Na saída do forno de refusão, a câmera da inspeção óptica fotografa cada placa e marca os pontos suspeitos. Um operador confere um por um e decide se é defeito ou alarme falso. Quando alguém propõe trocar esse processo por um modelo de inteligência artificial, a primeira pergunta útil não é sobre o modelo. É quantas imagens de defeito a empresa guardou, e com que etiqueta.
A inteligência artificial em eletrônicos e semicondutores tem uma particularidade: o setor gera muito dado e pouquíssimos exemplos de falha rotulados. O que muda de um caso de uso a outro é o dado exigido, o custo de errar e a governança que o cliente espera encontrar quando audita o fornecedor.
Este artigo percorre os casos de uso por essa porta: inspeção de placas, teste e rendimento de wafers, projeto de circuitos, previsão de demanda e venda técnica assistida. Faz parte da frente de Consultoria de IA da Trilion, apoiada no hub de agentes de IA e automação de vendas, e se liga à página do segmento, Eletrônicos e semicondutores.
O dado do setor: muito volume, pouco defeito rotulado
Imagens, mapas e testes se acumulam em volume nas plantas, mas defeitos raros e rótulos escassos limitam o que um modelo consegue aprender.
O que as revisões dizem sobre os conjuntos de dados
Uma revisão sistemática publicada em 2026 na Machine Learning and Knowledge Extraction analisou 56 artigos sobre aprendizado profundo na detecção de defeitos em montagens eletrônicas, de 2015 ao primeiro trimestre de 2025. Cerca de 62,5% dos estudos usaram conjuntos de dados que os próprios autores montaram, e 78,6% empregaram modelos que detectam até seis tipos de defeito.
Outra revisão, de 2025, na Results in Engineering, apresenta nove conjuntos públicos de inspeção de superfície de placas e quatorze tipos comuns de defeito. A leitura prática é simples: o conjunto público serve para comparar métodos, mas o dado que decide o resultado em produção é o da própria linha.
Defeito raro e defeito pequeno
As duas revisões convergem nos obstáculos. A segunda cita o desbalanceamento de classes, a complexidade computacional e a detecção de microdefeitos. A primeira acrescenta que a colocação cada vez mais densa de componentes e o encolhimento das peças tornam os defeitos minúsculos mais difíceis de identificar, e que a detecção em tempo real é complicada pela complexidade do modelo e pela cadência da linha.
O desbalanceamento é a regra, e não a exceção. As placas boas superam em muito as defeituosas, e um modelo treinado nesse cenário tende a aprender o que é normal e a errar o que é raro.
De quem é o dado
Em manufatura eletrônica por contrato e em casas de projeto, boa parte do dado descreve o produto de um cliente: imagens de placas montadas, arquivos de projeto, listas de materiais. Usá-lo para treinar um modelo que servirá a outros clientes exige autorização escrita. A pergunta sobre direitos de uso vem antes da pergunta sobre algoritmo, e o contrato de cada cliente é o documento que responde.
Inspeção de placas e montagem: onde a visão computacional entrega e onde erra?
A visão computacional detecta anomalias em imagens de placas, mas a escolha do método e o equilíbrio entre alarme falso e defeito perdido dependem da linha e do cliente.
O que a visão computacional resolve
A visão computacional analisa imagens e sinaliza o que foge do padrão. A revisão de 2025 organiza os métodos em três grupos: processamento de imagem, classificadores de aprendizado de máquina e arquiteturas de aprendizado profundo. Conclui que o aprendizado profundo alcança o melhor desempenho, mas que métodos mais simples seguem úteis quando os recursos são limitados.
A conclusão ajuda a decidir. Nem toda linha precisa de uma rede profunda, e uma regra de imagem bem calibrada pode bastar para um defeito frequente e visível.
Alarme falso e defeito perdido
Os dois erros custam coisas diferentes. O alarme falso gera retrabalho e fila na conferência manual. O defeito perdido chega ao cliente, o que é uma não conformidade, com custo de reclamação e de confiança. A revisão cita métodos híbridos e combinados para reduzir falsos positivos e falsos negativos, o que deixa claro que o ajuste é uma escolha, e não um acaso técnico.
Quem decide o ponto de equilíbrio é a qualidade, com base no critério de aceitação do cliente e no custo de cada erro. O fornecedor do modelo não decide isso sozinho.
Antes de acertar mais que o operador, o modelo precisa errar de um jeito que a empresa saiba explicar.
O resultado precisa chegar ao registro
A inspeção por IA só vale se o veredito alimentar o registro de não conformidade, a rastreabilidade por lote e o retrabalho. Cada versão do modelo deve ter número, data, conjunto de teste e responsável. Se o critério de aceitação do cliente mudar, o modelo precisa ser reavaliado, e o histórico mostra qual versão decidiu cada placa.

Do wafer ao projeto: IA em teste, rendimento e design de circuitos
Na etapa de wafers, a IA classifica padrões de defeito. No projeto, ela acelera tarefas de automação de design. Nos dois casos, o dado e a propriedade intelectual pedem regra.
Mapas de wafer e rendimento
Um estudo de 2023, revisado em 2024 e publicado no arXiv, é uma pesquisa sobre métodos de classificação por aprendizado de máquina para identificar defeitos em wafers na manufatura de semicondutores. O autor propõe uma taxonomia em três níveis, avalia as técnicas por quatro critérios e ordena, por experimento, algoritmos que compartilham as mesmas técnicas.
O interesse prático vai além de quem tem fábrica. Casas de projeto que recebem dados de rendimento, empresas que testam componentes e compradores que acompanham a qualidade de um lote lidam com padrões de falha, e agrupar esses padrões acelera a busca pela causa. O uso começa por apoiar o engenheiro, e não por substituí-lo.
IA no projeto de circuitos
Uma pesquisa sobre aprendizado de máquina para automação de design eletrônico, o EDA, assinada por 16 autores, registra que a complexidade do projeto de circuitos integrados cresce com a miniaturização e que a técnica é aplicada à área desde os anos 1990. O interesse voltou com os avanços recentes e com a complexidade crescente, e a revisão está organizada segundo a hierarquia do fluxo de projeto.
Para uma casa de projeto, isso significa ganho potencial em tarefas repetitivas, com revisão humana. A decisão de projeto continua com o engenheiro, que responde pelo circuito entregue.
Propriedade intelectual primeiro
O código de projeto e os arquivos de fabricação são o ativo mais sensível da empresa e, muitas vezes, do cliente. Antes de qualquer ferramenta de IA, escreva a regra: o que pode ser enviado a serviços externos, o que só roda em ambiente próprio e quem autoriza exceções. Um assistente que lê o projeto precisa ter o mesmo controle de acesso que o engenheiro que o usa.
Como prever a demanda num mercado de ciclos: quando o modelo vence o especialista?
Um estudo comparou previsões de especialistas do mercado de semicondutores com modelos estatísticos. O resultado depende do horizonte, e nenhum modelo venceu em todas as categorias.
O que o estudo encontrou
Dois pesquisadores compararam, em artigo de 2024, as previsões de especialistas da WSTS, organização que divulga dados do mercado de semicondutores, com modelos de aprendizado de máquina e estatísticos. Com horizonte de três meses, os especialistas superaram todos os modelos nas três métricas de erro usadas. O melhor modelo apresentou 33% mais erro quadrático que os especialistas.
Com horizonte de dois meses, que inclui os dados reais do primeiro mês, vários modelos venceram: o erro quadrático foi 36% menor num dos modelos de processo gaussiano, 34% num de suavização exponencial e 32% num modelo sazonal. Uma combinação simples de modelos também superou os especialistas.
O que isso ensina
Há três lições. O horizonte muda o vencedor, e o modelo ganha quando recebe dado mais recente. O estudo avisa que a vantagem do horizonte menor decorre de um mês a mais de dados reais. E os autores recomendam escolher o modelo por categoria e por métrica de erro, em vez de adotar um modelo único.
O estudo trata do mercado como um todo, não de uma empresa. Mostra, porém, o método: comparar modelos entre si e contra o julgamento humano, com horizontes definidos. É o que uma empresa deve fazer com a sua previsão de demanda.
Além do modelo
O artigo observa que a indústria de semicondutores está exposta ao efeito chicote, em que pequenas variações de demanda geram grandes oscilações a montante. Para quem monta placas ou distribui componentes, a previsão só vale quando muda uma decisão: a compra de itens de prazo longo, o estoque de segurança, a reserva de capacidade. O erro de previsão é um meio. O resultado é o atendimento ao cliente com o capital em estoque sob controle.
Venda técnica assistida: IA que responde com o datasheet certo
Um assistente apoiado no acervo técnico da empresa ajuda vendas e engenharia de aplicação a responder dúvidas, desde que cite a fonte e passe por revisão humana.
Quatro usos com retorno claro
O assistente consulta documentos da própria empresa antes de responder, uma técnica conhecida como geração com recuperação de documentos. Quatro usos costumam ter valor claro.
- Triagem de pedidos: ler o pedido, extrair requisitos e compará-los com o portfólio.
- Equivalências: sugerir códigos próximos quando o item pedido não existe ou saiu de linha.
- Respostas com fonte: redigir a resposta citando documento, versão e data.
- Apoio a engenheiros de aplicação: consultar notas, relatórios de ensaio e histórico de um lote.
O artigo sobre IA para vendas B2B descreve usos no funil comercial.
O que o assistente não pode fazer
O assistente não assume compromisso técnico, não inventa limite de operação e não responde sem fonte. O que sai do portfólio padrão vai ao engenheiro de aplicação, e a resposta final é assinada por uma pessoa. Antes de liberar o assistente, monte um conjunto fixo de perguntas reais, com respostas aprovadas pela engenharia, e reaplique-o a cada mudança de acervo ou de modelo.
O acervo é o limite
Fichas em versões conflitantes, PDFs escaneados e códigos sem atributos geram respostas erradas com aparência de certeza. A organização desse material é o mesmo trabalho de catálogo tratado no artigo de design estratégico deste segmento, aplicado agora ao uso interno.
Governança: como uma fabricante de eletrônicos resiste à auditoria do cliente
Governança de IA é o conjunto de regras sobre dados, responsáveis, testes e registro que permite explicar, auditar e corrigir o que o sistema faz.
Um arcabouço de uso voluntário
O NIST, instituto de padrões dos Estados Unidos, descreve o AI Risk Management Framework como um arcabouço de uso voluntário para gerenciar os riscos da IA e construir confiabilidade nos sistemas. Divulgado em 26 de janeiro de 2023, tem quatro funções centrais: governar, mapear, medir e gerenciar. A página informa que a versão 1.0 está em revisão, e vale conferir a edição vigente antes de adotá-lo.
A página só nomeia as funções. As perguntas e os controles do quadro abaixo são leitura editorial e compõem um arcabouço de governança de IA simples para o setor.
| Função | Pergunta que o cliente faz | Controle prático | Exemplo em eletrônicos |
|---|---|---|---|
| Governar | Quem responde por este sistema? | Inventário de sistemas de IA, com dono e finalidade, e política de uso de serviços externos | Lista que inclui o modelo de inspeção e o assistente de cotação |
| Mapear | Para que serve e com que dado foi feito? | Finalidade escrita, origem dos dados e direito de uso | Cláusula que autoriza usar imagens de placas do cliente no treinamento |
| Medir | Como é testado e o que acerta? | Conjunto de teste fixo, taxas de alarme falso e de defeito perdido, registro por versão | Relatório por versão do modelo de inspeção |
| Gerenciar | O que acontece quando erra? | Revisão humana nos casos críticos, plano de falha e reversão para o processo anterior | Retorno à conferência manual quando a taxa de falsos alarmes sobe |
Quem tem as respostas escritas
Um cliente que audita o fornecedor pode perguntar quem responde pelo modelo, com que dados ele foi treinado, como é testado e o que ocorre quando erra. Quem tem essas respostas em documento entra na conversa com vantagem. Quem as improvisa transforma uma ferramenta de produtividade em um risco contratual.
Segurança e dados de terceiros
Os dados de projeto, de fabricação e de rendimento são sensíveis. Controle de acesso, registro de quem consultou o quê, ambientes separados para treinamento e prazo de retenção definido fazem parte do pacote. A regra de compartilhar o mínimo necessário, com rastro, protege a empresa e atende o cliente.
Por onde começar: priorização, método e indicadores
Comece pelo caso de uso em que o dado já existe e o risco de errar é baixo, com critério de saída escrito e revisão humana desde o primeiro dia.
Como priorizar
| Caso de uso | Dado necessário | Risco principal | Primeiro passo |
|---|---|---|---|
| Inspeção de placas | Imagens com o veredito do operador por ponto marcado | Defeito raro, alarme falso e queda de desempenho em produtos novos | Modo sombra: o modelo sugere e o operador decide |
| Classificação de padrões de teste e rendimento | Mapas e resultados de teste com a causa confirmada | Poucos casos por padrão e rótulos inconsistentes | Agrupar padrões e apoiar a análise do engenheiro |
| IA no projeto | Arquivos de projeto e histórico de verificação | Vazamento de propriedade intelectual | Regra de uso e piloto em ambiente próprio |
| Previsão de demanda e de compras | Histórico por código, pedidos em carteira e prazos de entrega | Um único método para padrões diferentes | Comparar modelos entre si e contra o julgamento da equipe |
| Venda técnica assistida | Acervo técnico versionado e histórico de cotações | Resposta sem fonte ou com versão antiga | Assistente interno com citação obrigatória |
Método em 6 etapas
- Inventário: dados, sistemas e processos, com dono, formato e direito de uso.
- Priorização: valor esperado, prontidão do dado e risco de cada caso.
- Piloto em modo sombra: o sistema sugere, a pessoa decide, e as diferenças são registradas.
- Validação: conjunto de teste fixo, taxas de erro por tipo e aprovação da qualidade.
- Integração: ligação ao registro de não conformidade, ao ERP e à rotina de engenharia.
- Operação: monitoramento, revisão periódica, plano de falha e responsável por versão.
Cenário ilustrativo
Considere uma empresa hipotética de manufatura eletrônica por contrato, com duas linhas de montagem em superfície, uma equipe de projeto e um pequeno catálogo de módulos próprios. A diretoria tem três propostas: visão computacional na inspeção, previsão de compras de componentes e um assistente para responder cotações. O cenário é ilustrativo e não relata um projeto real.
O inventário, também hipotético, mostra que o equipamento de inspeção registra cada ponto marcado junto com o veredito do operador, que o histórico de compras tem lacunas por troca de códigos e que as fichas dos módulos existem em três versões. O dado de maior prontidão é o da inspeção, porque cada decisão do operador já funciona como rótulo.
Com esse quadro, a ordem tende a ser a do modo sombra na inspeção, com taxas de erro medidas por versão, depois a limpeza dos códigos de compras e, por último, o assistente, quando as fichas tiverem uma versão única. A decisão da diretoria é sobre sequência e donos de dado, e não sobre qual tecnologia é mais atraente.
Indicadores e erros comuns
- Taxas de alarme falso e de defeito perdido por versão do modelo de inspeção
- Cobertura de dados por caso de uso: o que existe, com dono, formato e direito de uso
- Erro de previsão por categoria e por horizonte, comparado ao julgamento da equipe
- Tempo de resposta a pedidos técnicos com fonte citada
- Sistemas de IA com dono, versão e registro de testes
Entre os erros mais comuns estão começar pelo modelo e não pelo dado, tratar o piloto como produto, usar dado de cliente sem autorização, adotar um único método de previsão e liberar um assistente sem acervo organizado. Os artigos sobre indústria 4.0 e automação industrial tratam da camada que liga máquinas e software.
O que levar para a próxima reunião sobre IA na fábrica e na área comercial
Leve o inventário de dados com direito de uso, a ordem de prioridade dos casos e as regras de governança. Com eles, a diretoria decide sequência e orçamento com critério.
O essencial deste artigo
A IA em eletrônicos e semicondutores depende do dado rotulado e do direito de usá-lo. Inspeção, teste, projeto, previsão e venda técnica têm dados, riscos e primeiros passos diferentes, e a ordem certa é a da prontidão do dado, com modo sombra, revisão humana e registro por versão desde o início.
O próximo passo
A frente de Consultoria de IA da Trilion trata desse trabalho, e a página de mais detalhes do serviço mostra como ele é conduzido. Para o mesmo segmento, o artigo de branding e UX trata da marca e o de tecnologia e RevOps, do funil de projeto e do canal.
Quem opera máquinas e veículos encontra pontos de contato em máquinas e equipamentos industriais e em indústria automotiva. O índice completo está em Indústrias. A página de consultoria de inteligência artificial e o artigo sobre serviços de IA B2B completam a leitura.
A Trilion, agência de São Paulo fundada em 1995, atende empresas de outros estados em reuniões presenciais ou on-line. A proposta é escrita, depois do briefing e do diagnóstico.
Sobre este texto
Este artigo foi preparado para a frente de Consultoria de IA da Trilion. As revisões sobre inspeção de placas foram lidas em registros de periódicos, e o estudo sobre wafers e a pesquisa sobre automação de design, nas páginas do arXiv. O estudo sobre previsão foi lido no arXiv, e o arcabouço de governança, na página do NIST.
O quadro de governança, a tabela de priorização, o método em 6 etapas, as regras de uso e o cenário são leitura editorial e não relatam projeto da Trilion no setor. As fontes foram consultadas em 13/11/2026.
- José Antonio Cantoral-Ceballos, Deep Learning Algorithms for Defect Detection on Electronic Assemblies: A Systematic Literature Review, Machine Learning and Knowledge Extraction, v. 8, 2026 (registro do Tecnológico de Monterrey): https://research.tec.mx/vivo-tec/display/AcademicArticleSCO_105028560734 (consulta em 13/11/2026)
- Zihan He, Yudong Lian, Yulei Wang e Zhiwei Lu, A comprehensive review of research on surface defect detection of PCBs based on machine vision, Results in Engineering, 2025 (registro de biblioteca): https://library.kab.ac.ug/Record/doaj-art-5e864c73a5f947029261b1e1bb5fcdaf/Description (consulta em 13/11/2026)
- Kamal Taha, Observational and Experimental Insights into Machine Learning-Based Defect Classification in Wafers, arXiv:2310.10705: https://arxiv.org/abs/2310.10705 (consulta em 13/11/2026)
- Guyue Huang e outros, Machine Learning for Electronic Design Automation: A Survey, arXiv:2102.03357: https://arxiv.org/abs/2102.03357 (consulta em 13/11/2026)
- Louis Steinmeister e Markus Pauly, Human Vs. Machines: Who Wins In Semiconductor Market Forecasting?, arXiv:2404.09334: https://arxiv.org/abs/2404.09334 (consulta em 13/11/2026)
- NIST, AI Risk Management Framework: https://www.nist.gov/itl/ai-risk-management-framework (consulta em 13/11/2026)
