Per als ulls (i la boca) no entrenats, un berenar Cheetos és un berenar Cheetos. Però fins i tot els amants dels berenars forts poden no adonar-se de les longituds a què van els enginyers per assegurar-se que cada mos tingui la forma, la lleugeresa i la forma òptimes.
PepsiCo, la divisió de Frito-Lay fa que Cheetos i altres marques estimades com Tostitos i Doritos, volguessin una manera més eficient de fabricar Cheetos de manera consistent amb els atributs adequats i reduir els residus.
Per assolir aquest objectiu, PepsiCo va desenvolupar una solució d’IA impulsada per Microsoft Project Bonsai que supervisa i ajusta els seus extrusors, l’equip que produeix Cheetos.
L’extrusora complexa va ser un cas de prova ideal: diverses entrades i especificacions, inclosa la proporció de farina de blat de moro amb aigua i la velocitat de l’eina de tall, interactuen per crear característiques ideals per a l’aperitiu Cheetos.
La solució Project Bonsai s’ha demostrat ara en una planta pilot, on la tecnologia fa un bon treball d’ajustar independentment l’extrusora per mantenir la qualitat i la consistència del producte.
Sean Eichenlaub, enginyer principal sènior de PepsiCo:
"Aquest és el futur dels controls de procés".
"Estem utilitzant automatismes basats en IA per millorar la consistència dels nostres productes".
PepsiCo va construir un sistema de visió per computador que monitoritza contínuament els atributs de Cheetos.
Les dades sobre qualitats com la densitat i la longitud s’alimenten a la solució Project Bonsai, que fa ajustos per incorporar el producte a les especificacions.
Aquest enfocament redueix el temps que es necessita per corregir inconsistències i permet als operadors centrar-se en parts de la línia que requereixen experiència humana.
Kevin Lin, enginyer principal associat a PepsiCo:
"Project Bonsai ens permet utilitzar la tecnologia per a les coses que fa millor i els nostres empleats per les coses que fan millor".
"Els dos es complementen i fins ara hem vist bons resultats".
PepsiCo es prepara per utilitzar la solució en una planta de producció i està explorant com utilitzar la solució amb altres productes, inclòs el procés de fabricació de xips de truita.
Denise Lefebvre, vicepresidenta sènior de R + D en alimentació global de PepsiCo:
"La innovació és un ingredient clau en el nostre èxit a PepsiCo i ens ajuda a oferir nous productes emocionants, avenços tecnològics i fins i tot noves formes de treballar, tot el que calgui per garantir que continuem aportant somriures als nostres consumidors cada dia".
"Cheetos, una de les nostres marques mil milions de dòlars més estimades, es produeix a 22 països i presenta més de 50 sabors".
“La tecnologia Project Bonsai ens ajuda a garantir que cada berenar Cheetos sigui perfecte i estem encantats del seu potencial. Aquest és només el principi ".
Innovació a la fàbrica
No es pot vendre un producte fora d’especificacions, cosa que comporta una pèrdua de recursos, temps i diners. Una major consistència ajuda a PepsiCo a mantenir productes d’alta qualitat alhora que maximitza el rendiment.
Com a part dels esforços de transformació digital de la companyia, fa uns anys PepsiCo va començar a investigar com aplicar la propera generació d’IA a les seves pròpies operacions.
El projecte Bonsai va autoritzar els experts de la companyia a formar l'agent d'IA per operar amb èxit en un entorn complex.
Dylan Dias, CEO de Neal Analytics, que es va associar amb PepsiCo i Microsoft en el projecte:
"Microsoft Project Bonsai ofereix un enfocament potent per al disseny i implementació de sistemes autònoms".
"El projecte va reunir una barreja de tecnologia, habilitats de modelatge aplicat i experiència en matèria per crear innovació a la fàbrica".
La formació d’un algoritme en directe a la planta era simplement inviable: PepsiCo no podia arriscar-se a una solució d’IA que comprometés la seguretat o el calendari de producció. Aquesta és una de les raons per les quals la solució Project Bonsai aprèn primer en un entorn elaborat amb cura per simular la línia d’extrusora.
Els desenvolupadors van treballar amb els operadors per recrear les condicions i les reaccions que els treballadors veuen a la vida real. Com més a prop el simulador estigui de la línia real, menys ajustos haurà de fer l’equip abans que la solució pugui funcionar a la planta.
Jayson Stemmler, cap de projecte tècnic de Neal Analytics que va treballar en el projecte pilot PepsiCo:
"Els experts en matèria ens donen una visió general de com funciona realment el procés a la planta".
"Ens ajuden a entendre-ho a cada pas del camí per poder construir un simulador que reprodueixi la línia d'extrusió el més a prop possible".
Els comentaris reforcen l’aprenentatge
I en lloc de deixar que una solució d’IA aprengui què s’ha de fer i no fer només mitjançant proves i errors, tal com ho fa l’aprenentatge automàtic convencional, l’aprenentatge de reforç genera feedback retroalimentatiu positiu i negatiu. La diferència entre els dos enfocaments es pot comparar amb aprendre a anar en bicicleta.
Si us deixeu als vostres dispositius, probablement descobrireu com equilibrar, pedalar i dirigir. Però si algú hi és per animar el que està fent bé i assenyalar els seus errors, aprendrà més ràpidament i amb menys genolls amb la pell.
Jayson Stemmler:
"Quan la plataforma aconsegueix les qualitats Cheetos que volem, obtindrà la recompensa òptima".
"D'aquesta manera, l'algorisme d'aprenentatge de reforç aprèn què fer i què no fer mentre encara es troba en una simulació".
L’aprenentatge de reforç significa que la solució pot fer recomanacions, fins i tot, fins i tot en condicions que no es van trobar en un simulador.
Jayson Stemmler:
"Aquesta solució comprèn que" fer un ajustament a una cosa i les interaccions entre diversos ajustaments poden tenir efectes posteriors ".
"Aquestes relacions complexes són capturades més fàcilment per l'aprenentatge de reforç profund, per això aquesta solució és més robusta i capaç d'aprendre millor que un model tradicional".
Un altre avantatge de començar amb una simulació és que la solució pot simular un dia de carrera en 30 segons.
L’algorisme aprèn les diferents combinacions d’ajustaments que condueixen als paràmetres de qualitat definits en una fracció del temps. L’equip que desenvolupa la solució també va realitzar diverses simulacions simultàniament al núvol d’Azure, accelerant encara més el procés.
Basat en l’orientació d’experts, els desenvolupadors també van programar regles necessàries per a la seguretat. Per exemple, la solució ajusta gradualment controls com ara la velocitat que un cargol empeny la farina de blat de moro a través de la matriu, ja que canviar la velocitat de manera brusca podria danyar la màquina.
L'equip també va escriure un codi que impedeix que la solució actuï seguint un suggeriment si la combinació d'ajustos podria encallar la màquina.
Aquests controls de seguretat són una altra de les raons per les quals els operadors són crítics per dissenyar aquesta solució.
Un cop la solució del sistema autònom havia absorbit un munt de material d’estudi i funcionava bé dins de la simulació, era el moment de veure com funcionava en una planta de proves.
IA en acció
Per fer un Cheetos Snack ideal, la solució necessitava exemples d’allò que no era ideal i necessitava saber què fer en aquests casos.
La línia d’extrusora és autònoma i és adequada per desenvolupar i provar una solució de sistema autònom. Els operadors l'havien executat manualment, cosa que va donar als desenvolupadors l'oportunitat de construir la solució des de zero, en lloc de fer-ho a sobre d'altres programes.
La solució AI té un mode de recomanació i un mode de control de bucle tancat. En ambdós modes, un sistema de visió per computador mesura contínuament la qualitat dels Cheetos.
En mode de recomanació, la IA avisarà un operador si el producte surt de les especificacions, mostrant en un tauler d’instruments els atributs que no són ideals, així com una recomanació per corregir-lo. L'operador pot prémer un botó per fer qualsevol o tots els ajustaments recomanats.
En el mode de control, l’única diferència és que la solució d’IA salta el pas de recomanació i ajusta les especificacions de la línia de l’extrusora de forma independent.
L’empresa espera que el funcionament d’aquest sistema de control intel·ligent retornarà el producte a atributs acceptables més ràpidament.
A la línia d’extrusora actual, els operadors mesuren els atributs del producte manualment a intervals definits. Si els Cheetos no s’especifiquen, l’operador fa ajustos basats en pautes o experiència per retornar el producte a una qualitat acceptable.
El problema: un mostreig poc freqüent significava que la línia podria produir Cheetos fora de les especificacions durant un període de temps més llarg sense que ningú se n’adonés.
La solució Project Bonsai supervisarà el producte gairebé contínuament, utilitzant sensors per supervisar característiques com la longitud i la densitat aparent. D’aquesta manera, ho sap tan aviat com el producte s’allunya fora d’un rang definit.
A més, la solució Project Bonsai va aprendre dels operadors més qualificats de la companyia, que van treballar com a experts en la matèria durant la formació de la solució.
Jayson Stemmler:
"D'aquesta manera, el cervell podria encapsular el coneixement i l'habilitat dels millors operadors i després aplicar-ho a través d'altres instal·lacions".
Treballant cap a una solució d’IA independent
Amb la plataforma Project Bonsai, PepsiCo tradueix la seva experiència en fabricació d’aliments en una solució d’IA que s’adapta als entorns canviants.
En última instància, PepsiCo pretén que aquesta solució d’IA funcioni de forma autònoma. En habilitar-lo per controlar el producte i ajustar la línia d’extrusora de forma contínua i independent, l’empresa espera mantenir la qualitat Cheetos de manera constant i produir més rendiment.
Dylan Dias:
"Estem entusiasmats amb la nostra associació amb Microsoft i PepsiCo a mesura que avancem per perfeccionar l'agent intel·ligent i, finalment, desplegar la solució a gran escala a les fàbriques i altres indústries del món".
PepsiCo continuarà afinant la solució d’IA mentre es prepara per estendre-la més enllà de la planta de proves i explorant altres casos d’ús.
Sean Eichenlaub:
"Aquesta línia d'extrusió va ser la nostra prova de principi".
"Ara que hem vist què pot fer Project Bonsai amb un producte, estem ansiosos de trobar maneres de millorar els processos de tota l'empresa i la línia de productes".
