Para o olho (e boca) destreinado, um Cheetos Snack é um Cheetos Snack. Mas mesmo os amantes de petiscos mais inveterados podem não perceber até que ponto os engenheiros vão para garantir que cada mordida tenha a crocância, a leveza e a forma ideais.
A PepsiCo, cuja divisão Frito-Lay fabrica Cheetos e outras marcas queridas como Tostitos e Doritos, queria uma maneira mais eficiente de fabricar Cheetos de forma consistente com os atributos adequados, reduzindo o desperdício.
Para cumprir esse objetivo, a PepsiCo desenvolveu uma solução de IA movida pelo Microsoft Project Bonsai que monitora e ajusta suas extrusoras, equipamentos que produzem Cheetos.
A extrusora complexa era um caso de teste ideal: várias entradas e especificações, incluindo a proporção de fubá para água e a velocidade da ferramenta de corte, interagem para criar as características ideais do Cheetos Snack.
A solução do Projeto Bonsai já foi comprovada em uma planta piloto, onde a tecnologia faz um bom trabalho de ajuste independente da extrusora para manter a qualidade e consistência do produto.
Sean Eichenlaub, engenheiro sênior da PepsiCo:
“Este é o futuro dos controles de processo.”
“Estamos usando automação baseada em IA para melhorar a consistência de nossos produtos.”
A PepsiCo construiu um sistema de visão por computador que monitora continuamente os atributos do Cheetos.
Dados sobre qualidades como densidade e comprimento são alimentados para a solução Project Bonsai, que faz ajustes para trazer o produto dentro das especificações.
Essa abordagem reduz o tempo necessário para corrigir inconsistências e permite que os operadores se concentrem nas partes da linha que exigem experiência humana.
Kevin Lin, engenheiro principal associado da PepsiCo:
“O Projeto Bonsai nos permite utilizar a tecnologia para o que ele faz melhor e nossos funcionários para o que eles fazem melhor.”
“Os dois se complementam e, até agora, vimos ótimos resultados.”
A PepsiCo está se preparando para usar a solução em uma planta de produção e explorando como usar a solução com outros produtos, incluindo o processo de fabricação de chips de tortilha.
Denise Lefebvre, vice-presidente sênior de P&D de alimentos globais da PepsiCo:
“A inovação é um ingrediente-chave para o nosso sucesso na PepsiCo e nos ajuda a entregar novos produtos empolgantes, avanços tecnológicos e até novas formas de trabalhar - o que for necessário para garantir que continuemos a trazer sorrisos aos nossos consumidores todos os dias.
“Cheetos, uma de nossas marcas de bilhões de dólares mais queridas, são produzidos em 22 países e vêm em mais de 50 sabores.”
“A tecnologia do Projeto Bonsai nos ajuda a garantir que cada Cheetos Snack seja perfeito, e estamos entusiasmados com seu potencial. Este é apenas o começo."
Inovação no chão de fábrica
Um produto fora das especificações não pode ser vendido, o que leva ao desperdício de recursos, tempo e dinheiro. Maior consistência ajuda a PepsiCo a manter produtos de alta qualidade enquanto maximiza o rendimento.
Como parte dos esforços de transformação digital da empresa, a PepsiCo começou a investigar como aplicar a próxima geração de IA em suas próprias operações há alguns anos.
O Projeto Bonsai capacitou os especialistas da empresa a treinar o agente de IA para operar com sucesso em um ambiente complexo.
Dylan Dias, CEO da Neal Analytics, que fez parceria com a PepsiCo e a Microsoft no projeto:
“O Microsoft Project Bonsai oferece uma abordagem poderosa para o design e implementação de sistemas autônomos.”
“O projeto reuniu uma mistura de tecnologia, habilidades de modelagem aplicada e experiência no assunto para criar inovação no chão de fábrica.”
Treinar um algoritmo ao vivo na planta era simplesmente inviável - a PepsiCo não podia arriscar que uma solução de IA comprometesse a segurança ou o cronograma de produção. Esse é um dos motivos pelos quais a solução do Projeto Bonsai aprende pela primeira vez em um ambiente cuidadosamente elaborado para simular a linha da extrusora.
Os desenvolvedores trabalharam com os operadores para recriar as condições e reações que os trabalhadores veem na vida real. Quanto mais próximo o simulador estiver da linha real, menos ajustes a equipe precisará fazer antes que a solução possa operar na planta.
Jayson Stemmler, gerente de projeto técnico da Neal Analytics que trabalhou no projeto piloto da PepsiCo:
“Os especialistas no assunto nos dão uma visão geral de como o processo realmente funciona na planta.”
“Eles nos ajudam a entender isso em cada etapa do caminho para que possamos construir um simulador para replicar a linha de extrusão o mais próximo possível.”
Feedback reforça a aprendizagem
E em vez de permitir que uma solução de IA aprenda o que fazer e não fazer apenas por tentativa e erro, como o aprendizado de máquina convencional faz, o aprendizado por reforço cria feedback positivo e negativo. A diferença entre as duas abordagens pode ser comparada a aprender a andar de bicicleta.
Se você ficar sozinho, provavelmente descobrirá como equilibrar, pedalar e dirigir. Mas se alguém estiver lá para torcer pelo que você está fazendo certo e apontar seus erros, você aprenderá mais rápido - e com menos joelhos esfolados.
Jayson Stemler:
“Quando a plataforma atinge as qualidades de Cheetos que almejamos, obtém a recompensa ideal.”
“Desta forma, o algoritmo de aprendizagem por reforço aprende o que fazer e o que não fazer enquanto ainda está em uma simulação.”
Aprendizagem por reforço significa que a solução pode fazer recomendações, mesmo em condições que não encontrou em um simulador.
Jayson Stemler:
“Esta solução compreende que“ fazer um ajuste em uma coisa e as interações entre vários ajustes podem ter efeitos posteriores ”.
“Essas relações complexas são mais facilmente capturadas pelo aprendizado por reforço profundo, e é por isso que essa solução é mais robusta e capaz de aprender melhor do que um modelo tradicional.”
Outro benefício de começar com uma simulação é que a solução pode simular a execução de um dia em 30 segundos.
O algoritmo aprende as diferentes combinações de ajustes que levam aos parâmetros de qualidade definidos em uma fração do tempo. A equipe de desenvolvimento da solução também executou várias simulações simultaneamente na nuvem Azure, agilizando ainda mais o processo.
Com base na orientação de especialistas, os desenvolvedores também programaram regras necessárias para a segurança. Por exemplo, a solução ajusta incrementalmente os controles, como a taxa que um parafuso empurra a farinha de milho através da matriz, pois alterar a taxa muito abruptamente pode danificar a máquina.
A equipe também escreveu um código que evita que a solução atue em uma sugestão se a combinação de ajustes puder travar a máquina.
Esses controles de segurança são mais um motivo pelo qual os operadores são essenciais para projetar tal solução.
Depois que a solução do sistema autônomo absorveu muito material de estudo e estava apresentando um bom desempenho na simulação, era hora de ver como ela se saiu em uma planta de teste.
IA em ação
Para fazer um Cheetos Snack ideal, a solução precisava de exemplos do que não era ideal - e precisava saber o que fazer nesses casos.
A linha de extrusora é independente e adequada para desenvolver e testar uma solução de sistema autônomo. Os operadores o executavam manualmente, o que deu aos desenvolvedores a oportunidade de construir a solução do zero, em vez de sobre outro software.
A solução AI tem um modo de recomendação e um modo de controle de malha fechada. Em ambos os modos, um sistema de visão por computador mede continuamente a qualidade dos Cheetos.
No modo de recomendação, o AI alertará um operador se o produto sair da especificação, exibindo em um painel de instrumentos os atributos que não são ideais, bem como uma recomendação para corrigi-los. O operador pode apertar um botão para fazer qualquer um ou todos os ajustes recomendados.
No modo de controle, a única diferença é que a solução de AI pula a etapa de recomendação e ajusta as especificações da linha da extrusora de forma independente.
A empresa espera que a execução desse sistema de controle inteligente retornará o produto aos atributos aceitáveis mais rapidamente.
Na linha de extrusora atual, os operadores medem os atributos do produto manualmente em intervalos definidos. Se os Cheetos estiverem fora das especificações, o operador faz ajustes com base nas diretrizes ou na experiência para retornar o produto à qualidade aceitável.
O problema: amostragem infrequente significava que a linha poderia estar produzindo Cheetos fora das especificações por um longo período de tempo sem que ninguém percebesse.
A solução Projeto Bonsai irá monitorar o produto quase continuamente, usando sensores para supervisionar características como comprimento e densidade aparente. Dessa forma, ele sabe assim que o produto se extraviar para fora de uma faixa definida.
Além disso, a solução Projeto Bonsai aprendeu com os operadores mais qualificados da empresa, que trabalharam como especialistas no assunto durante o treinamento da solução.
Jayson Stemler:
“Desta forma, o cérebro poderia encapsular o conhecimento e a habilidade dos melhores operadores e, em seguida, aplicá-los por meio de outras instalações.”
Trabalhando em direção a uma solução de IA independente
Com a plataforma Projeto Bonsai, a PepsiCo está traduzindo sua experiência na fabricação de alimentos em uma solução de IA que se adapta a ambientes em mudança.
Em última análise, a PepsiCo visa permitir que essa solução de IA seja executada de forma autônoma. Ao capacitá-la para monitorar o produto e ajustar a linha da extrusora de forma contínua e independente, a empresa espera manter a qualidade dos Cheetos de forma consistente e produzir mais rendimento.
Dylan Dias:
“Estamos entusiasmados com nossa parceria com a Microsoft e a PepsiCo à medida que avançamos para refinar o agente inteligente e, eventualmente, implantar a solução, em escala, em fábricas e outras indústrias ao redor do mundo.”
A PepsiCo continuará a ajustar a solução de IA enquanto se prepara para estendê-la além da planta de teste e explorar outros casos de uso.
Sean Eichenlaub:
“Esta linha de extrusão foi a nossa prova de princípio.”
“Agora que vimos o que o Projeto Bonsai pode fazer com um produto, estamos ansiosos para encontrar maneiras de melhorar os processos em toda a empresa e linha de produtos.”