Производство шоколада с искусственным интеллектом?

Кажется, пришло время рассмотреть утилиты для мануфактур. EthonAI как раз собрал 16 миллионов долларов в серии А.

Внутри обзора рассказываем, как компании смогли получить больше проводников и шоколада засчет ИИ.

Безусловно, любой распределительный склад сам по себе предполагает целый путь поставляемого и отправляемого товара, разветвленную систему погрузок и разгрузок. Сегодняшний стартап пошел дальше простейшей логистики распределительных центров и складов Ozon...

Думаю, все примерно представляют себе весь процесс мануфактурного производства. Задача нашего стартапа — создать экосистему, где часть аналитической работы по метрикам проводится при помощи ИИ.

Для начала нам следует понять, как устроена небольшая мануфактура, какие "боли" остаются у заводчан и как искусственный интеллект мог бы решить возникающие у предприятий проблемы на конкретных примерах.

Система производства зависит от типа производимого продукта. Очевидно? - конечно. Но принять во внимание этот факт — понять модель стартапа.

В отличие от других, "распыленных"" проектов, продукты Ethon предоставляют системы для разработки: полупроводников, аккумуляторов и, конечно, шоколадок. Предприятия выступили настоящими кейсами, которыми "фаундеры" засыпают незадачливых инвесторов и венчурные фонды.

Конечно, на сайте компании можно еще найти "кейсы" по улучшению целлюлозно-бумажной промышленности и производства пластика, например.

Хотя общая модель устройства ИИ-оптимизации все же есть с двумя важными свойствами: учет иерархии мануфактуры и причинно-следственных связей на производстве. Цель — снижение потери продукции. Теперь продавать можно не 85 моделей, а 97, а качество остается на одном уровне благодаря постоянному мониторингу.

Всего три продукта предоставляет Ethon.AI:

1. Аналитик — причинный ИИ, который выходит за рамки анализа линейных связей. Можно использовать накопленный опыт сотрудников для дообучений нейросети. Утилита имитирует реальные производственные процессы без кода и интерпретирует: физические параметры, временные ряды датчиков, информацию о маршрутизации.

Есть развернутая статистика и ранги стеков, до нескольких сотен параметров и показателей для каждого цеха и отдельного "станка".

2. Инспектор — детектор повреждений. Ну не получился у вас полупроводник, тогда на основе только 50 изображений (из тренировочного датасета) ИИ отберет непригодную пластинку и уведомит оператора. Важно: внутри многокамерный режим, поддержка разных типов изображений и их размера, совместимость по принципу «plug-and-play».

Inspector может обнаруживать как ошибки сборки (например, неверные положения, неправильную ориентацию, отсутствующие компоненты), так и дефекты поверхности (например, царапины, трещины, вмятины и пятна).

Встроенная функция OCR, а также возможности считывания матриц данных и QR-кодов. На проверке можно накладывать маску на участки и проводить высокоточные проверки.

3. Наблюдатель — система мониторинга со своим API и понятным для любого сотрудника интерфейсом.

4. Трекер – Saas для интеграции остальных инструментов Ethon в единое целое, а еще мониторингу продукта. Но этот инструмент больше нужен для отслеживания конкретной партии, ее "качества" и состояния готовности, например.

5. Шахтер — он анализирует и отслеживает процессы предприятия. Точки, где производство стагнирует, где появляются дефекты, где возникают избыточные буферные запасы. Утилита буквально майнит всё происходящее и вытаскивает проблемы мануфактуры наружу

6. Консоль предоставляет среду сценариев с прямым доступом к очищенным и контекстуализированным производственным данным. Причем работает она через Юпитер и позволяет нанять три дата-саентиста, чтобы работать с данными на глубоком уровне. Никаких низкоуровневых языков — только R и Python.

Есть возможность для совместной работы в облаке. Хорошая вещь для тех, кто хочет постоянно дополнять свое ПО производства.

Внушительный список продуктов, но все они не могут работать адекватно по отдельности. Чаще компания комбинирует утилиты для повышения эффективности работы предприятия и, вероятно, формирует тарифы для компаний.

Трюфели «Lindor» от Lindt & Sprüngli известны во всем мире среди любителей шоколада.

Эти трюфели продаются с 1969 года, когда они были представлены как сезонное угощение и использовались в качестве настоящих украшений для подвешивания на рождественских елках.

Полвека спустя ежегодно производятся миллиарды трюфелей Lindor.

Так гласит описание с их сайта. Автор этого обзора в первый раз слышит о компании, но предположим, что их репутация нарощенна десятками лет.

Здесь Ethon пошли по немного другому пути — проблеме бизнеса-франшизы.

Все знают про McDonalds, KFC и другие рестораны общего пользования — все они обладают одной особенностью — единой технологией для всех филиалов во всех странах и городах.

Устраиваясь в очередной общепит, у себя под окном или в центре города вы столкнетесь с идеальной стандартизацией: технологии производства бургеров и картошки, выверенным дизайном помещений, выбором локации (помещения), уникальной униформой персонала.

Главное — полное соответствие стандартам вне зависимости от местонахождения ресторана. Мак Дак работает одинаково хорошо как в Калининграде, так и в Париже несмотря на различия в стоимости поставок мяса, картошки и овощей, несмотря на разную цену за аренду торгового зала.

Трюфель Lindor работает по идентичному принципу, размножая производства по всему Европейскому континенту и США. Производство трюфелей Lindor включает в себя несколько этапов производства: формование, наполнение и упаковку. И это не говоря об общей логистике передвижения "какао-бобов" и их добыче.

Но завод по производству шоколада — это не торговый зал KFC: температура воздуха, влажность, качество доступного "для интеграции в производство" оборудования — все разное. Но Трюфель должен создаваться при помощи единой технологии. Качество должно быть превосходным.

Что делать, если ваш холодильник в третьем цеху плохо охлаждает шоколад, хотя в Париже он работал идеально? – корректировать температуру холодильника. Но проверка и подбор всех параметров (речь не только про холодильники) – настоящая морока.

Поэтому Ethon решили пойти по пути стандартизации производств и подбору оптимальных настроек параметров машин для получения идеальных трюфелей Lindor. Успешный "кейс" во многом обязан внушительному числу накопленной информации. Трюфельные заводы не каждый день открываются.

Всего вышло несколько производственных линий с десятками параметров качества у каждого. Например, эксперты по производству используют программное обеспечение EthonAI для точной настройки температур машин или конфигураций пресс-форм, чтобы заранее избегать потерь качества.

Около 15 процентов полупроводников попадают на помойку. Они “недопроводят” или “перепроводят” ток. За последние годы несколько производителей в Европе успешно потеряли клиентов из-за производственных потерь, поэтому Ethon поспешила на помощь со своим новым сервисом...

Обычно "разработчики" материала и чипов работают с линейными методами улучшения качества — корреляционный анализ между особенностями маршрутизации оборудования и выходом, например.

Но, как мы знаем, мир не такой уж и линейный. Поэтому подобные "упрямые" подходы не приводят к прояснению сложных закономерностей — они становятся источником производственных потерь. Несвоевременные поставки сырья и компонентов, а также проблемы с транспортировкой готовой продукции могут значительно замедлить производственный процесс и повысить его затраты.

Прояснение нелинейных паттернов — ключ к уменьшению "фейловых" материалов и повышению выручки.

Чтобы устранить недостатки линейных методов, многие производители недавно обратились к анализу данных, основанному на традиционном машинном обучении (деревья решений, случайные леса и т. д.).

Но у этих методов есть неотъемлемое ограничение: они предназначены для прогнозирования качественных результатов, а не для их улучшения.

При оценке важности признаков алгоритмы машинного обучения могут переобучать базовые данные, что приводит к вводящим в заблуждение выводам.

Они могут придавать большое значение переменным, которые просто коррелируют с проблемами, а не являются причинно-следственными факторами. Напоминаем, что корреляция — зависимость, но она не прямая.

Если человек рэпер — он носит набекрень. Но он стал рэпером не потому что развернул козырек на 30 градусов. Связь есть, но не причины и следствия.

В то же время критические параметры процесса, влияющие на производственный "выхлоп", могут игнорироваться, поскольку эти методы не учитывают последовательную и иерархическую природу производственных процессов.

Основное решение стартапа — отслеживать изменение данных, учитывая иерархию предприятия и последовательность производства. По итогу, они выявили несколько экспериментально поверенных проблем в оборудовании и процессе, которые увеличили количество готовых полупроводников на процентов.

Да, это было новое поколение чипов, но как же они справились! Цифры поразительные. Если одна полупроводниковая пластина стоит 6 тыс. долларов, сложно представить, насколько предприятие сэкономило.

Кажется, стартап решил инвестировать в себя, понижая конечную себестоимость полупроводников и увеличивая "предложение" на рынке.

Компания подготавливает системы мониторинга, подстраиваясь под каждое новое производство. И тут могут возникнуть совсем разные проблемы, начиная от разницы между производствами и невозможности построить адекватные метрики до интеграции утилит несмотря на любые заявления авторов. Далеко не все процессы подвергаются адекватному мониторингу, но для производств промышленной отрасли — отличный вариант.