Tyson Foods mejora la eficiencia con la visión artificial y el machine learning mediante los servicios de AWS

Tyson Foods Inc. es una de las compañías de alimentos más grandes del mundo y líder reconocido en cuanto a alimentos proteicos. (Tyson Foods) procesa toneladas de alimentos cada semana. Debido a su escala de producción, Tyson Foods necesita que sus instalaciones sean eficientes y, al mismo tiempo, mantengan una alta calidad en sus alimentos. Los procesos manuales, como el recuento de inventario y las inspecciones de la maquinaria, hace que los empleados gasten su tiempo valioso y no ofrecen información a gran escala casi en tiempo real.

Tyson Foods ya utilizaba soluciones de visión artificial (CV) para aumentar los procesos que consumían mucho tiempo, pero la empresa quería incorporar una CV basada en el machine learning (ML) para reducir el costo y la complejidad de la implementación de la CV y, al mismo tiempo, mejorar la eficiencia operativa. Tyson Foods recurrió a Amazon Web Services (AWS) para añadir rápidamente el ML a sus soluciones de CV en las líneas de producción a fin de aumentar la eficiencia y ahorrar costes en sus instalaciones.

Tyson Foods produce carne de res, cerdo, pollo y alimentos preparados en más de 100 instalaciones en todo el mundo. En los Estados Unidos, se estima que el 20 por ciento del pollo, la carne de res y el cerdo del país provino de las instalaciones de Tyson Foods en 2021.

Tyson Foods inició una migración a la nube desde los centros de datos a AWS en 2018. Durante esta migración a la nube, Tyson Foods vio cómo la tienda Amazon Go automatizaba las experiencias de pago y venta minorista mediante cámaras y CV. El CV es un proceso que implica capturar, procesar y analizar imágenes y vídeos para que la maquinaria pueda extraer información contextual significativa del mundo físico. Esta tecnología de la tienda Amazon Go inspiró al equipo de tecnología emergente de la empresa a buscar soluciones de CV similares para abordar los desafíos y aumentar la eficiencia en sus procesos de producción. Debido a la escala de la producción en las instalaciones de Tyson Foods, los procesos de inspección manual pueden llevar mucho tiempo y crear obstáculos. Tyson Foods desarrolló con éxito una solución de CV inicial para aumentar estos procesos de inspección manual, pero sabía que la implementación de ML aumentaría la eficiencia y reduciría aún más la complejidad. La empresa se puso en contacto con AWS con el objetivo de obtener ayuda en la implementación de soluciones de CV basadas en ML para la gestión del inventario y la identificación de fallos en los transportistas de productos.

Tyson Foods tiene la capacidad de procesar 40 millones de pollos por semana, y la empresa se basa en mediciones precisas del inventario en las instalaciones para cumplir con los pedidos de los clientes. Debido a la escala de la producción, las técnicas manuales para contar las bandejas de pollo que superan las medidas de control de calidad no son lo suficientemente precisas. Las estrategias alternativas, como supervisar el peso total de la producción por hora por estante, no proporcionan datos de inmediato, lo que impide que los miembros del equipo tomen medidas casi en tiempo real. En 2021, Tyson Foods colaboró con Amazon Machine Learning Solutions Lab (Amazon ML Solutions Lab), que une al equipo de una organización con expertos en ML, para entrenar un modelo de detección de objetos con Amazon SageMaker con una infraestructura, herramientas y flujos de trabajo totalmente gestionados con el objetivo de crear, entrenar y desplegar modelos de ML para cualquier caso de uso. Este modelo detecta y cuenta las bandejas de pollo de forma automática en las transmisiones de vídeo de las líneas de producción a medida que los empleados las cargan en los carritos. Por medio de AWS Panorama, una colección de dispositivos de ML y un kit de desarrollo de software que lleva la CV a las cámaras locales, la empresa pudo desplegar este modelo en la periferia para analizar el vídeo en milisegundos. Con esta solución de CV, los supervisores de producción avícola reciben información casi en tiempo real sobre la cantidad de producción, lo que evita tanto la subproducción como la sobreproducción durante el turno.

Para mejorar otro caso de uso con CV gestionado por ML, Tyson Foods desarrolló una solución para identificar los alfileres de plástico defectuosos que sujetan los transportistas de productos en sus instalaciones de producción avícola. Antes, los empleados tenían que inspeccionar manualmente casi 8000 pines por línea en cada turno, ya que podían producirse problemas de seguridad o tiempos de inactividad no planificados si un alfiler se caía de su lugar. Este proceso de inspección requería atención a los detalles y un valioso tiempo del operador. Tyson Foods recurrió a Amazon Lookout for Vision, un servicio de ML que utiliza CV para detectar defectos de productos en objetos a escala, a fin de automatizar el proceso. Con Lookout for Vision, la empresa creó un modelo de ML personalizado para analizar imágenes y detectar anomalías, sin necesidad de conocimientos de ML. Tyson Foods desplegó el modelo en la periferia de un dispositivo de AWS Panorama, que las organizaciones pueden utilizar para conectar cámaras y procesar varias solicitudes de CV en varias transmisiones de vídeo de forma simultánea, de modo que sus empleados reciban una notificación inmediata de que un transportista de productos necesita mantenimiento cuando el modelo identifica anomalías. Con esta solución, los miembros del equipo ya no necesitan dedicar aproximadamente una hora por turno por línea a inspeccionar los transportistas de productos, lo que puede ahorrarle a la empresa 15 000 horas de mano de obra calificada al año en una sola instalación. 

Tyson Foods planea seguir utilizando los mismos procesos fundamentales para desarrollar soluciones de CV impulsadas por ML que aborden las necesidades de producción y automaticen una mayor parte del negocio. Con los servicios de AWS, la empresa ahora desarrolla soluciones con mayor rapidez y continúa optimizando los procesos. «Estas soluciones nos ayudan a utilizar exactamente lo que necesitamos al comprender la verdadera demanda y optimizar el inventario para poder planificar y reducir los residuos de manera eficaz», afirma Barret Miller, gerente sénior del equipo de tecnología emergente de Tyson Foods.