PepsiCo maakt gebruik van AI om een ​​intelligent controlesysteem te creëren dat de consistentie van Cheetos verbetert

Voor het ongetrainde oog (en mond) is een Cheetos Snack een Cheetos Snack. Maar zelfs die-hard snackliefhebbers realiseren zich misschien niet hoeveel moeite ingenieurs doen om ervoor te zorgen dat elke hap de optimale crunch, lichtheid en vorm heeft.

PepsiCo, wiens Frito-Lay-divisie Cheetos en andere geliefde merken zoals Tostitos en Doritos maakt, wilde een efficiëntere manier om Cheetos consequent met de juiste eigenschappen te produceren en tegelijkertijd afval te verminderen.

Om dit doel te bereiken, heeft PepsiCo een AI-oplossing ontwikkeld, mogelijk gemaakt door Microsoft Project Bonsai, die zijn extruders, de apparatuur die Cheeto's produceert, controleert en aanpast.

De complexe extruder was een ideale testcase: verschillende inputs en specificaties, waaronder de verhouding van maïsmeel tot water en de snelheid van het snijgereedschap, werken samen om de ideale Cheetos Snack-kenmerken te creëren.

De Project Bonsai-oplossing heeft zichzelf nu bewezen in een proeffabriek, waar de technologie de extruder goed onafhankelijk aanpast om de productkwaliteit en -consistentie te behouden.

Sean Eichenlaub, senior principal engineer bij PepsiCo:

"Dit is de toekomst voor procesbeheersing."

"We gebruiken op AI gebaseerde automatisering om de consistentie van onze producten te verbeteren."

PepsiCo heeft een computer vision-systeem gebouwd dat voortdurend de attributen van Cheetos controleert.

Gegevens over kwaliteiten zoals dichtheid en lengte worden naar de Project Bonsai-oplossing gevoerd, die aanpassingen maakt om het product binnen de specificaties te brengen.

Deze aanpak vermindert de tijd die nodig is om inconsistenties te corrigeren en stelt operators in staat zich te concentreren op delen van de lijn die menselijke expertise vereisen.

Kevin Lin, Associate Principal Engineer bij PepsiCo:

"Met Project Bonsai kunnen we technologie gebruiken voor de dingen die ze het beste doen en onze medewerkers voor de dingen die ze het beste doen."

"De twee vullen elkaar aan en tot nu toe hebben we geweldige resultaten gezien."

PepsiCo bereidt zich voor om de oplossing in een productiefabriek te gebruiken en onderzoekt hoe de oplossing kan worden gebruikt met andere producten, waaronder het fabricageproces van tortillachips.

Denise Lefebvre, Senior Vice President Global Foods R&D bij PepsiCo:

"Innovatie is een belangrijk ingrediënt in ons succes bij PepsiCo en helpt ons om opwindende nieuwe producten, technologische vooruitgang en zelfs nieuwe manieren van werken te leveren - alles wat nodig is om ervoor te zorgen dat we onze consumenten elke dag een glimlach blijven toveren."

"Cheetos, een van onze meest geliefde merken van miljarden dollars, wordt geproduceerd in 22 landen en is verkrijgbaar in meer dan 50 smaken."

“De Project Bonsai-technologie helpt ons ervoor te zorgen dat elke Cheetos Snack perfect is, en we zijn enthousiast over het potentieel ervan. Dit is slechts het begin."

Innovatie op de werkvloer

Een product dat niet aan de specificaties voldoet, kan niet worden verkocht, wat leidt tot verspilling van middelen, tijd en geld. Een grotere consistentie helpt PepsiCo om producten van hoge kwaliteit te behouden en tegelijkertijd de doorvoer te maximaliseren.

Als onderdeel van de inspanningen van het bedrijf voor digitale transformatie, begon PepsiCo een paar jaar geleden te onderzoeken hoe de volgende generatie AI in zijn eigen activiteiten kon worden toegepast.

Project Bonsai stelde de experts van het bedrijf in staat om de AI-agent op te leiden om succesvol te opereren in een complexe omgeving.

Dylan Dias, CEO van Neal Analytics, die samenwerkte met PepsiCo en Microsoft aan het project:

"Microsoft Project Bonsai biedt een krachtige benadering van autonoom systeemontwerp en -implementatie."

"Het project bracht een mix van technologie, toegepaste modelleervaardigheden en vakkennis samen om innovatie op de werkvloer te creëren."

Het live in de fabriek trainen van een algoritme was simpelweg niet haalbaar - PepsiCo kon geen risico lopen op een AI-oplossing die de veiligheid of het productieschema in gevaar zou brengen. Dat is een van de redenen waarom de Project Bonsai-oplossing eerst leert in een omgeving die zorgvuldig is ontworpen om de extruderlijn te simuleren.

Ontwikkelaars werkten samen met operators om de omstandigheden en reacties van werknemers in het echte leven opnieuw te creëren. Hoe dichter de simulator bij de daadwerkelijke lijn is, hoe minder aanpassingen het team nodig heeft voordat de oplossing in de fabriek kan werken.

Jayson Stemmler, een technisch projectmanager bij Neal Analytics die aan het PepsiCo-pilootproject werkte:

"Vakdeskundigen geven ons een overzicht van hoe het proces werkelijk in de fabriek werkt."

"Ze helpen ons het bij elke stap te begrijpen, zodat we een simulator kunnen bouwen om de extrusielijn zo goed mogelijk na te bootsen."

Feedback versterkt het leren

En in plaats van een AI-oplossing te laten leren wat ze moet doen en niet alleen met vallen en opstaan, zoals conventioneel machine learning doet, bouwt reinforcement learning positieve en negatieve feedback op. Het verschil tussen de twee benaderingen is te vergelijken met leren fietsen.

Als je aan je lot wordt overgelaten, zul je waarschijnlijk uitzoeken hoe je moet balanceren, trappen en sturen. Maar als er iemand is om aan te moedigen wat je goed doet en je op je fouten te wijzen, zul je sneller leren - en met minder gevilde knieën.

Jayson Stemmler:

"Wanneer het platform de Cheetos-kwaliteiten bereikt die we nastreven, krijgt het de optimale beloning."

"Op deze manier leert het algoritme voor het leren van versterking wat te doen en wat niet te doen terwijl het nog in een simulatie zit."

Reinforcement learning betekent dat de oplossing uiteindelijk aanbevelingen kan doen, zelfs in omstandigheden die deze niet in een simulator tegenkwam.

Jayson Stemmler:

"Deze oplossing gaat begrijpen dat" een aanpassing aan één ding, en interacties tussen meerdere aanpassingen, stroomafwaartse effecten kunnen hebben. "

"Deze complexe relaties worden gemakkelijker vastgelegd door diepgaand leren, en daarom is deze oplossing robuuster en beter in staat om te leren dan een traditioneel model."

Een ander voordeel van het starten met een simulatie is dat de oplossing in 30 seconden een run van een dag kan simuleren.

Het algoritme leert de verschillende combinaties van aanpassingen die leiden tot de gedefinieerde kwaliteitsparameters in een fractie van de tijd. Het team dat de oplossing ontwikkelde, voerde ook meerdere simulaties tegelijk uit in de Azure-cloud, waardoor het proces verder werd versneld.

Op basis van begeleiding van experts hebben ontwikkelaars ook regels geprogrammeerd die nodig zijn voor de veiligheid. De oplossing past bijvoorbeeld stapsgewijs de controles aan, zoals de snelheid waarmee een schroef maïsmeel door de matrijs duwt, omdat het te abrupt veranderen van de snelheid de machine kan beschadigen.

Het team schreef ook code die voorkomt dat de oplossing op een suggestie reageert als de combinatie van aanpassingen de machine zou kunnen blokkeren.

Deze veiligheidscontroles zijn nog een reden waarom operators cruciaal zijn bij het ontwerpen van een dergelijke oplossing.

Nadat de autonome systeemoplossing veel studiemateriaal had opgenomen en goed presteerde binnen de simulatie, werd het tijd om te kijken hoe het presteerde in een proefinstallatie.

AI in actie

Om een ​​ideale Cheetos-snack te maken, had de oplossing voorbeelden nodig van wat niet ideaal was - en moest hij weten wat hij in die gevallen moest doen.

De extruderlijn is op zichzelf staand en zeer geschikt voor het ontwikkelen en testen van een autonome systeemoplossing. Operators hadden het handmatig uitgevoerd, waardoor ontwikkelaars de oplossing vanaf nul konden bouwen, in plaats van bovenop andere software.

De AI-oplossing heeft een aanbevelingsmodus en een gesloten regelmodus. In beide modi meet een computer vision-systeem continu de kwaliteit van de Cheetos.

In de aanbevelingsmodus waarschuwt de AI een operator als het product afwijkt van de specificaties, waarbij de attributen die niet ideaal zijn op een instrumentenpaneel worden weergegeven, evenals een aanbeveling om dit te corrigeren. De operator kan op een knop drukken om enkele of alle aanbevolen aanpassingen te maken.

In de besturingsmodus is het enige verschil dat de AI-oplossing de aanbevelingsstap overslaat en de specificaties van de extruderlijn onafhankelijk aanpast.

Het bedrijf verwacht dat het gebruik van dit intelligente controlesysteem het product sneller terugbrengt naar acceptabele eigenschappen.

In de huidige extruderlijn meten operators productattributen handmatig met gedefinieerde intervallen. Als de Cheetos buiten de specificaties vallen, voert de operator aanpassingen uit op basis van richtlijnen of ervaring om het product terug te brengen naar een acceptabele kwaliteit.

Het probleem: Onregelmatige bemonstering betekende dat de lijn voor een langere periode Cheetos buiten de specificatie kon produceren zonder dat iemand het besefte.

De Project Bonsai-oplossing zal het product bijna continu monitoren, met behulp van sensoren om eigenschappen zoals lengte en bulkdichtheid te overzien, zodat het weet zodra het product buiten een bepaald bereik verdwijnt.

Ook leerde de Project Bonsai-oplossing van de meest bekwame operators van het bedrijf, die tijdens de training van de oplossing als materiedeskundigen werkten.

Jayson Stemmler:

"Op deze manier zouden de hersenen de kennis en kunde van de beste operators kunnen inkapselen en die vervolgens via andere faciliteiten kunnen toepassen."

Werken aan een onafhankelijke AI-oplossing

Met het Project Bonsai-platform vertaalt PepsiCo zijn expertise in voedselproductie naar een AI-oplossing die zich aanpast aan veranderende omgevingen.

Uiteindelijk wil PepsiCo deze AI-oplossing autonoom laten draaien. Door het in staat te stellen het product te monitoren en de extruderlijn continu en onafhankelijk aan te passen, verwacht het bedrijf de Cheetos-kwaliteit consequent te behouden en meer doorvoer te produceren.

Dylan Dia's:

"We zijn enthousiast over onze samenwerking met Microsoft en PepsiCo terwijl we verder gaan met het verfijnen van de intelligente agent en uiteindelijk de oplossing op schaal implementeren in fabrieken en andere industrieën over de hele wereld."

PepsiCo zal doorgaan met het verfijnen van de AI-oplossing, terwijl hij zich voorbereidt om deze uit te breiden tot buiten de testfabriek en andere use-cases onderzoekt.

Sean Eichenlaub:

"Deze extrusielijn was ons proof of principle."

"Nu we hebben gezien wat Project Bonsai met één product kan doen, willen we graag manieren vinden om processen in het hele bedrijf en de productlijn te verbeteren."