Descubra cómo Hershey aprovechó la Internet de los objetos, la computación en nube, el aprendizaje automático y los grandes datos para regular la producción en sus fábricas, sin contratar a un científico de datos.
Video: Todo lo que necesitas saber sobre el Internet de ThingsIoT es la tecnología subyacente que hará que todo sea inteligente. Larry Dignan explica por qué el espacio es un tema central de la sala de juntas, y una oportunidad para las empresas innovadoras de apoderarse de tierras.
La Internet de los objetos (IO) es buena para la optimización de los negocios, pero podría ser mala para los amantes de los caramelos. Twizzlers y eventualmente otros caramelos Hershey’s, como los Peanut Butter Cups de Reese, se harán más pequeños ahora que Hershey está añadiendo sensores IoT a sus instalaciones de fabricación de golosinas para hacer el proceso más eficiente a través del aprendizaje automático.
El proceso para comenzar a utilizar el aprendizaje de la máquina y el análisis predictivo en Hershey, que fabrica Twizzlers y otras 79 marcas de caramelos, comenzó en una sola línea de fábrica de Twizzlers. Hershey utilizó Microsoft Azure para utilizar algoritmos para mejorar el proceso de fabricación.
«Pudimos utilizar los algoritmos precocinados dentro de Azure para cablear todo el aprendizaje de la máquina. Literalmente pudimos construir esto sin un científico de datos», dijo George Lenhart, gerente senior, productividad avanzada y colaboración, en Industry of Things World USA en San Diego, California.
Y si te estás preguntando cuál es la delicia favorita de Lenhart, son los Twizzlers, torceduras de regaliz rellenas de limón, que según él son «como unicornios» en el sentido de que son tan raras.
VER: Cómo implementar la IA y el aprendizaje automático (característica especial de ZDNet)
La razón del cambio de tamaño es porque la adición de sensores a los tanques de retención con 14.000 libras de Twizzlers permite una mejor regulación de la temperatura y otros factores. Por lo tanto, Hershey puede ser más preciso y ya no tiene que hacer sus caramelos un poco más grandes que los que el envase profesa para asegurarse de que están dentro de las directrices legales de tamaño.
«A medida que mejoremos en esto, obtendrás menos de las tazas de mantequilla de maní de Reese. Tengo que darte dos onzas. No puedo darte 1.99 onzas, así que te doy 2.19 onzas. Predecimos cuál será el peso antes de darle los dulces», dijo Lenhart.
Más información sobre la inteligencia artificial
Los Twizzlers se vierten en caliente en la parte superior del vasto tanque de almacenamiento, y los caramelos se extruyen en el fondo del tanque. A través de la adición de sensores IoT para monitorear la temperatura de los Twizzlers calientes en cada tanque de almacenamiento, la compañía aprendió algunas cosas nuevas sobre sus caramelos.
«Descubrimos que era mucho más que un tanque de almacenamiento. El regaliz entra a una temperatura, envejece un poco, no como el vino, pero se enfría un poco. Se convierte en esta cosa viviente, las 14.000 libras de regaliz. Cuando el nuevo regaliz se puso encima, hacía tanto calor que la variabilidad comenzó», dijo. Y cuando el regaliz está demasiado caliente, se adelgaza, y los Twizzlers no pesan tanto como deberían.
Hay 22 sensores en una cuba de cocción, que evalúan la temperatura cada segundo de cada minuto mientras el regaliz está en el tanque. «Son 60 millones de puntos de datos que usé para entrenar a la máquina basada en este arreglo para saber cuáles fallarían», dijo.
Cada ajuste de 1% hacia abajo en tamaño para acercar los Twizzlers al peso preciso, en un lote de 14,000 galones, resulta en $500,000 en ahorros, dijo Lenhart. «Y eso es en azúcar y harina[para Twizzlers]. Imagínate cuando tomamos la misma filosofía y la aplicamos al chocolate?» Dado que el chocolate es más caro que el azúcar y la harina, los ahorros serían más sustanciales, dijo.
Lenhart dijo que la compañía puede predecir mejor el peso neto del producto final con los sensores. Y, a medida que mejoren en la predicción del peso neto a través del aprendizaje con máquinas, Hershey podrá predecir mejor el tamaño de sus productos y mantenerse más cerca del peso exacto requerido para cada producto.
Los sensores también mostraron cómo, cuando la cantidad de Twizzlers en el tanque de almacenamiento llegaba a un cierto punto, había más variabilidad en el tamaño. El arreglo fue simple: el tanque fue reprogramado para que la cantidad de Twizzlers no volviera a llegar a ese nivel de problema. «Pero, no sabíamos esto hasta que miramos los sensores. Sólo lo descubrimos porque teníamos ese nivel de visibilidad y me di cuenta de que esto se correlaciona con eso», dijo.
También fue un logro poner en marcha el proyecto de IO. Lenhart dijo que escuchó cuatro»no» de ejecutivos antes de que finalmente obtuviera un»sí».
«Tenía que superar a alguien cuyo centro de coste iba a afectar. El primer sí fue el CIO», dijo, bromeando con que debería haber empezado con el CIO. «No puedes parar con el primer»no».»
Lenhart dijo que ha hablado con otras 20 empresas sobre la transformación digital que hizo en Hershey, y la pregunta principal siempre fue, «¿cómo utilizo los datos que tengo?
Dijo que cualquiera que quiera comenzar con el aprendizaje automático en su empresa debe seguir estos ocho pasos para aprovechar los datos:
- Identificar sensores – encontrar tantos sensores como sea posible
- Extraer datos – extraer datos de repositorios/historiadores
- Limpieza de datos: limpie los datos para el análisis
- Buscar valores atípicos – Usar gráficos de recuadros para encontrar valores atípicos
- Correlacionar datos: utilice herramientas como PowerBI para mostrar qué sensores tienen efecto.
- Tiempo para entrenar – comience a entrenar su máquina y realice pruebas
- Construir servicios web – necesarios para analizar datos en tiempo real
- Cierre el bucle – envío de datos de control de vuelta a la planta a través de una ruta segura
- Hershey utilizó sensores IoT y algoritmos Microsoft Azure para aprender a mejorar la eficiencia de la producción en una línea de dulces Twizzler.
- Cada cambio del 1% en el tamaño de los Twizzlers en un tanque de retención de 14,000 libras resultó en un ahorro de $500,000.
- Hay 22 sensores en cada tanque de almacenamiento Twizzler, con 60 millones de puntos de datos recopilados.
Próximo boletín informativo de Big Thing
Conoce las ciudades inteligentes, la IA, la Internet de las cosas, la RV, la conducción autónoma, los aviones no tripulados, la robótica y más de las innovaciones tecnológicas más geniales. Entregado los miércoles y viernes
mismo
Ver también: