- Advertisement -

Η PepsiCo χρησιμοποιεί την Τεχνητή Νοημοσύνη και τη Μηχανική Μάθηση

Μια επιχείρηση που συνειδητοποίησε ότι η χρήση της τεχνητής νοημοσύνης (AI) και της μηχανικής μάθησης είναι μια επιχειρησιακή ανάγκη, είναι η PepsiCo.

Η εταιρεία τροφίμων και ποτών πίσω από τις μάρκες Pepsi, Gatorade, Tropicana, Lipton, Frito-Lay και Quaker πωλεί προϊόντα σε περισσότερες από 200 χώρες και έφερε ετήσια έσοδα 64,7 δισ. Δολαρίων πέρυσι.

Από τα ρομπότ μέχρι την εκμάθηση μηχανών, η PepsiCo χρησιμοποιεί την AI και την εκμάθηση μηχανών σε ολόκληρο τον οργανισμό με πολλούς τρόπους.

Υπάρχει ένα εργαλείο ρομπότ για κινητά μηχανήματα αυτόματων πωλητών κινητών μηχανημάτων γύρω από το πανεπιστήμιο του Ειρηνικού, το οποίο είναι γεμάτο από σνακ PepsiCo και ποτά από το Hello Goodness – μια υγιέστερη σύνθεση που περιλαμβάνει τα SunChips, το Baked Lay και το αφρώδες νερό.

Με την ονομασία Snackbot, αυτά τα ρομπότ αυτο-οδήγησης είναι μια συνεργασία μεταξύ της Robby Technologies και της PepsiCo.

Οι φοιτητές μπορούν να παραγγείλουν τα σνακ τους από την εφαρμογή Snackbot και στη συνέχεια το ρομπότ θα τα παραδώσει σε περισσότερες από 50 θέσεις σε ολόκληρη την πανεπιστημιούπολη χωρίς να χρεώσει τέλος παράδοσης.

Τα bots έχουν μια σειρά από 20 μίλια με μία μόνο φόρτιση της μπαταρίας και μπορούν να πλοηγηθούν ακόμα και τη νύχτα, στη βροχή ή στα κράσπεδα, χάρη στους προβολείς της πλατφόρμας και τις δυνατότητες οδήγησης σε όλους τους τροχούς.

Το Snackbot αντιπροσωπεύει τη λύση στις ανάγκες των φοιτητών κολλεγίων που φοριούνται για το χρόνο και οι προτιμήσεις τους προσδιορίζονται μέσω της έρευνας της PepsiCo.

Υπάρχουν 3 έως 5 Snackbots στην πανεπιστημιούπολη για να συμβαδίσει με τη ζήτηση.

Η μονάδα παραγωγής Frito-Lay (θυγατρική της PepsiCo) επωφελείται από τη μηχανική μάθηση. Ένα έργο χρησιμοποιεί λέιζερ για να χτυπήσει μάρκες και στη συνέχεια να ακούσει τους ήχους που προέρχονται από το τσιπ για τον προσδιορισμό της υφής.

Οι αλγόριθμοι επεξεργάζονται τον ήχο και καθορίζουν την υφή των τσιπ για να αυτοματοποιήσουν τον έλεγχο ποιότητας για τα συστήματα επεξεργασίας τσιπ της Frito-Lay.

Από αυτή την αρχή, ο Shameer Mirza, ανώτερος μηχανικός έρευνας και ανάπτυξης της PepsiCo, πραγματοποίησε πολλές ακόμα εφαρμογές μηχανικής μάθησης, οι οποίες θα μπορούσαν να επηρεάσουν τον έλεγχο των διαδικασιών στο εργοστάσιο.

Στη συνέχεια, ο Mirza ανέπτυξε ένα μοντέλο μηχανικής μάθησης που θα μπορούσε να χρησιμοποιηθεί με ένα σύστημα όρασης για να είναι σε θέση να προβλέψει το βάρος των προς επεξεργασία πατατών.

Αυτό οδήγησε σε σημαντικές εξοικονομήσεις για την εταιρεία επειδή δεν χρειάστηκε πλέον να δαπανήσει 300.000 δολάρια ανά γραμμή (είχαν 35 μόνο στις Η.Π.Α.) για στοιχεία ζύγισης.

Τα συστήματα της Mirza χρησιμοποίησαν μόνο μια φωτογραφική μηχανή και το μοντέλο μηχανικής μάθησης και ουσιαστικά αποτελούν απλώς πρόσθετα σημεία δεδομένων που συλλέγονται χωρίς επιπλέον κόστος.

Ένα άλλο έργο που βρίσκεται ακόμη σε εξέλιξη θα αξιολογούσε το «ποσοστό φλούδας» μιας πατάτας αφού είχε περάσει από τη διαδικασία αποφλοιώσεως.

Με την κατανόηση αυτών των δεδομένων, μπορεί να βοηθήσει την ομάδα Frito-Lay να βελτιστοποιήσει το σύστημα αποφλοιώσεως πατάτας.

Το μόνο αυτό το έργο εκτιμάται ότι θα σώσει την εταιρεία πάνω από 1 εκατομμύριο δολάρια το χρόνο μόνο στις Ηνωμένες Πολιτείες.

Η PepsiCo δρομολογεί ένα παγκόσμιο εκπαιδευτικό μάθημα για την προηγμένη μηχανική μάθηση και όραμα ηλεκτρονικών υπολογιστών για τους συνεργάτες της στον τομέα της εσωτερικής έρευνας και ανάπτυξης φέτος για να διευρύνει τις ικανότητες της ομάδας της να χρησιμοποιεί αυτές τις τεχνολογίες για να συνεχίσει να βρίσκει ιδέες που θα οδηγήσουν στην αποτελεσματικότητα των εγκαταστάσεων παραγωγής της.

ΓΡΑΨΤΕ ΤΟ ΣΧΟΛΙΟ ΣΑΣ

Your email address will not be published.