モノのインターネット（IoT）はビジネスの最適化には有効ですが、キャンディ愛好家にとってはマイナスになる可能性があります。ハーシーズは、機械学習を活用した製造工程の効率化を目指し、キャンディ製造施設にIoTセンサーを導入しており、ツイズラーや、ひいてはリースのピーナッツバターカップなどのハーシーズ製キャンディは小型化が進むでしょう。
ツイズラーズをはじめとする79ブランドのキャンディーを製造するハーシーズでは、機械学習と予測分析の導入プロセスが、ツイズラーズ工場の1つのラインから始まりました。ハーシーズはMicrosoft Azureを活用し、アルゴリズムを活用して製造プロセスを改善しました。
「Azure にあらかじめ用意されたアルゴリズムを活用して、すべての機械学習を連携させることができました。文字通り、データサイエンティストなしでこれを構築することができました」と、カリフォルニア州サンディエゴで開催された Industry of Things World USA で、高度生産性・コラボレーション担当シニアマネージャーを務めるジョージ・レンハート氏は述べています。
レンハート氏のお気に入りのお菓子は何かと聞かれたら、それはレモン入りのリコリスツイストのツイズラーズだ。とても珍しいので「ユニコーンのようだ」とレンハート氏は言う。
参照：AIと機械学習の実装方法（ZDNet特集）
サイズ変更の理由は、14,000ポンド（約6,300kg）のツイズラーを保管するタンクにセンサーを追加することで、温度などの管理精度が向上するためです。これにより、ハーシーはより正確な製造が可能になり、法定サイズガイドラインに適合させるために、パッケージに記載されているサイズよりもわずかに大きいキャンディーを製造する必要がなくなりました。
「この技術が上達するにつれて、リーシーズのピーナッツバターカップの量は減っていきます。2オンスしか出せないんです。1.99オンスは出せないので、2.19オンスにします。キャンディーを出す前に、重さを予測するんです」とレンハート氏は語った。
巨大な貯蔵タンクの上部から熱いツイズラーが注ぎ込まれ、タンクの底からキャンディが押し出されます。各貯蔵タンク内の熱いツイズラーの温度を監視するIoTセンサーを追加することで、同社はキャンディに関する新たな知見を得ました。
「ただの貯蔵タンクではないことが分かりました。リコリスは一定の温度で投入され、ワインとは違い、少し冷やされて熟成されます。14,000ポンド（約6,300kg）のリコリスは、まるで生き物のようになります。新しいリコリスが上に乗せられた時、非常に高温になり、ばらつきが始まりました」と彼は言いました。そして、リコリスが熱くなりすぎると、薄くなり、ツイズラーの重量が本来の重量に満たなくなってしまうのです。
調理槽には22個のセンサーがあり、リコリスがタンク内にある間、毎分毎秒の温度を測定します。「このアレイに基づいて機械を訓練し、どのポイントが故障するかを判断するために、6000万ものデータポイントを使用しました」と彼は言います。
レンハート氏によると、14,000ガロンのバッチで、ツイズラーズを正確な重量に近づけるためにサイズを1%小さくするごとに、50万ドルの節約になるという。「これは（ツイズラーズ用の）砂糖と小麦粉のコストです。同じ考え方をチョコレートに適用したらどうなるでしょうか？」チョコレートは砂糖や小麦粉よりも高価なので、節約効果はさらに大きくなるだろうと彼は述べた。
レンハート氏は、センサーによって最終製品の正味重量をより正確に予測できると述べた。機械学習によって正味重量の予測精度が向上するにつれて、ハーシーは製品のサイズをより正確に予測し、各製品に必要な重量に近づくことができるようになるだろう。
センサーは、貯蔵タンク内のツイズラーの量がある一定量に達すると、サイズにばらつきが生じることも示していました。解決策は簡単でした。タンクを再プログラムし、ツイズラーの量が再び問題のレベルに達しないようにしたのです。「しかし、センサーを見るまでこのことに気づきませんでした。センサーで可視化できたおかげで、それが問題とどのように相関しているかに気づいたのです」と彼は言いました。
IoTプロジェクトを開始できたことも大きな成果でした。レンハート氏によると、最終的に「イエス」の返事をもらうまでに、経営陣から4回も「ノー」を言われたそうです。
「自分が影響を与えることになるコストセンターの責任者よりも、もっと上の立場の人間にならなければなりませんでした。最初に「イエス」と言ってくれたのはCIOでした」と彼は言い、CIOから始めるべきだったと冗談を言った。「最初の「ノー」で終わるわけにはいかないんです。」
レンハート氏は、ハーシーで行ったデジタル変革について他の20社と話し合ったが、最も多く聞かれる質問は常に「保有するデータをどのように活用するか」だったと語った。
同氏は、企業で機械学習を始めたい人は誰でも、データを活用するために次の 8 つのステップに従うべきだと述べました。
- センサーを特定する - できるだけ多くのセンサーを見つける
- データの抽出 – リポジトリ/ヒストリアンからデータを取得する
- データのクレンジング – 分析用にデータをクリーンアップする
- 外れ値を探す – ボックスプロットを使用して外れ値を見つける
- データの相関関係 – PowerBIなどのツールを使用して、どのセンサーが影響を与えているかを表示します。
- トレーニングの時間です – マシンのトレーニングを開始し、テストを実行します
- リアルタイムでデータを分析するために必要なWebサービスを構築する
- ループを閉じる – 制御データを安全なパス経由でプラントに送り返す
TechRepublic の読者にとっての 3 つのポイント:
- ハーシーは、IoT センサーと機械学習用の Microsoft Azure アルゴリズムを使用して、Twizzler キャンディー ラインの生産効率を向上させました。
- 14,000 ポンドの貯蔵タンク内の Twizzlers のサイズが 1% 変わるごとに、500,000 ドルの節約になりました。
- 各 Twizzler 貯蔵タンクには 22 個のセンサーがあり、6,000 万のデータ ポイントが収集されます。
以下も参照:
- 機械学習と微生物：ビッグデータがバイオテクノロジーをどう再定義するか（TechRepublic）
- AIと機械学習がなぜ難しいのか、FacebookとGoogleが解説（TechRepublic）
- インフォグラフィック：企業の50％が近いうちにAIを活用する予定だが、詳細はまだ詰めていない（ZDNet）
- ビッグデータの最大の影響はシリコンバレーに及ばない（TechRepublic）
- 機械学習：賢い人のためのガイド（TechRepublic）
