Para el ojo (y la boca) inexperto, un Cheetos Snack es un Cheetos Snack. Pero incluso los amantes más acérrimos de los bocadillos pueden no darse cuenta de hasta dónde llegan los ingenieros para asegurarse de que cada bocado tenga el crujido, la ligereza y la forma óptimas.
PepsiCo, cuya división Frito-Lay fabrica Cheetos y otras marcas queridas como Tostitos y Doritos, quería una forma más eficiente de fabricar Cheetos de manera consistente con los atributos adecuados y reducir el desperdicio.
Para cumplir con este objetivo, PepsiCo desarrolló una solución de inteligencia artificial impulsada por Microsoft Project Bonsai que monitorea y ajusta sus extrusoras, el equipo que produce Cheetos.
La compleja extrusora fue un caso de prueba ideal: varias entradas y especificaciones, incluida la proporción de harina de maíz y agua y la velocidad de la herramienta de corte, interactúan para crear características ideales de Cheetos Snack.
La solución Project Bonsai ahora ha demostrado su eficacia en una planta piloto, donde la tecnología hace un buen trabajo al ajustar de forma independiente la extrusora para mantener la calidad y consistencia del producto.
Sean Eichenlaub, ingeniero principal senior de PepsiCo:
“Este es el futuro de los controles de procesos”.
"Estamos utilizando la automatización basada en inteligencia artificial para mejorar la consistencia de nuestros productos".
PepsiCo construyó un sistema de visión por computadora que monitorea continuamente los atributos de Cheetos.
Los datos sobre cualidades como la densidad y la longitud se envían a la solución Project Bonsai, que realiza ajustes para que el producto cumpla con las especificaciones.
Este enfoque reduce el tiempo necesario para corregir las inconsistencias y permite a los operadores concentrarse en partes de la línea que requieren experiencia humana.
Kevin Lin, ingeniero principal asociado de PepsiCo:
"Project Bonsai nos permite utilizar la tecnología para las cosas que hace mejor y nuestros empleados para las cosas que hacen mejor".
"Los dos se complementan y, hasta ahora, hemos visto grandes resultados".
PepsiCo se está preparando para usar la solución en una planta de producción y está explorando cómo usar la solución con otros productos, incluido el proceso de fabricación de chips de tortilla.
Denise Lefebvre, vicepresidenta sénior de I + D de alimentos globales en PepsiCo:
“La innovación es un ingrediente clave en nuestro éxito en PepsiCo y nos ayuda a ofrecer nuevos productos emocionantes, avances tecnológicos e incluso nuevas formas de trabajar, lo que sea necesario para garantizar que sigamos brindando sonrisas a nuestros consumidores todos los días”.
“Los cheetos, una de nuestras marcas de miles de millones de dólares más queridas, se producen en 22 países y vienen en más de 50 sabores”.
“La tecnología Project Bonsai nos ayuda a garantizar que cada Cheetos Snack sea perfecto, y estamos entusiasmados con su potencial. Este es sólo el comienzo."
Innovación en la fábrica
Un producto que no cumple con las especificaciones no se puede vender, lo que genera una pérdida de recursos, tiempo y dinero. Una mayor consistencia ayuda a PepsiCo a mantener productos de alta calidad mientras maximiza el rendimiento.
Como parte de los esfuerzos de transformación digital de la compañía, PepsiCo comenzó a investigar cómo aplicar la próxima generación de inteligencia artificial en sus propias operaciones hace unos años.
Project Bonsai capacitó a los expertos de la compañía para capacitar al agente de inteligencia artificial para operar con éxito en un entorno complejo.
Dylan Dias, director ejecutivo de Neal Analytics, que se asoció con PepsiCo y Microsoft en el proyecto:
"Microsoft Project Bonsai ofrece un enfoque poderoso para el diseño y la implementación de sistemas autónomos".
"El proyecto reunió una combinación de tecnología, habilidades de modelado aplicadas y experiencia en la materia para crear innovación en la fábrica".
Entrenar un algoritmo en vivo en la planta era simplemente inviable: PepsiCo no podía arriesgarse a que una solución de IA comprometiera la seguridad o el programa de producción. Esa es una de las razones por las que la solución Project Bonsai aprende por primera vez en un entorno cuidadosamente diseñado para simular la línea de extrusoras.
Los desarrolladores trabajaron con los operadores para recrear las condiciones y reacciones que los trabajadores ven en la vida real. Cuanto más cerca esté el simulador de la línea real, menos ajustes deberá realizar el equipo antes de que la solución pueda operar en la planta.
Jayson Stemmler, gerente de proyectos técnicos de Neal Analytics que trabajó en el proyecto piloto de PepsiCo:
"Los expertos en la materia nos brindan una descripción general de cómo funciona realmente el proceso en la planta".
“Nos ayudan a entenderlo en cada paso del camino para que podamos construir un simulador para replicar la línea de extrusión lo más cerca posible”.
La retroalimentación refuerza el aprendizaje
Y en lugar de permitir que una solución de inteligencia artificial aprenda qué hacer y qué no hacer solo mediante prueba y error, como hace el aprendizaje automático convencional, el aprendizaje por refuerzo genera comentarios positivos y negativos. La diferencia entre los dos enfoques se puede comparar con aprender a andar en bicicleta.
Si te dejan a tus propios dispositivos, probablemente descubrirás cómo equilibrar, pedalear y conducir. Pero si alguien está allí para animarle por lo que está haciendo bien y señalar sus errores, aprenderá más rápido y con menos rodillas despellejadas.
Jayson Stemmler:
"Cuando la plataforma alcanza las cualidades de Cheetos que buscamos, obtiene la recompensa óptima".
"De esta manera, el algoritmo de aprendizaje por refuerzo aprende qué hacer y qué no hacer mientras todavía está en una simulación".
El aprendizaje por refuerzo significa que, en última instancia, la solución puede hacer recomendaciones incluso en condiciones que no se encontraron en un simulador.
Jayson Stemmler:
"Esta solución llega a comprender que" hacer un ajuste en una cosa y las interacciones entre varios ajustes pueden tener efectos posteriores ".
“Estas relaciones complejas se capturan más fácilmente mediante el aprendizaje por refuerzo profundo, por lo que esta solución es más sólida y capaz de aprender mejor que un modelo tradicional”.
Otro beneficio de comenzar con una simulación es que la solución puede simular la ejecución de un día en 30 segundos.
El algoritmo aprende las diferentes combinaciones de ajustes que conducen a los parámetros de calidad definidos en una fracción del tiempo. El equipo que desarrolló la solución también ejecutó múltiples simulaciones simultáneamente en la nube de Azure, acelerando aún más el proceso.
Con base en la orientación de expertos, los desarrolladores también programaron las reglas necesarias para la seguridad. Por ejemplo, la solución ajusta gradualmente los controles, como la velocidad con la que un tornillo empuja la harina de maíz a través del dado, ya que cambiar la velocidad demasiado abruptamente podría dañar la máquina.
El equipo también escribió un código que evita que la solución actúe según una sugerencia si la combinación de ajustes podría atascar la máquina.
Estos controles de seguridad son una razón más por la que los operadores son fundamentales para diseñar una solución de este tipo.
Una vez que la solución del sistema autónomo había absorbido una gran cantidad de material de estudio y estaba funcionando bien dentro de la simulación, llegó el momento de ver cómo funcionaba en una planta de prueba.
IA en acción
Para hacer un Cheetos Snack ideal, la solución necesitaba ejemplos de lo que no era ideal, y necesitaba saber qué hacer en esos casos.
La línea de extrusoras es autónoma y adecuada para desarrollar y probar una solución de sistema autónomo. Los operadores lo habían estado ejecutando manualmente, lo que les dio a los desarrolladores la oportunidad de crear la solución desde cero, en lugar de sobre otro software.
La solución de IA tiene un modo de recomendación y un modo de control de circuito cerrado. En ambos modos, un sistema de visión por computadora mide continuamente la calidad de los Cheetos.
En el modo de recomendación, la IA alertará al operador si el producto se sale de las especificaciones, mostrando en un panel de instrumentos los atributos que no son ideales, así como una recomendación para corregirlo. El operador puede presionar un botón para realizar cualquiera o todos los ajustes recomendados.
En el modo de control, la única diferencia es que la solución de IA omite el paso de recomendación y ajusta las especificaciones de la línea del extrusor de forma independiente.
La empresa espera que la ejecución de este sistema de control inteligente devuelva el producto a los atributos aceptables más rápido.
En la línea de extrusoras actual, los operadores miden los atributos del producto manualmente a intervalos definidos. Si los Cheetos no cumplen con las especificaciones, el operador realiza ajustes según las pautas o la experiencia para devolver el producto a una calidad aceptable.
El problema: el muestreo poco frecuente significaba que la línea podría producir Cheetos fuera de las especificaciones durante un período de tiempo más largo sin que nadie se diera cuenta.
La solución Project Bonsai monitoreará el producto de manera casi continua, utilizando sensores para supervisar características como la longitud y la densidad aparente, de esa manera, sabrá tan pronto como el producto se desvía fuera de un rango definido.
Además, la solución Project Bonsai aprendió de los operadores más capacitados de la empresa, quienes trabajaron como expertos en la materia durante la capacitación de la solución.
Jayson Stemmler:
"De esta manera, el cerebro podría encapsular el conocimiento y la habilidad de los mejores operadores y luego aplicarlos a través de otras instalaciones".
Trabajando hacia una solución de inteligencia artificial independiente
Con la plataforma Project Bonsai, PepsiCo está traduciendo su experiencia en la fabricación de alimentos en una solución de inteligencia artificial que se adapta a entornos cambiantes.
En última instancia, PepsiCo tiene como objetivo permitir que esta solución de IA se ejecute de forma autónoma. Al permitirle monitorear el producto y ajustar la línea de extrusión de manera continua e independiente, la compañía espera mantener constantemente la calidad de Cheetos y producir más rendimiento.
Dylan Días:
"Estamos entusiasmados con nuestra asociación con Microsoft y PepsiCo a medida que avanzamos para perfeccionar el agente inteligente y, finalmente, implementar la solución, a escala, en fábricas y otras industrias de todo el mundo".
PepsiCo continuará afinando la solución de IA mientras se prepara para extenderla más allá de la planta de prueba y explora otros casos de uso.
Sean Eichenlaub:
"Esta línea de extrusión fue nuestra prueba de principios".
"Ahora que hemos visto lo que Project Bonsai puede hacer con un producto, estamos ansiosos por encontrar formas de mejorar los procesos en toda la empresa y la línea de productos".
