PepsiCo utilise l'IA pour créer un système de surveillance intelligent qui améliore la cohérence de Cheetos

Pour l'œil (et la bouche) non averti, un Cheetos Snack est un Cheetos Snack. Mais même les amateurs de snacks purs et durs pourraient ne pas se rendre compte des efforts déployés par les ingénieurs pour s'assurer que chaque bouchée a le croquant, la légèreté et la forme optimaux.

PepsiCo, dont la division Frito-Lay fabrique des Cheetos et d'autres marques bien-aimées comme Tostitos et Doritos, souhaitait un moyen plus efficace de fabriquer systématiquement des Cheetos avec les attributs appropriés tout en réduisant les déchets.

Pour atteindre cet objectif, PepsiCo a développé une solution d'IA alimentée par Microsoft Project Bonsai qui surveille et ajuste ses extrudeuses, l'équipement qui produit les Cheetos.

L'extrudeuse complexe était un cas de test idéal: plusieurs entrées et spécifications, y compris le rapport semoule de maïs à l'eau et la vitesse de l'outil de coupe, interagissent pour créer des caractéristiques Cheetos Snack idéales.

La solution Project Bonsai a maintenant fait ses preuves dans une usine pilote, où la technologie permet d'ajuster indépendamment l'extrudeuse pour maintenir la qualité et la cohérence du produit.

Sean Eichenlaub, ingénieur principal principal chez PepsiCo:

«C'est l'avenir des contrôles de processus.»

«Nous utilisons l'automatisation basée sur l'IA pour améliorer la cohérence de nos produits.»

PepsiCo a construit un système de vision par ordinateur qui surveille en permanence les attributs de Cheetos.

Les données sur les qualités telles que la densité et la longueur sont transmises à la solution Project Bonsai, qui effectue des ajustements pour que le produit soit conforme aux spécifications.

Cette approche réduit le temps nécessaire pour corriger les incohérences et permet aux opérateurs de se concentrer sur les parties de la ligne qui nécessitent une expertise humaine.

Kevin Lin, ingénieur principal associé chez PepsiCo:

«Project Bonsai nous permet d’utiliser la technologie pour ce qu’elle fait le mieux et nos employés pour ce qu’ils font le mieux.»

«Les deux se complètent et jusqu'à présent, nous avons vu d'excellents résultats.»

PepsiCo se prépare à utiliser la solution dans une usine de production et explore comment utiliser la solution avec d'autres produits, y compris le processus de fabrication de chips tortilla.

Denise Lefebvre, vice-présidente principale de la R&D Global Foods chez PepsiCo:

«L'innovation est un ingrédient clé de notre succès chez PepsiCo et nous aide à proposer de nouveaux produits passionnants, des avancées technologiques et même de nouvelles méthodes de travail, tout ce qu'il faut pour nous assurer de continuer à apporter des sourires à nos consommateurs chaque jour.

«Cheetos, l'une de nos marques les plus appréciées d'un milliard de dollars, est produit dans 22 pays et se décline en plus de 50 saveurs.»

«La technologie Project Bonsai nous aide à nous assurer que chaque Cheetos Snack est parfait, et nous sommes enthousiasmés par son potentiel. Ce n'est que le début."

L'innovation dans l'usine

Un produit hors spécifications ne peut pas être vendu, ce qui entraîne un gaspillage de ressources, de temps et d'argent. Une plus grande cohérence aide PepsiCo à maintenir des produits de haute qualité tout en maximisant le débit.

Dans le cadre des efforts de transformation numérique de l'entreprise, PepsiCo a commencé à étudier comment appliquer la prochaine génération d'IA dans ses propres opérations il y a quelques années.

Le projet Bonsai a permis aux experts de l'entreprise de former l'agent d'IA à fonctionner avec succès dans un environnement complexe.

Dylan Dias, PDG de Neal Analytics, qui s'est associé à PepsiCo et Microsoft sur le projet:

«Microsoft Project Bonsai offre une approche puissante de la conception et de la mise en œuvre de systèmes autonomes.»

«Le projet a réuni un mélange de technologie, de compétences en modélisation appliquée et d'expertise en la matière pour créer de l'innovation dans l'usine.»

Entraîner un algorithme en direct dans l'usine était tout simplement irréalisable - PepsiCo ne pouvait pas risquer qu'une solution d'IA compromette la sécurité ou le calendrier de production. C'est l'une des raisons pour lesquelles la solution Project Bonsai apprend d'abord dans un environnement soigneusement conçu pour simuler la ligne d'extrudeuse.

Les développeurs ont travaillé avec les opérateurs pour recréer les conditions et les réactions que les travailleurs voient dans la vie réelle. Plus le simulateur est proche de la ligne réelle, moins l'équipe devra faire des ajustements avant que la solution puisse fonctionner dans l'usine.

Jayson Stemmler, chef de projet technique chez Neal Analytics qui a travaillé sur le projet pilote PepsiCo:

«Les experts en la matière nous donnent un aperçu de la façon dont le processus fonctionne réellement dans l'usine.»

«Ils nous aident à le comprendre à chaque étape du processus afin que nous puissions construire un simulateur pour reproduire la ligne d'extrusion aussi fidèlement que possible.»

La rétroaction renforce l'apprentissage

Et au lieu de laisser une solution d'IA apprendre ce qu'il faut faire et ne pas faire par essais et erreurs, comme le fait l'apprentissage automatique conventionnel, l'apprentissage par renforcement génère des commentaires positifs et négatifs. La différence entre les deux approches peut être comparée à l'apprentissage du vélo.

Si vous êtes laissé à vous-même, vous saurez probablement comment équilibrer, pédaler et diriger. Mais si quelqu'un est là pour encourager ce que vous faites de bien et signaler vos erreurs, vous apprendrez plus rapidement et avec moins de genoux écorchés.

Jayson Stemmler :

«Lorsque la plateforme atteint les qualités Cheetos que nous visons, elle obtient la récompense optimale.»

«De cette façon, l'algorithme d'apprentissage par renforcement apprend ce qu'il faut faire et ce qu'il ne faut pas faire pendant qu'il est encore dans une simulation.»

L'apprentissage par renforcement signifie que la solution peut finalement faire des recommandations même dans des conditions qu'elle n'a pas rencontrées dans un simulateur.

Jayson Stemmler :

«Cette solution arrive à comprendre que« l’ajustement à une chose et les interactions entre plusieurs ajustements peuvent avoir des effets en aval ».

«Ces relations complexes sont plus facilement capturées par l'apprentissage par renforcement profond, c'est pourquoi cette solution est plus robuste et capable d'apprendre mieux qu'un modèle traditionnel.»

Un autre avantage de commencer par une simulation est que la solution peut simuler l'exécution d'une journée en 30 secondes.

L'algorithme apprend les différentes combinaisons d'ajustements qui mènent aux paramètres de qualité définis en une fraction du temps.L'équipe développant la solution a également exécuté plusieurs simulations simultanément dans le cloud Azure, accélérant ainsi le processus.

Sur la base des conseils d'experts, les développeurs ont également programmé les règles nécessaires à la sécurité. Par exemple, la solution ajuste progressivement les commandes telles que la vitesse à laquelle une vis pousse la semoule de maïs à travers la matrice, car une modification trop brutale de la vitesse pourrait endommager la machine.

L'équipe a également écrit un code qui empêche la solution d'agir sur une suggestion si la combinaison d'ajustements pouvait bloquer la machine.

Ces contrôles de sécurité sont une autre raison pour laquelle les opérateurs sont essentiels à la conception d'une telle solution.

Une fois que la solution du système autonome a absorbé beaucoup de matériel d'étude et s'est bien comportée dans la simulation, il était temps de voir comment elle fonctionnait dans une usine d'essai.

L'IA en action

Pour faire un Cheetos Snack idéal, la solution avait besoin d'exemples de ce qui n'était pas idéal - et devait savoir quoi faire dans ces cas.

La ligne d'extrudeuse est autonome et bien adaptée pour développer et tester une solution de système autonome. Les opérateurs l'avaient exécutée manuellement, ce qui donnait aux développeurs la possibilité de créer la solution à partir de zéro, plutôt que par-dessus d'autres logiciels.

La solution AI dispose d'un mode de recommandation et d'un mode de contrôle en boucle fermée. Dans les deux modes, un système de vision par ordinateur mesure en continu la qualité des Cheetos.

En mode recommandation, l'IA alertera un opérateur si le produit dérive hors des spécifications, affichant sur un tableau de bord les attributs qui ne sont pas idéaux ainsi qu'une recommandation pour le corriger. L'opérateur peut appuyer sur un bouton pour effectuer tout ou partie des réglages recommandés.

En mode de contrôle, la seule différence est que la solution AI ignore l'étape de recommandation et ajuste les spécifications de la ligne d'extrudeuse indépendamment.

L'entreprise s'attend à ce que l'exécution de ce système de contrôle intelligent ramène le produit à des attributs acceptables plus rapidement.

Dans la ligne d'extrudeuse actuelle, les opérateurs mesurent les attributs du produit manuellement à des intervalles définis. Si les Cheetos ne sont pas conformes aux spécifications, l'opérateur effectue des ajustements en fonction des directives ou de l'expérience pour remettre le produit à une qualité acceptable.

Le problème: un échantillonnage peu fréquent signifiait que la ligne pouvait produire des Cheetos hors spécifications pendant une période plus longue sans que personne ne s'en rende compte.

La solution Project Bonsai surveillera le produit presque en continu, en utilisant des capteurs pour superviser des caractéristiques telles que la longueur et la densité apparente. De cette façon, elle sait dès que le produit s'écarte d'une plage définie.

En outre, la solution Project Bonsai a appris des opérateurs les plus qualifiés de l'entreprise, qui ont travaillé en tant qu'experts en la matière pendant la formation à la solution.

Jayson Stemmler :

«De cette manière, le cerveau pourrait encapsuler les connaissances et les compétences des meilleurs opérateurs, puis les appliquer via d'autres installations.»

Travailler vers une solution d'IA indépendante

Avec la plateforme Project Bonsai, PepsiCo traduit son expertise dans la fabrication alimentaire en une solution d'IA qui s'adapte aux environnements changeants.

En fin de compte, PepsiCo vise à laisser cette solution d'IA fonctionner de manière autonome. En lui permettant de surveiller le produit et d'ajuster la ligne d'extrudeuse de manière continue et indépendante, la société espère maintenir constamment la qualité Cheetos et produire plus de débit.

Dylan Dias :

«Nous sommes ravis de notre partenariat avec Microsoft et PepsiCo alors que nous progressons pour affiner l'agent intelligent et finalement déployer la solution, à grande échelle, dans les usines et dans d'autres secteurs du monde entier.»

PepsiCo continuera à affiner la solution d'IA tout en se préparant à l'étendre au-delà de l'usine de test et en explorant d'autres cas d'utilisation.

Sean Eichenlaub :

«Cette ligne d'extrusion était notre preuve de principe.»

«Maintenant que nous avons vu ce que Project Bonsai peut faire avec un seul produit, nous sommes impatients de trouver des moyens d'améliorer les processus dans toute l'entreprise et la gamme de produits.»