PepsiCo tận dụng AI để tạo ra một hệ thống giám sát thông minh giúp cải thiện tính nhất quán của Cheetos

Đối với mắt (và miệng) chưa được đào tạo, Cheetos Snack là Cheetos Snack. Nhưng ngay cả những người yêu thích món ăn vặt khó chết cũng có thể không nhận ra độ dài mà các kỹ sư sử dụng để đảm bảo mỗi miếng ăn có độ giòn, độ nhẹ và hình dạng tối ưu.

PepsiCo, có bộ phận Frito-Lay sản xuất Cheetos và các thương hiệu được yêu thích khác như Tostitos và Doritos, muốn có một cách hiệu quả hơn để sản xuất Cheetos một cách nhất quán với các thuộc tính phù hợp trong khi giảm lãng phí.

Để đạt được mục tiêu này, PepsiCo đã phát triển một giải pháp AI được cung cấp bởi Microsoft Project Bonsai để giám sát và điều chỉnh máy đùn, thiết bị sản xuất Cheetos.

Máy đùn phức hợp là một trường hợp thử nghiệm lý tưởng: Một số đầu vào và thông số kỹ thuật, bao gồm tỷ lệ bột ngô với nước và tốc độ của công cụ cắt, tương tác để tạo ra các đặc điểm Cheetos Snack lý tưởng.

Giải pháp Project Bonsai hiện đã được chứng minh tại một nhà máy thử nghiệm, nơi công nghệ thực hiện tốt công việc điều chỉnh độc lập máy đùn để duy trì chất lượng và tính nhất quán của sản phẩm.

Sean Eichenlaub, kỹ sư chính cấp cao tại PepsiCo:

"Đây là tương lai cho các kiểm soát quy trình."

“Chúng tôi đang sử dụng tự động hóa dựa trên AI để cải thiện tính nhất quán của các sản phẩm của mình.”

PepsiCo đã xây dựng một hệ thống thị giác máy tính liên tục theo dõi các thuộc tính của Cheetos.

Dữ liệu về chất lượng như mật độ và chiều dài được cung cấp cho giải pháp Bonsai của Dự án, điều này sẽ thực hiện các điều chỉnh để đưa sản phẩm vào đúng thông số kỹ thuật.

Cách tiếp cận này giảm thời gian cần thiết để sửa chữa các điểm không nhất quán và cho phép người vận hành tập trung vào các phần của dây chuyền đòi hỏi chuyên môn của con người.

Kevin Lin, kỹ sư chính liên kết tại PepsiCo:

“Dự án Bonsai cho phép chúng tôi sử dụng công nghệ cho những việc nó làm tốt nhất và nhân viên của chúng tôi cho những việc họ làm tốt nhất”.

"Cả hai bổ sung cho nhau và cho đến nay, chúng tôi đã thấy những kết quả tuyệt vời."

PepsiCo đang chuẩn bị sử dụng giải pháp này trong một nhà máy sản xuất và khám phá cách sử dụng giải pháp này với các sản phẩm khác, bao gồm cả quy trình sản xuất chip tortilla.

Denise Lefebvre, Phó Chủ tịch Cấp cao về Nghiên cứu và Phát triển Thực phẩm Toàn cầu tại PepsiCo:

“Đổi mới là thành phần quan trọng trong thành công của chúng tôi tại PepsiCo và giúp chúng tôi cung cấp những sản phẩm mới thú vị, những tiến bộ công nghệ và thậm chí cả những cách làm việc mới — bất cứ điều gì cần thiết để đảm bảo chúng tôi tiếp tục mang lại nụ cười cho người tiêu dùng mỗi ngày.

“Cheetos, một trong những thương hiệu tỷ đô được yêu thích nhất của chúng tôi, được sản xuất ở 22 quốc gia và có hơn 50 loại hương vị”.

“Công nghệ Project Bonsai giúp chúng tôi đảm bảo mỗi Cheetos Snack đều hoàn hảo và chúng tôi rất vui mừng về tiềm năng của nó. Đây mới chỉ là sự bắt đầu."

Đổi mới trên sàn nhà máy

Không thể bán một sản phẩm ngoài thông số kỹ thuật, dẫn đến lãng phí tài nguyên, thời gian và tiền bạc. Tính nhất quán cao hơn giúp PepsiCo duy trì các sản phẩm chất lượng cao trong khi tối đa hóa sản lượng.

Là một phần trong nỗ lực chuyển đổi kỹ thuật số của công ty, PepsiCo đã bắt đầu nghiên cứu cách áp dụng thế hệ AI tiếp theo trong hoạt động của chính mình vài năm trước.

Dự án Bonsai đã trao quyền cho các chuyên gia của công ty để đào tạo nhân viên AI hoạt động thành công trong một môi trường phức tạp.

Dylan Dias, Giám đốc điều hành của Neal Analytics, hợp tác với PepsiCo và Microsoft trong dự án:

“Microsoft Project Bonsai cung cấp một cách tiếp cận mạnh mẽ để thiết kế và triển khai hệ thống tự trị.”

“Dự án đã kết hợp công nghệ, kỹ năng mô hình hóa ứng dụng và kiến ​​thức chuyên môn về chủ đề để tạo ra sự đổi mới trên nền nhà máy”.

Việc đào tạo một thuật toán trực tiếp trong nhà máy đơn giản là không khả thi — PepsiCo không thể mạo hiểm với một giải pháp AI ảnh hưởng đến an toàn hoặc tiến độ sản xuất. Đó là một lý do mà giải pháp Project Bonsai lần đầu tiên được học trong một môi trường được chế tạo cẩn thận để mô phỏng dây chuyền máy đùn.

Các nhà phát triển đã làm việc với các nhà điều hành để tạo lại các điều kiện và phản ứng mà người lao động nhìn thấy trong cuộc sống thực. Bộ mô phỏng càng gần với dòng thực tế, nhóm sẽ cần thực hiện ít điều chỉnh hơn trước khi giải pháp có thể hoạt động trong nhà máy.

Jayson Stemmler, giám đốc dự án kỹ thuật tại Neal Analytics, người đã làm việc trong dự án thử nghiệm của PepsiCo:

“Các chuyên gia về vấn đề cung cấp cho chúng tôi một cái nhìn tổng quan về cách thức hoạt động thực sự của quá trình này trong nhà máy.”

“Chúng giúp chúng tôi hiểu rõ từng bước để chúng tôi có thể xây dựng một trình mô phỏng để tái tạo dây chuyền đùn một cách chặt chẽ nhất có thể.”

Phản hồi củng cố việc học

Và thay vì để một giải pháp AI học những gì nên làm và không nên làm chỉ bằng cách thử và sai, như cách học máy thông thường, học tập tăng cường xây dựng phản hồi tích cực và tiêu cực. Sự khác biệt giữa hai cách tiếp cận có thể được so sánh với việc học đi xe đạp.

Nếu bạn để yên cho các thiết bị của mình, bạn có thể sẽ tìm ra cách cân bằng, đạp và lái. Nhưng nếu ai đó ở đó để cổ vũ những gì bạn đang làm đúng và chỉ ra những sai lầm của bạn, bạn sẽ học nhanh hơn — và đầu gối ít bị lột da hơn.

Jayson Stemler:

“Khi nền tảng đạt được những phẩm chất của Cheetos mà chúng tôi đang hướng tới, nó sẽ nhận được phần thưởng tối ưu.”

“Bằng cách này, thuật toán học tăng cường học những gì nên làm và những gì không nên làm trong khi nó vẫn ở dạng mô phỏng.”

Học tập củng cố có nghĩa là giải pháp cuối cùng có thể đưa ra các đề xuất ngay cả trong các điều kiện mà nó không gặp phải trong trình mô phỏng.

Jayson Stemler:

“Giải pháp này giúp hiểu rằng“ thực hiện điều chỉnh một thứ và tương tác giữa nhiều điều chỉnh, có thể có tác động cuối cùng ”.

“Các mối quan hệ phức tạp này dễ dàng nắm bắt hơn bằng cách học tăng cường sâu, đó là lý do tại sao giải pháp này mạnh mẽ hơn và có thể học tốt hơn so với mô hình truyền thống”.

Một lợi ích khác của việc bắt đầu với một mô phỏng là giải pháp có thể mô phỏng một ngày chạy trong 30 giây.

Thuật toán tìm hiểu các kết hợp điều chỉnh khác nhau dẫn đến các thông số chất lượng được xác định trong một phần nhỏ thời gian. Nhóm phát triển giải pháp cũng chạy nhiều mô phỏng đồng thời trong đám mây Azure, giúp tăng tốc quá trình.

Dựa trên hướng dẫn từ các chuyên gia, các nhà phát triển cũng đã lập trình các quy tắc cần thiết để đảm bảo an toàn. Ví dụ, giải pháp điều chỉnh từng bước các điều khiển như tốc độ vít đẩy bột ngô qua khuôn, vì thay đổi tốc độ quá đột ngột có thể làm hỏng máy.

Nhóm nghiên cứu cũng đã viết mã ngăn giải pháp hoạt động theo đề xuất nếu sự kết hợp của các điều chỉnh có thể làm kẹt máy.

Các biện pháp kiểm soát an toàn này là một trong những lý do khiến các nhà vận hành quan trọng trong việc thiết kế một giải pháp như vậy.

Một khi giải pháp hệ thống tự hành đã hấp thụ nhiều tài liệu nghiên cứu và hoạt động tốt trong mô phỏng, đã đến lúc xem nó hoạt động như thế nào trong một nhà máy thử nghiệm.

AI đang hoạt động

Để tạo ra một Cheetos Snack lý tưởng, giải pháp cần có những ví dụ về những gì không lý tưởng - và cần biết phải làm gì trong những trường hợp đó.

Dây chuyền máy đùn là khép kín và rất thích hợp để phát triển và thử nghiệm một giải pháp hệ thống tự trị. Các nhà khai thác đã chạy nó theo cách thủ công, điều này mang lại cho các nhà phát triển cơ hội xây dựng giải pháp từ đầu, thay vì dựa trên phần mềm khác.

Giải pháp AI có chế độ khuyến nghị và chế độ điều khiển vòng kín. Trong cả hai chế độ, một hệ thống thị giác máy tính liên tục đo chất lượng của Cheetos.

Ở chế độ đề xuất, AI sẽ cảnh báo người vận hành nếu sản phẩm không đạt thông số kỹ thuật, hiển thị trên bảng điều khiển thiết bị các thuộc tính không lý tưởng cũng như đề xuất để sửa chữa nó. Người vận hành có thể nhấn một nút để thực hiện bất kỳ hoặc tất cả các điều chỉnh được đề xuất.

Trong chế độ điều khiển, sự khác biệt duy nhất là giải pháp AI bỏ qua bước khuyến nghị và điều chỉnh các thông số kỹ thuật của dòng máy đùn một cách độc lập.

Công ty hy vọng rằng việc chạy hệ thống điều khiển thông minh này sẽ đưa sản phẩm trở về các thuộc tính có thể chấp nhận được nhanh hơn.

Trong dòng máy đùn hiện tại, người vận hành đo lường các thuộc tính sản phẩm theo cách thủ công tại các khoảng thời gian xác định. Nếu Cheetos không có thông số kỹ thuật, nhà điều hành sẽ thực hiện các điều chỉnh dựa trên nguyên tắc hoặc kinh nghiệm để đưa sản phẩm về chất lượng chấp nhận được.

Vấn đề: Việc lấy mẫu không thường xuyên có nghĩa là dây chuyền có thể tạo ra những chiếc Cheetos không giống thông số kỹ thuật trong một thời gian dài hơn mà không ai nhận ra.

Giải pháp Project Bonsai sẽ theo dõi sản phẩm gần như liên tục, sử dụng các cảm biến để giám sát các đặc điểm như chiều dài và mật độ khối lượng lớn. Bằng cách đó, nó sẽ biết ngay khi sản phẩm đi lạc ngoài một phạm vi xác định.

Ngoài ra, giải pháp Bonsai của Dự án đã học hỏi từ các nhà điều hành lành nghề nhất của công ty, những người đã làm việc với tư cách là chuyên gia về chủ đề trong quá trình đào tạo về giải pháp.

Jayson Stemler:

"Bằng cách này, bộ não có thể đóng gói kiến ​​thức và kỹ năng của những người vận hành tốt nhất, sau đó áp dụng nó thông qua các cơ sở khác."

Hướng tới một giải pháp AI độc lập

Với nền tảng Project Bonsai, PepsiCo đang chuyển chuyên môn của mình trong lĩnh vực sản xuất thực phẩm thành một giải pháp AI thích ứng với môi trường thay đổi.

Cuối cùng, PepsiCo đặt mục tiêu để giải pháp AI này chạy một cách tự chủ. Bằng cách trao quyền cho nó giám sát sản phẩm và điều chỉnh dây chuyền máy đùn liên tục và độc lập, công ty hy vọng sẽ duy trì chất lượng Cheetos một cách nhất quán và sản xuất nhiều hơn.

Dylan Dias:

“Chúng tôi rất vui mừng về mối quan hệ hợp tác với Microsoft và PepsiCo khi chúng tôi tiến tới cải tiến tác nhân thông minh và cuối cùng triển khai giải pháp trên quy mô lớn trong các nhà máy và các ngành công nghiệp khác trên khắp thế giới.”

PepsiCo sẽ tiếp tục tinh chỉnh giải pháp AI trong khi chuẩn bị mở rộng nó ra ngoài nhà máy thử nghiệm và khám phá các trường hợp sử dụng khác.

Sean Eichenlaub:

"Dây chuyền ép đùn này là bằng chứng về nguyên tắc của chúng tôi."

“Bây giờ chúng tôi đã thấy những gì Project Bonsai có thể làm với một sản phẩm, chúng tôi rất mong muốn tìm cách cải thiện quy trình trên toàn bộ công ty và dòng sản phẩm.”