L'industria globale dei semiconduttori è in rapida espansione. Secondo Deloitte, si prevede che le vendite annuali raggiungeranno i 975 miliardi di dollari nel 2026 e 2 trilioni di dollari entro il 2036.1
Per soddisfare questa domanda, SEMI riporta che le organizzazioni spenderanno oltre 156 miliardi di dollari in apparecchiature per la produzione di semiconduttori nel 2027 per accelerare la costruzione di impianti di fabbricazione di nuova generazione.2 Questi investimenti riguardano i principali cambiamenti tecnologici di oggi: AI, calcolo ad alte prestazioni e settore automobilistico.
Tuttavia, le infrastrutture dati obsolete non sono in grado di gestire questa complessità. I minuti impiegati a identificare le cause principali mettono a rischio la resa, mentre le ore dedicate alla correlazione tra sensori e difetti aumentano i costi.
McKinsey riferisce che la produzione è il principale fattore di costo dell'industria dei semiconduttori. I casi d'uso di AI e ML costituiscono circa il 40% di questo valore.3 Tuttavia, per cogliere questo valore non bastano soluzioni puntuali. Le organizzazioni hanno bisogno di un'infrastruttura dati unificata per consentire il rilevamento in tempo reale, la ricerca semantica e gli agenti AI autonomi.
Il costo nascosto dei dati frammentati
Quando si verifica un'anomalia, gli ingegneri ricostruiscono il contesto proveniente da 5 sistemi diversi. Finiscono per perdere ore a cercare documenti con parole chiave che non corrispondono alla descrizione dello stesso guasto fatta da un'altra persona 3 anni prima. In definitiva, il problema viene risolto grazie all'esperienza e all'intuito.
Questo approccio ha funzionato su scala ridotta. Ma quando ogni ora di fermo non pianificato costa 1 milione di dollari e un singolo wafer avanzato vale 17.000 dollari, non è più possibile attendere l'intervento umano per riconoscere il problema. Con centinaia di strumenti in funzione 24 ore su 24, 7 giorni su 7, migliaia di wafer al giorno e finestre di processo misurate in angstrom, la correlazione manuale non è scalabile.
La sfida principale non è rappresentata da un singolo sistema, bensì dall'integrazione tra di essi. Ogni query che attraversa i confini dei sistemi introduce latency. IBM riferisce che l'82% delle aziende afferma che i silos di dati interrompono i flussi di lavoro critici. Ogni processo di sincronizzazione introduce problemi di deriva. Ogni nuova fonte di dati richiede mesi di lavoro di integrazione. McKinsey ha rilevato che l'80% dei progetti di sviluppo di semiconduttori non rispetta i tempi iniziali a causa di una sottovalutazione della complessità.
Quando le organizzazioni implementano un agente AI per analizzare questi dati, l'agente necessita di accedere simultaneamente in tempo reale a sensori, immagini dei difetti, dati storici e memoria delle conversazioni. Una ricerca di Gartner indica che, sebbene il 61% dei leader stia implementando agenti AI, i silos di dati frammentati compromettono il ROI. Si prevede un'automazione del 15% entro il 2028. Le architetture frammentate non possono soddisfare i requisiti di questi agenti.
Il data layer agentico: una nuova architettura per le smart fab
Gli agenti AI moderni richiedono più di un database. Richiedono un data layer convergente che funga contemporaneamente da memoria, motore di ricerca e attivatore di eventi.
MongoDB Atlas fornisce questa base. In quanto database di documenti e database vettoriale, Atlas supporta i diversi formati di dati richiesti dagli agenti: dati di telemetria strutturati, immagini non strutturate, rappresentazioni semantiche e stato delle conversazioni. Grazie ai change stream per le architetture basate su eventi, gli agenti possono percepire i cambiamenti nei dati e agire senza l'intervento umano, il che rende i sistemi proattivi anziché reattivi.
Figura 1. L'architettura agentica completa.
Cosa rende questa architettura diversa
La maggior parte degli stack di dati nel settore manifatturiero è composta da strumenti progettati per uno scopo specifico. Ciascuno eccelle in un ambito specifico, ma nel loro insieme sono difficili da integrare, proteggere e mantenere allineati.
Consolidando tutti i dati in un'unica piattaforma, gli agenti possono ragionare sul contesto completo in tempo reale. Questo approccio non mira a sostituire i singoli database, bensì a eliminare la complessità di integrazione che rallenta ogni insight.
All'interno dell'architettura
Ripercorriamo l'intero flusso dei dati, da un'anomalia rilevata da un sensore fino all'analisi delle cause principali generata dall'AI.
Livello 1: rilevamento delle deviazioni in tempo reale
Figura 2. Atlas Stream Processing in azione.
La telemetria dei sensori passa attraverso Atlas Stream Processing, il servizio di stream processing completamente gestito da MongoDB. Le aggregation pipeline continue all'interno dei processori di flusso valutano i dati in ingresso rispetto alle soglie in tempo reale. Utilizzando le tumbling windows, il sistema consente il rilevamento di anomalie persistenti, come temperature medie superiori ai limiti per 30 secondi o picchi nel numero di particelle rilevati in più misurazioni.
Quando si verifica una violazione della soglia, il processore di flusso instrada i dati elaborati verso MongoDB Atlas come sink, generando documenti di alert per la trasmissione immediata via WebSocket alle dashboard, e salvando la telemetria elaborata in una collection di time series per l'analisi storica. Le collection di time series forniscono compressione automatica e query efficienti su intervalli temporali, preservando i dati per l'analisi delle tendenze e le indagini degli agenti senza influire sulla latency di rilevamento.
Le ricerche di settore indicano che le fabbriche che utilizzano un feedback AI a circuito chiuso mantengono output più stabili, con densità di difetti che restano entro limiti di controllo rigorosi nonostante le variazioni a monte. I produttori leader hanno dimostrato significative riduzioni della variabilità dei processi grazie al controllo dei processi in tempo reale guidato dall'AI. Il rilevamento in tempo reale è alla base di questi miglioramenti.
Livello 2: ricerca di similarità multimodale
Figura 3. Generazione di embedding multimodali con Voyage-AI.
La ricerca tradizionale per parole chiave non è efficace quando il segnale corrisponde a un modello su una wafer map descritto in modo non uniforme tra team diversi e nel tempo. Ad esempio, i team potrebbero classificare lo stesso evento come guasti ai bordi del die anziché come guasti ai die periferici, oppure come malfunzionamento del refrigeratore rispetto a un problema di raffreddamento.
Questo problema viene risolto tramite embedding multimodali. Utilizzando il modello voyage-multimodal-3 di Voyage AI, il sistema codifica le immagini dei wafer e il relativo contesto testuale in un singolo vettore denso. Il modello fonde "l'aspetto del guasto" con "ciò che stava accadendo nel momento in cui si è verificato".
Ricerche recenti convalidano questo approccio. FabGPT, un grande modello multimodale per la fabbricazione di semiconduttori, ha dimostrato che combinare immagini del microscopio elettronico a scansione (SEM) con il contesto testuale consente sia il rilevamento dei difetti che l'analisi delle cause principali all'interno di un unico framework. Analogamente, SEM-CLIP applica l'apprendimento contrastivo per proiettare le immagini dei difetti dei semiconduttori e le descrizioni in linguaggio naturale in uno spazio di embedding condiviso.
La sfida principale riguarda i modelli di difetto descritti in modo incoerente tra i diversi team e nel tempo. Ad esempio, i guasti ai bordi del die e la perdita dei die periferici spesso rappresentano lo stesso problema alla base. La ricerca tradizionale per parole chiave, in questi casi, non è efficace. MongoDB Atlas utilizza gli embedding vettoriali per acquisire il significato semantico. Questo approccio consente la ricerca di similarità tra le wafer map per identificare veri e propri elementi simili, indipendentemente da come gli ingegneri hanno originariamente descritto il difetto.
Le ricerche sul Content-Based Image Retrieval (CBIR) mostrano che combinare caratteristiche visive estratte da reti neurali convoluzionali (CNN) con la ricerca semantica migliora in modo significativo la classificazione dei modelli di difetto. Questo è fondamentale quando i dati di addestramento sono limitati, un vincolo comune nella produzione di semiconduttori, dove emergono continuamente nuovi tipi di difetti.
L'architettura integrata consente agli ingegneri di passare rapidamente dall'individuazione di un'anomalia, come questo non sembra corretto, fino al recupero dei cinque guasti storici più simili.
Layer 3: l'analisi agentica delle cause principali
L'architettura si distingue per l'impiego di un agente LangGraph ReAct. Questo agente AI consente il ragionamento, la pianificazione di indagini in più fasi e l'esecuzione di azioni autonome.
Figura 4. Agente di analisi delle cause principali con strumenti multipli.
L'agente dispone di quattro strumenti basati su MongoDB:
Il modello ReAct
Il modello Ragionamento, poi azione (Reason, then Act) consente all'agente di pianificare autonomamente la propria indagine:
La cronologia delle conversazioni dell'agente viene conservata in MongoDB. Grazie al sistema di checkpoint di LangGraph per MongoDB, ogni thread di indagine viene archiviato con il contesto completo.
Gli ingegneri possono riprendere le indagini. I revisori possono tracciare il processo che ha portato alle conclusioni. Le domande di follow-up trovano risposta istantaneamente, senza bisogno di effettuare nuove query.
Cosa cambia per i team
La transizione ha un impatto sull'intera organizzazione.
I team operativi passano dal monitoraggio delle dashboard e dalla reazione ai report di fine turno alla risposta agli eventi in tempo reale. Le eccezioni diventano gestibili nel momento stesso in cui si verificano.
Gli ingegneri di processo non devono più cercare tra cinque sistemi diversi con parole chiave che potrebbero non corrispondere. Eseguono la ricerca una sola volta, utilizzando due metodi: la corrispondenza esatta per gli ID noti e la ricerca semantica per tutto il resto.
I team RCA sostituiscono ore di correlazione manuale e conoscenze informali con indagini basate su dati concreti e guidate da agenti, che si concludono in pochi secondi e forniscono un audit trail completo.
I team di dati passano da migrazioni che richiedono più trimestri per l'integrazione di nuove fonti a integrazioni in giornata che diventano immediatamente consultabili.
Next Steps
Guarda il tutorial per implementare questa soluzione. Per saperne di più sul ruolo di MongoDB nel settore manifatturiero, visita la pagina web di MongoDB dedicata al settore manifatturiero e automobilistico.
1 Fonte: Deloitte (febbraio 2026)
2 Fonte: SEMI (dicembre 2025)
3 Fonte: McKinsey (aprile 2021)