Для нетренированного глаза (и для рта) закуска Cheetos - это закуска Cheetos. Но даже заядлые любители закусок могут не осознавать, на что инженеры идут, чтобы каждый кусочек имел оптимальный хруст, легкость и форму.
PepsiCo, чье подразделение Frito-Lay производит Cheetos и другие популярные бренды, такие как Tostitos и Doritos, хотела найти более эффективный способ последовательного производства Cheetos с надлежащими характеристиками при одновременном сокращении отходов.
Для достижения этой цели PepsiCo разработала решение AI на базе Microsoft Project Bonsai, которое контролирует и регулирует свои экструдеры - оборудование, которое производит Cheetos.
Сложный экструдер был идеальным испытанием: несколько входных параметров и спецификаций, включая соотношение кукурузной муки и воды и скорость режущего инструмента, взаимодействуют друг с другом для создания идеальных характеристик Cheetos Snack.
Решение Project Bonsai теперь зарекомендовало себя на экспериментальном заводе, где технология хорошо справляется с независимой настройкой экструдера для поддержания качества и стабильности продукта.
Шон Эйхенлауб, старший главный инженер PepsiCo:
«Это будущее систем управления процессами».
«Мы используем автоматизацию на основе искусственного интеллекта, чтобы улучшить единообразие наших продуктов».
PepsiCo создала систему компьютерного зрения, которая постоянно отслеживает атрибуты Cheetos.
Данные о таких качествах, как плотность и длина, передаются в решение Project Bonsai, которое вносит коррективы, чтобы привести продукт в соответствие со спецификациями.
Такой подход сокращает время, необходимое для исправления несоответствий, и позволяет операторам сосредоточиться на тех частях линии, которые требуют человеческого опыта.
Кевин Лин, младший главный инженер PepsiCo:
«Project Bonsai позволяет нам использовать технологии для того, что у них получается лучше всего, а наших сотрудников - для того, что они делают лучше всего».
«Они дополняют друг друга, и до сих пор мы видели отличные результаты».
PepsiCo готовится использовать раствор на производственном предприятии и изучает, как использовать раствор с другими продуктами, включая процесс производства чипсов тортильи.
Дениз Лефевр, старший вице-президент по исследованиям и разработкам Global Foods в PepsiCo:
«Инновации - ключевой ингредиент нашего успеха в PepsiCo, они помогают нам выпускать захватывающие новые продукты, технологические достижения и даже новые методы работы - все, что нужно для того, чтобы мы продолжали доставлять улыбки нашим потребителям каждый день».
«Cheetos, один из наших самых любимых брендов стоимостью в миллиард долларов, производится в 22 странах и имеет более 50 вкусов».
«Технология Project Bonsai помогает нам гарантировать, что каждая закуска Cheetos идеальна, и мы очень рады ее потенциалу. Это только начало."
Инновации на заводе
Товар, не отвечающий техническим требованиям, не может быть продан, что приводит к потере ресурсов, времени и денег. Повышенная согласованность помогает PepsiCo поддерживать высокое качество продукции при максимальной производительности.
В рамках усилий компании по цифровой трансформации PepsiCo несколько лет назад начала исследовать, как применить ИИ следующего поколения в своей деятельности.
Project Bonsai позволил экспертам компании обучить ИИ-агента успешной работе в сложной среде.
Дилан Диас, генеральный директор Neal Analytics, которая сотрудничала с PepsiCo и Microsoft по проекту:
«Microsoft Project Bonsai предлагает мощный подход к проектированию и внедрению автономных систем».
«Этот проект объединил в себе сочетание технологий, навыков прикладного моделирования и экспертных знаний в предметной области для создания инноваций в производственных цехах».
Тренировать алгоритм в режиме реального времени на заводе было просто невозможно - PepsiCo не могла рисковать решением ИИ, ставящим под угрозу безопасность или производственный график. Это одна из причин, по которой решение Project Bonsai сначала обучается в среде, тщательно созданной для имитации линии экструдера.
Разработчики работали с операторами, чтобы воссоздать условия и реакции, которые рабочие видят в реальной жизни. Чем ближе симулятор находится к реальной линии, тем меньше корректировок потребуется команде, прежде чем решение сможет работать на предприятии.
Джейсон Стеммлер, технический менеджер проекта Neal Analytics, работавший над пилотным проектом PepsiCo:
«Специалисты в данной области дают нам обзор того, как этот процесс на самом деле работает на предприятии».
«Они помогают нам понять это на каждом этапе пути, чтобы мы могли создать симулятор, максимально точно воспроизводящий линию экструзии».
Обратная связь усиливает обучение
И вместо того, чтобы позволить ИИ-решению учиться, а что нельзя делать, методом проб и ошибок, как это делает обычное машинное обучение, обучение с подкреплением создает положительную и отрицательную обратную связь. Разницу между двумя подходами можно сравнить с обучением езде на велосипеде.
Если вы предоставлены самому себе, вы, вероятно, поймете, как балансировать, крутить педали и управлять. Но если кто-то подбодрит вас за то, что вы делаете правильно, и укажет на свои ошибки, вы научитесь быстрее - и с меньшим количеством ободранных колен.
Джейсон Стеммлер:
«Когда платформа достигает тех качеств Cheetos, к которым мы стремимся, она получает оптимальное вознаграждение».
«Таким образом, алгоритм обучения с подкреплением узнает, что делать и чего не делать, пока он все еще находится в симуляции».
Обучение с подкреплением означает, что решение может в конечном итоге давать рекомендации даже в условиях, с которыми оно не сталкивалось в симуляторе.
Джейсон Стеммлер:
«Это решение приходит к пониманию того, что« внесение корректировок в одну вещь и взаимодействие между несколькими корректировками могут иметь последующие эффекты ».
«Эти сложные отношения легче уловить с помощью глубокого обучения с подкреплением, поэтому это решение более надежно и способно учиться лучше, чем традиционная модель».
Еще одно преимущество начала моделирования состоит в том, что решение может моделировать дневной пробег за 30 секунд.
Алгоритм изучает различные комбинации корректировок, которые приводят к определенным параметрам качества за короткое время. Команда, разрабатывающая решение, также выполнила несколько симуляций одновременно в облаке Azure, что еще больше ускорило процесс.
На основании рекомендаций экспертов разработчики также разработали правила, необходимые для обеспечения безопасности. Например, решение постепенно регулирует элементы управления, такие как скорость, с которой винт проталкивает кукурузную муку через матрицу, так как слишком резкое изменение скорости может повредить машину.
Команда также написала код, который не позволяет решению действовать в соответствии с предложением, если комбинация настроек может заблокировать машину.
Эти меры безопасности - еще одна причина, по которой операторы критически важны для разработки такого решения.
После того, как решение автономной системы вобрало в себя много материала исследования и показало хорошие результаты при моделировании, пришло время посмотреть, как это работает на испытательной установке.
ИИ в действии
Чтобы сделать идеальную закуску Cheetos Snack, требовались примеры того, что не идеально, и нужно было знать, что делать в этих случаях.
Линия экструдера является автономной и хорошо подходит для разработки и тестирования автономных системных решений. Операторы запускали его вручную, что давало разработчикам возможность создать решение с нуля, а не поверх другого программного обеспечения.
Решение AI имеет режим рекомендаций и режим управления с обратной связью. В обоих режимах система компьютерного зрения постоянно измеряет качество Cheetos.
В режиме рекомендаций ИИ предупредит оператора, если продукт выходит за рамки спецификации, отображая на приборной панели неидеальные атрибуты, а также рекомендации по их исправлению. Оператор может нажать кнопку, чтобы внести любые или все рекомендуемые регулировки.
В режиме управления единственное отличие состоит в том, что решение AI пропускает этап рекомендации и независимо регулирует характеристики линии экструдера.
Компания ожидает, что использование этой интеллектуальной системы управления быстрее вернет продукт к приемлемым характеристикам.
В текущей линии экструдеров операторы измеряют атрибуты продукта вручную через определенные интервалы. Если Cheetos не соответствует требованиям, оператор вносит корректировки, основываясь на рекомендациях или опыте, чтобы вернуть продукт до приемлемого качества.
Проблема: нечастый отбор проб означал, что линия могла производить не отвечающие техническим требованиям Cheetos в течение более длительного периода времени, и никто этого не осознавал.
Решение Project Bonsai будет контролировать продукт почти непрерывно, используя датчики для наблюдения за такими характеристиками, как длина и насыпная плотность, чтобы узнать, как только продукт выходит за пределы определенного диапазона.
Кроме того, о решении Project Bonsai рассказали самые опытные операторы компании, которые работали в качестве профильных экспертов во время обучения этому решению.
Джейсон Стеммлер:
«Таким образом, мозг может вобрать в себя знания и навыки лучших операторов, а затем применить их с помощью других средств».
Работа над независимым ИИ-решением
С помощью платформы Project Bonsai PepsiCo трансформирует свой опыт в производстве продуктов питания в решение искусственного интеллекта, которое адаптируется к меняющимся условиям.
В конечном итоге PepsiCo стремится позволить этому решению AI работать автономно. Предоставляя ей возможность контролировать продукт и настраивать линию экструдера непрерывно и независимо, компания рассчитывает постоянно поддерживать качество Cheetos и обеспечивать большую производительность.
Дилан Диас:
«Мы очень рады нашему партнерству с Microsoft и PepsiCo, поскольку мы продвигаемся вперед по совершенствованию интеллектуального агента и, в конечном итоге, к масштабному развертыванию решения на заводах и в других отраслях по всему миру».
PepsiCo продолжит доработку решения ИИ, готовясь расширить его за пределы испытательного завода и изучая другие варианты использования.
Шон Эйхенлауб:
«Эта экструзионная линия стала нашим доказательством принципа».
«Теперь, когда мы увидели, что Project Bonsai может сделать с одним продуктом, мы стремимся найти способы улучшить процессы во всей компании и продуктовой линейке».
