希捷科技已成功在美國的晶圓工廠首次部署深度學習製造計畫，並將此計畫命名為雅典娜計畫（Project Athena），藉由打造務實可行的人工智慧（AI）平台，能更快地處理異常及生產過程的問題，不僅耗費成本低於以往，更可大幅減少製程所需的無塵室投資達20%，並降低生產流程中10%的投注時間。
希捷全球的工廠每年生產超過十億個記錄磁頭（recording transducers)，為了維持最高標準的品質，磁頭皆需經分析及測試。以諾曼戴爾工廠為例，每天產出數百萬張的顯微影像相當於10 TB的資料量，工廠需先篩檢這龐大數量的影像是否有潛在瑕疵，才能將晶片組裝至硬碟上。
由於需分析檢測的磁頭數量龐大，工程師不可能一一檢測，就算雇用更多影像分析專家坐鎮，也無法在短時間內處理完所有一千七百萬張影像。在AI、機器學習、物聯網感測器等技術的快速發展下，希捷的「雅典娜計畫」應運而生。
希捷採用Nvidia V100、P4 GPUs與高效能Nytro X 2U24儲存設備建立神經網絡，作為雅典娜系統中深度學習及AI功能的基礎。將晶圓影像導入深度神經網絡，訓練AI系統分辨「好」晶圓與「壞」晶圓。
隨著時間累積，雅典娜開始有能力偵測出製程中的潛在瑕疵。由於深度神經網絡具備強大的處理能力，雅典娜不僅學習速度更快，精準度亦更勝人類。
最重要的是，雅典娜還能即時接收並分析電子顯微鏡產生的影像。希捷現可處理每天產出的所有三百萬張影像，並能揪出真人工程師可能遺漏的微小瑕疵。透過即時處理的功能，希捷團隊得以及早辨識並修正製程問題。問題越早發現，就能更有效地降低瑕疵品對製程及成本的影響。
雅典娜計畫的誕生與未來幾年全球資料量將大幅飆升的趨勢息息相關。由希捷委託IDC執行的預測調查便顯示，2025年全球資料總量將成長至 175 ZB。如果資料能在更接近來源處先做處理，即時洞察結果的產出便可更靠近終端的使用者，從而大幅減少網絡資源的負荷，並為潛在的應用程式敞開全新大門。在此模式下，資料中心的科技方案（運算與儲存模式）都移往網絡的邊緣節點，以催生出新一代的應用程式。