پپسی کو از هوش مصنوعی برای ایجاد یک سیستم نظارت هوشمند استفاده می کند که قوام Cheetos را بهبود می بخشد

از نظر چشم (و دهان) آموزش ندیده ، یک میان وعده Cheetos یک میان وعده Cheetos است. اما حتی علاقه مندان به میان وعده های سخت ممکن است به فواصل زمانی که مهندسان برای اطمینان از هرگونه لقمه ، سبک بودن و شکل مطلوب آن می پردازند ، پی نبرند.

پپسی کو ، بخش Frito-Lay که باعث ایجاد Cheetos و سایر مارک های محبوب مانند Tostitos و Doritos می شود ، می خواست راهی کارآمدتر برای تولید مداوم Cheetos با ویژگی های مناسب در عین کاهش ضایعات.

برای رسیدن به این هدف ، پپسیکو یک راه حل AI با پشتیبانی Microsoft Project Bonsai تولید کرد که اکسترودرهای آن یعنی تجهیزات تولید Cheetos را کنترل و تنظیم می کند.

اکسترودر پیچیده یک نمونه آزمایش ایده آل بود: چندین ورودی و مشخصات ، از جمله نسبت آرد ذرت به آب و سرعت ابزار برش ، برای ایجاد ویژگی های ایده آل Cheetos Snack در تعامل هستند.

راه حل Project Bonsai اکنون خود را در یک کارخانه آزمایشی ثابت کرده است ، جایی که این فناوری در تنظیم مستقل اکسترودر برای حفظ کیفیت و سازگاری محصول کار خوبی انجام می دهد.

شان ایچنلاوب ، مهندس ارشد اصلی شرکت پپسی کو:

"این آینده برای کنترل فرآیند است."

"ما برای بهبود سازگاری محصولات خود از اتوماسیون مبتنی بر هوش مصنوعی استفاده می کنیم."

پپسیکو یک سیستم بینایی رایانه ای ساخته است که به طور مداوم ویژگی های Cheetos را کنترل می کند.

داده های مربوط به کیفیت هایی مانند تراکم و طول به محلول Project Bonsai منتقل می شود ، که تنظیماتی را برای وارد کردن محصول در مشخصات انجام می دهد.

این روش مدت زمان لازم برای اصلاح ناسازگاری ها را کاهش می دهد و به اپراتورها اجازه می دهد تا روی بخشهایی از خط که به تخصص انسانی نیاز دارند تمرکز کنند.

کوین لین ، مهندس اصلی در پپسی کو:

"پروژه بونسای به ما امکان می دهد تا از فناوری برای کارهایی که به بهترین وجه انجام می شود و از کارمندانمان برای کارهایی که به بهترین وجه انجام می دهند استفاده کنیم."

"این دو مکمل یکدیگر هستند و تاکنون ، نتایج بسیار خوبی دیده ایم."

پپسی کو در حال آماده سازی استفاده از محلول در کارخانه تولید و بررسی نحوه استفاده از محلول با سایر محصولات از جمله روند تولید تراشه تورتیلا است.

دنیس لوفور ، معاون ارشد تحقیق و توسعه غذاهای جهانی در پپسی کو:

"نوآوری یکی از عناصر اصلی موفقیت ما در پپسی کو است و به ما کمک می کند محصولات جدید هیجان انگیز ، پیشرفت های فن آوری و حتی روش های جدید کار را ارائه دهیم - هر آنچه که برای اطمینان از ادامه دادن لبخند به مصرف کنندگان هر روز لازم است."

"Cheetos ، یکی از محبوب ترین مارک های میلیارد دلاری ما ، در 22 کشور تولید می شود و بیش از 50 طعم دارد."

"فناوری Project Bonsai به ما کمک می کند تا از کمکی هر Cheetos Snack اطمینان حاصل کنیم و ما از پتانسیل آن هیجان زده هستیم. این تنها آغاز است."

نوآوری در کف کارخانه

یک محصول خارج از مشخصات قابل فروش نیست ، که منجر به اتلاف منابع ، وقت و پول می شود. سازگاری بیشتر به PepsiCo کمک می کند تا محصولات با کیفیت بالا را حفظ کند و در عین حال توان تولید را به حداکثر برساند.

به عنوان بخشی از تلاش های تحول دیجیتالی این شرکت ، پپسی كو تحقیق در مورد چگونگی استفاده از نسل بعدی هوش مصنوعی در فعالیت های خود را از چند سال پیش آغاز كرد.

پروژه بونسای به متخصصان این شرکت قدرت داد تا نماینده هوش مصنوعی را برای کار با موفقیت در یک محیط پیچیده آموزش دهند.

دیلن دیاس ، مدیرعامل Neal Analytics ، که با پپسی کو و مایکروسافت در این پروژه همکاری کرد:

"Microsoft Project Bonsai یک رویکرد قدرتمند برای طراحی و اجرای سیستم خودمختار ارائه می دهد."

"این پروژه ترکیبی از فناوری ، مهارت های کاربردی مدل سازی و تخصص موضوعات را برای ایجاد نوآوری در کف کارخانه گرد آورد."

آموزش الگوریتم مستقر در کارخانه به سادگی غیرممکن بود - پپسی کو نمی توانست یک راه حل AI را به خطر بیندازد که برنامه ایمنی یا تولید را به خطر بیندازد. این یکی از دلایلی است که راه حل Project Bonsai ابتدا در محیطی که برای شبیه سازی خط اکسترودر ساخته شده است ، دقیقاً یاد گرفته است.

توسعه دهندگان با اپراتورها همکاری کردند تا شرایط و واکنش هایی را که کارگران در زندگی واقعی مشاهده می کنند دوباره ایجاد کنند. هرچه شبیه ساز به خط واقعی نزدیک شود ، تیم نیاز به تنظیمات کمتری قبل از راه حل در کارخانه دارد.

جیسون استملر ، مدیر پروژه فنی Neal Analytics که در پروژه آزمایشی پپسی کو کار می کرد:

"متخصصان موضوع به ما مروری دارند در مورد چگونگی روند کار در گیاه."

"آنها به ما کمک می کنند تا هر مرحله از آن را درک کنیم ، بنابراین ما می توانیم یک شبیه ساز برای تکرار خط اکستروژن تا آنجا که ممکن است بسازیم."

بازخورد یادگیری را تقویت می کند

و به جای اینکه به یک راه حل AI اجازه دهید بیاموزد که فقط و فقط با آزمون و خطا ، چه کاری انجام دهد و چه کاری انجام ندهد ، همانطور که یادگیری ماشین معمولی انجام می دهد ، یادگیری تقویت کننده بازخورد مثبت و منفی ایجاد می کند. تفاوت این دو روش را می توان با یادگیری دوچرخه سواری مقایسه کرد.

اگر به وسایل شخصی خود رها شوید ، احتمالاً خواهید فهمید که چگونه تعادل ، پدال زدن و هدایت را کنترل کنید. اما اگر کسی در آنجا حضور داشته باشد تا کارهای شما را به درستی تشویق کند و به اشتباهات شما اشاره کند ، سریعتر و با زانوی پوست کمتری یاد خواهید گرفت.

جیسون استملر:

"وقتی این پلتفرم به ویژگیهای Cheetos که ما به دنبال آن هستیم ، برسد ، پاداش بهینه دریافت می کند."

"به این ترتیب ، الگوریتم یادگیری تقویت می آموزد که چه کاری انجام دهد و چه کاری را انجام ندهد در حالی که هنوز در یک شبیه سازی است."

یادگیری تقویت یعنی این راه حل حتی در شرایطی که در شبیه ساز با آن روبرو نشده است می تواند توصیه هایی را ارائه دهد.

جیسون استملر:

"این راه حل به این درک رسیده است که" ایجاد یک تنظیم برای یک چیز و تعاملات بین چندین تنظیم ممکن است اثرات پایین دستی داشته باشد. "

"این روابط پیچیده به راحتی توسط یادگیری تقویت عمیق تسخیر می شوند ، به همین دلیل این راه حل قوی تر و قادر به یادگیری بهتر از یک مدل سنتی است."

یکی دیگر از مزایای شروع با شبیه سازی این است که این راه حل می تواند دویدن یک روزه را در 30 ثانیه شبیه سازی کند.

این الگوریتم ترکیبات مختلفی از تنظیمات را که منجر به پارامترهای کیفی تعریف شده در کسری از زمان می شود ، فرا می گیرد. تیم توسعه دهنده این راه حل همچنین چندین شبیه سازی را همزمان در ابر لاجورد انجام داد و این روند را تسریع می کند.

بر اساس راهنمایی کارشناسان ، توسعه دهندگان قوانین لازم برای ایمنی را نیز برنامه ریزی کرده اند. به عنوان مثال ، این محلول به تدریج کنترل هایی مانند میزان فشار پیچ را از طریق دانه ذرت تنظیم می کند ، زیرا تغییر بیش از حد سرعت می تواند به دستگاه آسیب برساند.

این تیم همچنین کدی نوشت که در صورت ترکیبی از تنظیمات می تواند دستگاه را مسدود کند ، از عملکرد محلول بر اساس پیشنهاد جلوگیری می کند.

این کنترل های ایمنی یکی دیگر از دلایل مهم اپراتورها برای طراحی چنین راه حلی است.

هنگامی که محلول سیستم خودمختار مقدار زیادی از مواد مورد مطالعه را جذب کرد و در شبیه سازی عملکرد خوبی داشت ، وقت آن بود که ببینیم چگونه در یک آزمایشگاه انجام می شود.

هوش مصنوعی در عمل

برای تهیه Cheetos Snack ایده آل ، این راه حل به نمونه هایی از ایده آل ها احتیاج نداشت - و باید بدانید که در این موارد چه کاری باید انجام دهید.

خط اکسترودر برای توسعه و آزمایش یک راه حل سیستم خودمختار ، مستقل و مناسب است. اپراتورها به صورت دستی آن را اجرا می کردند که به توسعه دهندگان این فرصت را می داد تا به جای استفاده از سایر نرم افزارها ، راه حل را از ابتدا بسازند.

راه حل AI دارای یک حالت توصیه و یک حالت کنترل حلقه بسته است. در هر دو حالت ، یک سیستم بینایی رایانه به طور مداوم کیفیت Cheetos را اندازه گیری می کند.

در حالت توصیه ، اگر محصول از مشخصات خارج شود ، هوش مصنوعی به اپراتور هشدار می دهد ، ویژگی هایی را که ایده آل نیستند و همچنین توصیه ای برای اصلاح آن ، روی صفحه ابزار نشان می دهد. اپراتور می تواند برای انجام هرگونه تنظیم یا تنظیمات پیشنهادی ، دکمه ای را فشار دهد.

در حالت کنترل ، تنها تفاوت این است که راه حل AI مرحله توصیه را رد می کند و مشخصات خط اکسترودر را به طور مستقل تنظیم می کند.

این شرکت انتظار دارد که با اجرای این سیستم کنترل هوشمند ، محصول سریعتر به مشخصات قابل قبول برگردد.

در خط اکسترودر فعلی ، اپراتورها ویژگی های محصول را در فواصل زمانی مشخص به صورت دستی اندازه گیری می کنند. اگر مشخصات Cheetos از بین رفته باشد ، اپراتور تنظیماتی را براساس دستورالعمل ها یا تجربه انجام می دهد تا محصول را به کیفیت قابل قبول برگرداند.

مشکل: نمونه گیری غیرمترقبه به این معنی بود که این خط می تواند Cheetos خارج از حد استاندارد را برای مدت زمان طولانی تری تولید کند بدون اینکه کسی متوجه شود.

راه حل Project Bonsai با استفاده از سنسورها برای نظارت بر خصوصیاتی مانند طول و تراکم فله ، محصول را تقریباً به طور مداوم رصد خواهد کرد. به این ترتیب ، به محض اینکه محصول خارج از محدوده تعریف شده قرار گرفت ، می داند

همچنین ، راه حل Project Bonsai از ماهرترین اپراتورهای این شرکت آموخته است ، که به عنوان متخصص موضوع در طول آموزش راه حل کار می کردند.

جیسون استملر:

"به این ترتیب ، مغز می تواند دانش و مهارت بهترین اپراتورها را جمع آوری کند ، سپس این کار را از طریق سایر امکانات انجام دهد."

تلاش برای دستیابی به یک راه حل مستقل AI

PepsiCo با استفاده از پلتفرم Project Bonsai ، تخصص خود را در زمینه تولید مواد غذایی به یک راه حل هوش مصنوعی متناسب با تغییر محیط تبدیل می کند.

در نهایت ، پپسی کو قصد دارد تا این راه حل AI به صورت مستقل اجرا شود. با توانمند سازی آن برای نظارت بر محصول و تنظیم خط اکسترودر به طور مداوم و مستقل ، شرکت انتظار دارد کیفیت Cheetos را به طور مداوم حفظ کند و توان تولید بیشتری داشته باشد.

دیلن دیاس:

"ما از همکاری خود با مایکروسافت و پپسیکو هیجان زده ایم زیرا در تلاش هستیم تا عامل هوشمند را اصلاح کنیم و در نهایت راه حل را در مقیاس در کارخانه ها و سایر صنایع در سراسر جهان مستقر کنیم."

PepsiCo ضمن آماده سازی برای گسترش آن به خارج از آزمایشگاه و بررسی سایر موارد استفاده ، به تنظیم دقیق راه حل AI ادامه خواهد داد.

شان ایچنلاوب:

"این خط اکستروژن اثبات اصل ما بود."

"اکنون که دیدیم Project Bonsai چه کاری می تواند با یک محصول انجام دهد ، مشتاقانه می خواهیم راه هایی برای بهبود فرایندها در کل شرکت و خط تولید پیدا کنیم."