PepsiCo, Cheetos tutarlılığını artıran akıllı bir izleme sistemi oluşturmak için yapay zekadan yararlanıyor

Eğitimsiz göz (ve ağız) için, Cheetos Snack bir Cheetos Snack'tir. Ancak ölümcül atıştırmalık sevenler bile, mühendislerin her lokmanın optimum gevreklik, hafiflik ve şekle sahip olmasını sağlamak için ne kadar uzun süre gittiğinin farkında olmayabilir.

Frito-Lay bölümü Cheetos'u ve Tostitos ve Doritos gibi diğer sevilen markaları üreten PepsiCo, israfı azaltırken uygun özelliklerle Cheetos'u tutarlı bir şekilde üretmenin daha verimli bir yolunu istedi.

PepsiCo, bu hedefe ulaşmak için, Cheetos üreten ekipman olan ekstrüderlerini izleyen ve ayarlayan Microsoft Project Bonsai tarafından desteklenen bir AI çözümü geliştirdi.

Karmaşık ekstrüder ideal bir test durumuydu: Mısır ununun suya oranı ve kesme aletinin hızı da dahil olmak üzere çeşitli girdi ve özellikler, ideal Cheetos Snack özelliklerini oluşturmak için etkileşime giriyor.

Project Bonsai çözümü, teknolojinin ürün kalitesini ve tutarlılığını korumak için ekstrüderi bağımsız olarak ayarlama konusunda iyi bir iş çıkardığı bir pilot tesiste kendini kanıtlamıştır.

PepsiCo'da kıdemli bir baş mühendis olan Sean Eichenlaub:

"Süreç kontrollerinin geleceği budur."

"Ürünlerimizin tutarlılığını iyileştirmek için yapay zeka tabanlı otomasyon kullanıyoruz."

PepsiCo, Cheetos özelliklerini sürekli olarak izleyen bir bilgisayar görüntü sistemi oluşturdu.

Yoğunluk ve uzunluk gibi nitelikler hakkındaki veriler, ürünü spesifikasyon dahiline getirmek için ayarlamalar yapan Project Bonsai çözümüne beslenir.

Bu yaklaşım, tutarsızlıkları düzeltmek için gereken süreyi azaltır ve operatörlerin hattın insan uzmanlığı gerektiren kısımlarına odaklanmasına olanak tanır.

PepsiCo'da yardımcı baş mühendis olan Kevin Lin:

"Project Bonsai, teknolojiyi en iyi yaptığı şeyler için ve çalışanlarımızın da en iyi yaptıkları şeyler için kullanmamıza olanak tanıyor."

"İkisi birbirini tamamlıyor ve şimdiye kadar harika sonuçlar gördük."

PepsiCo, çözümü bir üretim tesisinde kullanmaya hazırlanıyor ve çözümü tortilla çip üretim süreci de dahil olmak üzere diğer ürünlerle nasıl kullanacağını araştırıyor.

PepsiCo Küresel Gıdalar Ar-Ge Kıdemli Başkan Yardımcısı Denise Lefebvre:

"İnovasyon, PepsiCo'daki başarımızın önemli bir bileşenidir ve heyecan verici yeni ürünler, teknolojik ilerlemeler ve hatta yeni çalışma yöntemleri sunmamıza yardımcı olur - tüketicilerimize her gün gülümsemeyi sürdürmemizi sağlamak için ne gerekiyorsa yapın."

"En sevdiğimiz milyar dolarlık markalarımızdan biri olan Cheetos, 22 ülkede üretiliyor ve 50'den fazla çeşni ile geliyor."

“Project Bonsai teknolojisi, her Cheetos Snack'in mükemmel olmasını sağlamamıza yardımcı oluyor ve potansiyeli bizi heyecanlandırıyor. Bu sadece başlangıç."

Fabrika katında yenilik

Spesifikasyon dışı bir ürün satılamaz, bu da kaynakların, zamanın ve paranın boşa harcanmasına neden olur. Daha fazla tutarlılık, PepsiCo'nun verimliliği en üst düzeye çıkarırken yüksek kaliteli ürünleri korumasına yardımcı olur.

PepsiCo, şirketin dijital dönüşüm çabalarının bir parçası olarak, birkaç yıl önce yeni nesil yapay zekayı kendi operasyonlarında nasıl uygulayacağını araştırmaya başladı.

Project Bonsai, şirketin uzmanlarına yapay zeka temsilcisini karmaşık bir ortamda başarılı bir şekilde çalışması için eğitme yetkisi verdi.

Projede PepsiCo ve Microsoft ile ortak olan Neal Analytics'in CEO'su Dylan Dias:

"Microsoft Project Bonsai, otonom sistem tasarımı ve uygulaması için güçlü bir yaklaşım sunuyor."

"Proje, fabrika katında yenilik yaratmak için teknoloji, uygulamalı modelleme becerileri ve konu uzmanlığını bir araya getirdi."

Tesiste bir algoritmayı canlı olarak eğitmek kesinlikle imkansızdı — PepsiCo, güvenlik veya üretim programını tehlikeye atan bir yapay zeka çözümünü riske atamazdı. Bu, Project Bonsai çözümünün ilk olarak ekstrüder hattını simüle etmek için dikkatlice hazırlanmış bir ortamda öğrenmesinin bir nedenidir.

Geliştiriciler, çalışanların gerçek hayatta gördükleri koşulları ve tepkileri yeniden oluşturmak için operatörlerle birlikte çalıştı. Simülatör gerçek hatta ne kadar yakınsa, çözümün tesiste çalışabilmesi için ekibin o kadar az ayarlama yapması gerekecektir.

Neal Analytics'te PepsiCo pilot projesinde çalışan teknik proje yöneticisi Jayson Stemmler:

"Konu uzmanları bize sürecin tesiste gerçekte nasıl işlediğine dair bir genel bakış sunuyor."

"Her adımda anlamamıza yardımcı oluyorlar, böylece ekstrüzyon hattını olabildiğince yakından çoğaltmak için bir simülatör oluşturabiliriz."

Geri bildirim öğrenmeyi güçlendirir

Ve bir yapay zeka çözümünün, geleneksel makine öğreniminin yaptığı gibi, yalnızca deneme yanılma yoluyla ne yapılacağını ve yapılmayacağını öğrenmesine izin vermek yerine, pekiştirmeli öğrenme olumlu ve olumsuz geri bildirimler oluşturur. İki yaklaşım arasındaki fark, bisiklete binmeyi öğrenmekle karşılaştırılabilir.

Kendi cihazlarınıza bırakılırsanız, muhtemelen nasıl denge kuracağınızı, pedal çevireceğinizi ve yönlendireceğinizi çözeceksiniz. Ancak, doğru yaptığınız şeyi neşelendirmek ve hatalarınızı belirtmek için biri varsa, daha hızlı öğrenirsiniz - ve daha az derili dizle.

Jayson Stemmler:

"Platform hedeflediğimiz Cheetos niteliklerine ulaştığında, en uygun ödülü alıyor."

"Bu şekilde, pekiştirmeli öğrenme algoritması bir simülasyon içindeyken ne yapılacağını ve ne yapılmayacağını öğreniyor."

Takviyeli öğrenme, çözümün bir simülatörde karşılaşmadığı koşullarda bile nihayetinde önerilerde bulunabileceği anlamına gelir.

Jayson Stemmler:

"Bu çözüm," tek bir şeyde ayarlama yapmanın ve birden çok ayarlama arasındaki etkileşimlerin aşağı yönde etkileri olabileceğini "anlamaya başladı.

"Bu karmaşık ilişkiler, derinlemesine pekiştirmeli öğrenmeyle daha kolay yakalanır, bu nedenle bu çözüm daha sağlamdır ve geleneksel bir modelden daha iyi öğrenebilir."

Bir simülasyonla başlamanın bir başka yararı da, çözümün bir günlük çalışmayı 30 saniyede simüle edebilmesidir.

Algoritma, çok kısa bir süre içinde tanımlanan kalite parametrelerine yol açan farklı ayarlama kombinasyonlarını öğrenir. Çözümü geliştiren ekip, Azure bulutunda aynı anda birden çok simülasyon çalıştırarak süreci daha da hızlandırdı.

Geliştiriciler, uzmanların rehberliğine dayanarak, güvenlik için gerekli kuralları da programladılar. Örneğin çözüm, hızı çok aniden değiştirmek makineye zarar verebileceğinden, bir vidanın mısır ununu kalıp boyunca itme hızı gibi kontrolleri kademeli olarak ayarlar.

Ekip ayrıca, ayarlamaların kombinasyonu makineyi sıkıştığında çözümün bir öneriye göre hareket etmesini önleyen bir kod yazdı.

Bu güvenlik kontrolleri, operatörlerin böyle bir çözümü tasarlamak için kritik olmasının bir başka nedenidir.

Otonom sistem çözümü bol miktarda çalışma materyali emdiğinde ve simülasyon içinde iyi performans gösterdiğinde, bir test tesisinde nasıl olduğunu görme zamanı gelmişti.

AI iş başında

İdeal bir Cheetos Snack yapmak için çözüm ideal olmayan örneklere ve bu durumlarda ne yapılacağını bilmeye ihtiyaç duyuyordu.

Ekstrüder hattı bağımsızdır ve otonom bir sistem çözümünü geliştirmek ve test etmek için çok uygundur. Operatörler bunu manuel olarak çalıştırıyordu, bu da geliştiricilere çözümü diğer yazılımların üzerine inşa etmek yerine sıfırdan oluşturma fırsatı verdi.

AI çözümünün bir öneri modu ve bir kapalı döngü kontrol modu vardır. Her iki modda da, bir bilgisayar görme sistemi Cheetos'un kalitesini sürekli olarak ölçer.

Öneri modunda, AI, ürün spesifikasyonların dışına çıkarsa bir operatörü uyarır, bir gösterge panelinde ideal olmayan özellikleri ve düzeltilmesi için bir öneriyi görüntüler. Operatör, önerilen ayarlardan herhangi birini veya tümünü yapmak için bir düğmeye basabilir.

Kontrol modunda, tek fark, AI çözümünün öneri adımını atlaması ve ekstrüder hattı özelliklerini bağımsız olarak ayarlamasıdır.

Şirket, bu akıllı kontrol sistemini çalıştırmanın ürünü kabul edilebilir niteliklere daha hızlı döndürmesini bekliyor.

Mevcut ekstrüder hattında, operatörler ürün özelliklerini tanımlanmış aralıklarla manuel olarak ölçmektedir. Cheeto'lar spesifikasyon dışıysa, operatör ürünü kabul edilebilir kaliteye döndürmek için yönergelere veya deneyime dayalı ayarlamalar yapar.

Sorun: Seyrek örnekleme, hattın, kimsenin farkına varmadan daha uzun bir süre için spesifikasyon dışı Cheetos üretebileceği anlamına geliyordu.

Project Bonsai çözümü, uzunluk ve yığın yoğunluğu gibi özellikleri denetlemek için sensörler kullanarak ürünü neredeyse sürekli olarak izleyecektir.

Ayrıca Project Bonsai çözümü, çözümün eğitimi sırasında konu uzmanı olarak çalışan şirketin en yetenekli operatörlerinden öğrenildi.

Jayson Stemmler:

"Bu şekilde, beyin en iyi operatörlerin bilgi ve becerilerini kapsayabilir ve ardından bunu diğer tesisler aracılığıyla uygulayabilir."

Bağımsız bir yapay zeka çözümü için çalışmak

Project Bonsai platformu ile PepsiCo, gıda üretimindeki uzmanlığını değişen ortamlara uyum sağlayan bir yapay zeka çözümüne dönüştürüyor.

Nihayetinde PepsiCo, bu yapay zeka çözümünün bağımsız olarak çalışmasına izin vermeyi hedefliyor. Şirket, ürünü izlemesi ve ekstrüder hattını sürekli ve bağımsız olarak ayarlaması için güçlendirerek, Cheetos kalitesini sürekli olarak korumayı ve daha fazla verim üretmeyi umuyor.

Dylan Dias:

"Akıllı aracıyı iyileştirmek ve nihayetinde çözümü dünya çapındaki fabrikalarda ve diğer endüstrilerde geniş ölçekte dağıtmak için ilerlerken, Microsoft ve PepsiCo ile ortaklığımız için heyecan duyuyoruz."

PepsiCo, yapay zeka çözümünü test tesisinin ötesine taşımaya hazırlanırken ve diğer kullanım durumlarını keşfederken ince ayar yapmaya devam edecek.

Sean Eichenlaub:

"Bu ekstrüzyon hattı bizim ilkemizin kanıtıydı."

"Artık Project Bonsai'nin tek bir ürünle neler yapabileceğini gördüğümüze göre, tüm şirket ve ürün hattındaki süreçleri iyileştirmenin yollarını bulmaya hevesliyiz."