PepsiCo använder AI för att skapa ett intelligent övervakningssystem som förbättrar Cheetos konsistens

För det otränade ögat (och munnen) är ett Cheetos Snack ett Cheetos Snack. Men även inbitna snacksälskare kanske inte inser hur långt ingenjörer går för att säkerställa att varje tugga har den optimala crunchen, lättheten och formen.

PepsiCo, vars Frito-Lay-division tillverkar Cheetos och andra älskade varumärken som Tostitos och Doritos, ville ha ett mer effektivt sätt att konsekvent tillverka Cheetos med de rätta egenskaperna och samtidigt minska avfallet.

För att nå detta mål utvecklade PepsiCo en AI-lösning som drivs av Microsoft Project Bonsai som övervakar och justerar sina extruders, utrustningen som producerar Cheetos.

Den komplexa extrudern var ett idealiskt testfall: Flera input och specifikationer, inklusive förhållandet mellan majsmjöl och vatten och skärverktygets hastighet, samverkar för att skapa idealiska Cheetos Snack-egenskaper.

Project Bonsai-lösningen har nu visat sig i en pilotanläggning, där tekniken gör ett bra jobb med att självständigt justera extrudern för att bibehålla produktkvalitet och konsistens.

Sean Eichenlaub, senior chefsingenjör på PepsiCo:

"Detta är framtiden för processkontroller."

"Vi använder AI-baserad automatisering för att förbättra konsistensen i våra produkter."

PepsiCo byggde ett datorvisionssystem som kontinuerligt övervakar Cheetos attribut.

Data om kvaliteter som densitet och längd matas till Project Bonsai-lösningen, som gör justeringar för att få produkten inom spec.

Detta tillvägagångssätt minskar tiden det tar att korrigera inkonsekvenser och gör det möjligt för operatörer att fokusera på delar av linjen som kräver mänsklig expertis.

Kevin Lin, biträdande chefsingenjör på PepsiCo:

"Projekt Bonsai tillåter oss att använda teknik för de saker den är bäst på och våra anställda för de saker de är bäst på."

"De två kompletterar varandra och hittills har vi sett fantastiska resultat."

PepsiCo förbereder sig för att använda lösningen i en produktionsanläggning och undersöker hur man kan använda lösningen med andra produkter, inklusive tillverkningsprocessen för tortillachips.

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

"Innovation är en nyckelingrediens i vår framgång på PepsiCo och hjälper oss att leverera spännande nya produkter, tekniska framsteg och till och med nya sätt att arbeta - vad det än krävs för att säkerställa att vi fortsätter att ge våra konsumenter leenden varje dag."

"Cheetos, ett av våra mest älskade miljardvarumärken, tillverkas i 22 länder och finns i mer än 50 smaker."

"Project Bonsai-tekniken hjälper oss att säkerställa att varje Cheetos Snack är perfekt, och vi är glada över dess potential. Detta är bara början."

Innovation på fabriksgolvet

En produkt som inte är specificerad kan inte säljas, vilket leder till slöseri med resurser, tid och pengar. Större konsekvens hjälper PepsiCo att upprätthålla högkvalitativa produkter samtidigt som genomströmningen maximeras.

Som en del av företagets digitala transformationsansträngningar började PepsiCo undersöka hur man kan tillämpa nästa generations AI i sin egen verksamhet för några år sedan.

Project Bonsai bemyndigade företagets experter att utbilda AI-agenten att verka framgångsrikt i en komplex miljö.

Dylan Dias, VD för Neal Analytics, som samarbetade med PepsiCo och Microsoft i projektet:

"Microsoft Project Bonsai erbjuder ett kraftfullt tillvägagångssätt för autonom systemdesign och implementering."

"Projektet sammanförde en blandning av teknik, tillämpad modelleringsförmåga och ämnesexpertis för att skapa innovation på fabriksgolvet."

Att träna en algoritm live i anläggningen var helt enkelt omöjligt – PepsiCo kunde inte riskera att en AI-lösning äventyrade säkerheten eller produktionsschemat. Det är en anledning till att Project Bonsai-lösningen först lär sig i en miljö som är noggrant utformad för att simulera extruderlinjen.

Utvecklare arbetade med operatörer för att återskapa de villkor och reaktioner som arbetare ser i verkligheten. Ju närmare simulatorn är den faktiska linjen, desto färre justeringar behöver teamet göra innan lösningen kan fungera i anläggningen.

Jayson Stemmler, en teknisk projektledare på Neal Analytics som arbetade med PepsiCo-pilotprojektet:

"Ämnesexperter ger oss en överblick över hur processen faktiskt fungerar i anläggningen."

"De hjälper oss att förstå det varje steg på vägen så att vi kan bygga en simulator för att replikera extruderingslinjen så nära som möjligt."

Feedback förstärker lärandet

Och istället för att låta en AI-lösning lära sig vad man ska göra och inte göra genom att bara prova och missa, som konventionell maskininlärning gör, bygger förstärkningsinlärning positiv och negativ feedback. Skillnaden mellan de två tillvägagångssätten kan jämföras med att lära sig cykla.

Om du lämnas åt dig själv, kommer du förmodligen att ta reda på hur du balanserar, trampar och styr. Men om någon är där för att heja på vad du gör rätt och påpeka dina misstag, lär du dig snabbare – och med färre flådda knän.

Jayson Stemmler:

"När plattformen når de Cheetos-kvaliteter vi siktar på, får den den optimala belöningen."

"På detta sätt lär sig förstärkningsinlärningsalgoritmen vad man ska göra och vad man inte ska göra medan den fortfarande är i en simulering."

Förstärkningsinlärning innebär att lösningen i slutändan kan ge rekommendationer även under förhållanden som den inte stötte på i en simulator.

Jayson Stemmler:

"Denna lösning kommer att förstå att "att göra en justering av en sak, och interaktioner mellan flera justeringar, kan ha nedströmseffekter."

"Dessa komplexa relationer fångas lättare upp av djup förstärkningsinlärning, vilket är anledningen till att den här lösningen är mer robust och kan lära sig bättre än en traditionell modell."

En annan fördel med att börja med en simulering är att lösningen kan simulera en dags löpning på 30 sekunder.

Algoritmen lär sig de olika kombinationerna av justeringar som leder till de definierade kvalitetsparametrarna på en bråkdel av tiden. Teamet som utvecklade lösningen körde också flera simuleringar samtidigt i Azure-molnet, vilket påskyndade processen ytterligare.

Baserat på vägledning från experter programmerade utvecklarna också regler som är nödvändiga för säkerheten. Till exempel justerar lösningen stegvis kontroller såsom hastigheten en skruv trycker majsmjöl genom formen, eftersom en för abrupt ändring av hastigheten kan skada maskinen.

Teamet skrev också kod som förhindrar lösningen från att agera på ett förslag om kombinationen av justeringar skulle kunna blockera maskinen.

Dessa säkerhetskontroller är ytterligare en anledning till att operatörer är kritiska för att utforma en sådan lösning.

När den autonoma systemlösningen hade absorberat mycket studiematerial och fungerade bra i simuleringen var det dags att se hur det gick i en testanläggning.

AI i aktion

För att göra ett perfekt Cheetos Snack behövde lösningen exempel på vad som inte var idealiskt – och behövde veta vad man skulle göra i dessa fall.

Extruderlinjen är fristående och väl lämpad för att utveckla och testa en autonom systemlösning. Operatörer hade kört det manuellt, vilket gav utvecklare möjlighet att bygga lösningen från grunden, istället för ovanpå annan mjukvara.

AI-lösningen har ett rekommendationsläge och ett kontrollläge med sluten slinga. I båda lägena mäter ett datorseende system kontinuerligt kvaliteten på Cheetos.

I rekommendationsläge kommer AI:n att varna en operatör om produkten går utanför specifikationen, och visar på en instrumentpanel de attribut som inte är idealiska samt en rekommendation att korrigera det. Operatören kan trycka på en knapp för att göra någon eller alla rekommenderade justeringar.

I kontrollläget är den enda skillnaden att AI-lösningen hoppar över rekommendationssteget och justerar extruderlinjespecifikationerna oberoende.

Företaget förväntar sig att körning av detta intelligenta kontrollsystem kommer att återställa produkten till acceptabla egenskaper snabbare.

I den nuvarande extruderlinjen mäter operatörer produktattribut manuellt med definierade intervall. Om Cheetos saknar specifikation, gör operatören justeringar baserat på riktlinjer eller erfarenhet för att återställa produkten till acceptabel kvalitet.

Problemet: sällsynta provtagningar innebar att linjen kunde producera cheetos som inte är specifika för en längre tid utan att någon inser det.

Project Bonsai-lösningen kommer att övervaka produkten nästan kontinuerligt, med hjälp av sensorer för att övervaka egenskaper som längd och bulkdensitet. På så sätt vet den så fort produkten kommer utanför ett definierat intervall.

Projekt Bonsai-lösningen lärde sig också av företagets skickligaste operatörer, som arbetade som ämnesexperter under lösningens utbildning.

Jayson Stemmler:

"På detta sätt kan hjärnan kapsla in kunskapen och skickligheten hos de bästa operatörerna och sedan tillämpa det genom andra faciliteter."

Arbetar mot en oberoende AI-lösning

Med Project Bonsai-plattformen översätter PepsiCo sin expertis inom livsmedelstillverkning till en AI-lösning som anpassar sig till föränderliga miljöer.

I slutändan strävar PepsiCo efter att låta denna AI-lösning köras autonomt. Genom att ge det möjlighet att övervaka produkten och justera extruderlinjen kontinuerligt och oberoende, förväntar sig företaget att konsekvent upprätthålla Cheetos kvalitet och producera mer genomströmning.

Dylan Dias:

"Vi är glada över vårt partnerskap med Microsoft och PepsiCo när vi går framåt för att förfina den intelligenta agenten och så småningom distribuera lösningen, i stor skala, i fabriker och andra industrier runt om i världen."

PepsiCo kommer att fortsätta att finjustera AI-lösningen samtidigt som de förbereder sig för att utöka den bortom testanläggningen och utforska andra användningsfall.

Sean Eichenlaub:

"Denna extruderingslinje var vårt principbevis."

"Nu när vi har sett vad Project Bonsai kan göra med en produkt, är vi ivriga att hitta sätt att förbättra processer över hela företaget och produktlinjen."