 與 governed baseline 比較。Failed result 會升級為 hold review。
ROUTE LIMIT
Tool 可能仍可用於特別核准、敏感度較低的 layers，但不適合 critical work。通知 dispatcher 與 module owner、限制 affected layers、定義 owner，並在回到 full release 前記錄 measurable exit criteria。
APC GUARD
Measurement bias 或 noise 可能污染 feedback。識別 suspect window 期間量測的 lots、通知 APC owner，並決定 affected measurements 是否必須 paused、excluded、reviewed，或在 trusted tool 上 repeated。Portal 不能自行修改 APC。
HOLD REVIEW
Tool 是等待 cross-functional review 前從 critical measurement 移除的強候選。Freeze affected exposure window、檢查 FDC、執行 physical confirmation、檢查 image 或 waveform quality、與 master 和 fleet 比較、判斷 affected lots，並透過 authorized procedures 選擇 release、route limit、maintenance、calibration 或 requalification。
FDC 優先診斷 SOP
當 portal 變更為 WATCH、GOLDEN WAFER、ROUTE LIMIT、APC GUARD 或 HOLD REVIEW 時，使用 FDC Health-Link panel 選擇第一個 diagnostic branch。
Gun-vacuum branch
Typical portal evidence 包含 rising residual 3σ、worsening matching precision、random false alarms、apparent blur 或 reduced peak-to-base ratio。Review chamber-vacuum trends、pump events、pressure spikes、recent venting or recovery、contamination indicators 與 profile stability。Physical confirmation 與 stabilization 優先於 re-baselining。
Emission-current branch
Typical evidence 包含 mean-offset step、center line 同側的 consecutive values、emission ramp，或 biased CD 進入 APC 的疑慮。Review emission current、extraction voltage、probe-current stability、gun age、approved recovery history 與 intervention 後的變化。Guard affected feedback window，直到 credibility 恢復。
Deflector-DAC branch
Typical evidence 包含 Mandel slope 超出 approved range、dense/isolated bias、multi-CD mismatch 或 site-to-site movement。Review deflector stability、scan-linearity calibration、image-shift correction、measurement-box placement、edge-algorithm configuration 與 multi-CD standard-wafer behavior。Critical layers 會維持 restricted，直到 linearity exit criterion 通過。
Stage-vibration branch
Typical evidence 包含 widening residual、increasing site-to-site range、random site instability，或 false center-edge signature。Review stage-vibration sensor、facility events、settling time、positioning logs、interferometer behavior，以及同一 site 的 repeated measurement。Full release 前，repeatability 與 spatial stability 必須恢復。
指標驅動回應 SOP
High blind window
Review last trusted qualification point 之後所有 tool 與 facility events。特別注意 venting、beam restart、aperture work、preventive maintenance、vibration、temperature 與 facility alarms。當超過 approved freshness boundary 時，在 critical work 前執行 physical verification。
TMG 高於 approved limit
將 suspect tool 與 approved master 比較、判斷變化是 simple offset 還是包含 wider residual error、確認 recipe 與 correction-table versions，並執行 multi-site 或 multi-CD standard wafer。Matching 回到 approved rule 內之前，限制 cross-tool dispatch。
Mandel slope 超出 approved range
執行 multi-CD linearity check、檢查 deflector 與 scan calibration evidence、比較 dense 與 isolated features，並 review edge-detection configuration。只在單一 CD 一致、卻跨 CD sizes 失敗的 tool，不得被視為 critical layers 的 matched tool。
Residual 3σ 高於 approved limit
在 standard wafer 上執行 repeatability check、檢查 measurement profiles、review vacuum 與 emission stability、檢查 facility 與 stage vibration，並確認 focus 與 stigmator behavior。如果 noisy measurements 可能已進入 feedback，需 guard APC。
Fleet deviation 高於 approved threshold
依 tool 比較 product-lot means、判斷量測相同 product 與 layer 的 peers 是否仍穩定、以 master 驗證 suspect tool，並 backtrace deviation window 期間量測的 lots。Fleet comparison 專門用來在 traditional SPC failure 之前揭露 hidden inline drift。
Site-to-site delta 高於 approved limit
Review site-level data，而不只看 wafer mean。檢查 stage positioning、vibration、image-shift correction、interferometer evidence 與 multi-site standard-wafer result。在排除 metrology artifact 前，不要做 center-edge process disposition。
HOLD REVIEW 圍堵與復原程序
● 確認 signal。 確認 freshness、quality、risk、TMG、slope、fleet σ、residual、blind window 與 reason codes。
● Freeze additional exposure。 停止未核准的 critical-layer measurement，並識別 last trusted state 後量測的 lots。
● 選擇 FDC path。 Review vacuum、emission/extraction、deflector、vibration，以及適用的 facility 或 thermal evidence。
● 執行 physical confirmation。 使用 approved golden wafer、standard wafer、處理 slope concerns 的 multi-CD wafer，或處理 spatial concerns 的 multi-site wafer。
● Review image and waveform evidence。 在可取得時，檢查 peak-to-base ratio、edge slope、baseline movement、X/Y asymmetry、blur 與 tailing。
● 與 trusted peers 比較。 使用 master tool、governed fleet baseline 與 comparable product distribution。
● 決定 disposition。 透過 authorized review 選擇 release、watch、route limit、APC guard、calibration、preventive maintenance 或 continued hold。
● Document and hand over。 記錄 hypothesis、evidence、affected-lot window、owner、due time、action 與 exit criteria。
回到完整放行的退出標準
Tool 不會只因 alarm cleared 就從 route limit 或 hold review 回到 release。Owner 需要確認：
● approved standard 或 golden wafer 通過；
● TMG 在 approved rule 內；
● Mandel slope 在 approved range 內；
● residual 3σ 與 site-to-site delta 在 limits 內；
● fleet deviation 已回到 approved threshold 以下；
● abnormal FDC signal 已回到 baseline 或 accepted stable state；
● image 或 waveform quality 在適用時已恢復；
● suspect APC feedback 已 dispositioned；
● exposed lots 已由 responsible functions review；以及
● shift records 包含 recovery evidence 與 exit criteria。
良率損失審查佐證包
當 yield engineer、process engineer 或 process-integration engineer 開啟 case 時，portal 應該產生 governed evidence pack，而不是非正式的 screenshots 集合：
case and request identifier
product, layer, recipe, lot and wafer references
tool route and ADI/AEI tool pairing
last trusted SPC or golden-wafer timestamp
blind-window duration and exposed-lot window
TMG and matching history
Mandel slope and multi-CD evidence
residual 3σ and site-to-site delta
fleet deviation and peer distribution
FDC changes relative to baseline
maintenance and equipment-event history
APC feedback status
model and rule-set versions
reason codes and confidence
current containment, owner and due time
review disposition and exit criteriaEvidence pack 支援五個簡潔的 engineering conclusions 之一：
● tool 可信，process cause 較可能；
● tool 異常，metrology false alarm 可能存在；
● tool 異常，APC feedback contamination 可能存在；
● evidence 混合，需要 master-tool remeasurement；或
● evidence 混合，需要 standard-wafer verification。
輪班結束交接 SOP
Passdown 必須描述 measurement credibility，而不只是「tool OK」或「tool NG」。Shift record 包含：
Date and shift:
Engineer:
Tool-health summary:
High-risk CD-SEM tools:
Affected layers and lots:
FDC abnormal signals:
TMG / Mandel slope / residual 3σ / site delta / fleet σ:
Last trusted qualification time:
Current containment:
Golden-wafer or standard-wafer result:
APC guard status:
Maintenance or calibration action:
Owner and next action:
Due time:
Exit criteria for release:這種 structured handoff 是 application 最重要的 productivity benefits 之一。它避免下一班重複同樣搜尋，並保留 alert、evidence、action 與 outcome 之間可稽核的連結。
操作範例 — CDSEM-05
假設 portal 顯示：
Tool: CDSEM-05
Layer: Contact/Via
Action: GOLDEN WAFER
Symptom: Vacuum degradation with rising residual
Blind window: 6.9 hours
TMG: 0.19 nm
Mandel slope: 1.006
Fleet deviation: 2.4 sigma
Residual 3σ: 0.21 nmSlope 仍在示範範圍內，因此 multi-CD linearity 不是最強 signal。Residual 高於 learning baseline，且 tool 正與 peers 分離，同時 vacuum trend 提供合理 hardware path。因為 Contact/Via 可能是 critical，operator 不會盲目 release。
工程師限制 critical use、執行 approved golden wafer、review 前 24 小時 vacuum behavior、檢查 measurement-profile stability、執行 repeatability test，並與 master 比較結果。如果 residual 仍然偏高，owner 會開啟 approved vacuum-recovery、contamination 或 maintenance procedure。PE/PIE 會收到 residual limit 被跨越後量測 lots 的通知，APC owner 則 review 其 feedback 是否必須 excluded。
這個例子清楚顯示 application 的價值：一個 ranked case 會直接導向正確 evidence、responsible roles、containment 與 measurable exit criteria。
應用程式必須防止的 actions
● 不要只因為最後 SPC result 是 green，就在後續 FDC 已變化時 release critical lot。
● 當 residual uncertainty 正在擴大時，不要把 mean-offset correction 視為足夠。
● 在調查 physical cause 之前，不要 re-baseline。
● 不要只因 conventional SPC 尚未 fail，就忽略 emerging fleet outlier。
● 不要在缺少 owner review 的情況下，讓 suspect CD data 影響 APC。
● 不要把單一 standard-wafer site 視為永久穩定；重複 exposure 可能讓 reference aging。
● 沒有 documented exit criteria 時，不要 close hold review。
● 不要允許 AI score 單獨做出 hold 或 release decision。
SOP 成功指標
Production team 量測 portal 是否改善工作，而不只是產生 alerts：
● formal SPC failure 之前偵測到的 drift cases；
● 已 prevent 或 review 的 suspect APC feedback events；
● 透過 route limit 或 APC guard 保護的 lots；
● repeated CD-SEM false alarms 的減少；
● assemble yield-review evidence pack 所需時間的減少；
● high-risk cases 中具完整 evidence 與 named owners 的比例；
● alert-to-standard-wafer confirmation time；
● hold-review-to-disposition time；
● shift-passdown completeness；
● recommendation acceptance、rejection 與 correction rates；以及
● tool recovery 後的 recurrence。
這些 outcomes 會寫入 governed S3 feedback zone。AWS Lambda 會將它們與 original recommendation 對齊，AWS Glue 則建立用於 operational reporting 與 future model evaluation 的 quality dataset。Lake Formation 確保只有 approved roles 可以將該 feedback 用於 model development。
一頁式日常操作摘要
● Start shift 並確認 data freshness。
● 開啟 LIVE RISK BOARD 並依 risk 排序。
● 展開 high-risk tools，檢查 TMG、slope、fleet σ、residual、blind window、trajectory 與 reason codes。
● 依 blind window、fleet deviation 與 residual 排序，找出 hidden exposure。
● 開啟 FDC HEALTH-LINK，並選擇 hardware investigation path。
● 在 critical-lot release 前，確認沒有 hold、matching、linearity、repeatability、spatial、FDC 或 APC concern 仍未解決。
● 如果 evidence 可疑，執行 physical confirmation 或 route 到 approved master。
● 如果 feedback 有風險，通知 APC owner 並 guard affected window。
● 如果 yield-watch lots 已 exposure，產生 governed evidence pack。
● End shift 時記錄 credibility、affected lots、containment、owner、due time 與 exit criteria。
這份 SOP 將 portal 從 visual demonstration 轉成 production-oriented productivity system：它縮短 investigation time、標準化 daily decisions、改善 cross-functional communication、保留 evidence chain，並讓每個 manufacturing action 都維持在人類 authority 之下。