[東京現場]寶寶副食品導入機器學習,日本大廠Kewpie給台灣的3大啟示

2017.12.01 by
翁書婷
kewpie
赴日旅遊的熱門嬰兒副食品採購品項Kewpie,從去年起利用人工智慧檢測嬰兒食品,由於台灣食品廠導入機器學習並不普及,因此日本知名食品大廠能給台灣廠商什麼樣的啟示?

家有嬰幼兒的父母,對於Kewpie這牌子或對可愛的嬰兒圖樣,應當不陌生。打開PChome或樂天拍賣,鍵入馬鈴薯嬰兒副食品就會出現琳琅滿目的Kewpie產品,而到日本旅遊時,Kewpie食品也是熱門的嬰兒副食品採購品項。

日本旅遊熱門的嬰兒副食品採購品項

Kewpie是一家擁有78年歷史的食品公司。去年夏天開始導入機器學習提升食品安全。Kewpie選擇從嬰兒食品切入,因為嬰兒食品強調高安全性以及高度可信賴性(食品中的切塊馬鈴薯常會面臨漂白等食安議題,讓父母擔憂)。

在東京舉辦的Google #MadeWithAI亞太區媒體活動Kewpie食品廠產品線負責人荻野武接受台灣媒體採訪。

由於台灣食品廠導入機器學習並不普及,經濟部技術處食品所執行產業技術前瞻研究與知識服務計畫產業分析師張欽宏就指出,臺灣食品製造多為半自動化生產模式,其中飲料業整線自動化程度最高。將全程製造產線智慧化需解決幾項問題,例如複雜變數的決策判定、人工經驗複製與數位化等。由於勞動人力短缺和高齡化,機器學習是傳承經驗與技術選擇之一。

因此日本知名食品大廠能給台灣廠商什麼樣的啟示?

為什麼要採用機器學習? 大規模提升產量

「我們檢查每天使用的全部成分,每天約四到五噸,是相當大的工作量。」荻野武說。首先,人工肉眼檢測有其極限。過去檢測人員來說,每天要面對數以萬計的檢測品,不僅工作繁瑣,長時間下來也會很疲憊,提高檢測失誤的風險。長期參與辨識作業還會影響眼睛健康。

而更重要的,「由於食品檢測員工需要一定程度的熟練精通度。這個人工檢測流程,讓工廠的無法大規模地提升產量。」加上機器具備「學習」能力。第一次也許會犯錯,但錯誤不會犯第二次,因此除了可以加速食品檢測過程外,還可以大幅度地降低失誤率。

啟示一:山不轉路轉,從監督式到非監督式學習

團隊研究了市面上的機器學習平台上,採用Tensorfow平台,並且透過Google找到技術合作廠BrainPad。

不過在導入機器學習時,團隊遇到了代表瑕疵馬鈴薯塊的數據不足的問題。團隊怎麼解決的呢?

荻野武說,若要用機器產品分類,那就代表必須採用監督式學習,但這就需要大量的標籤化數據,但在短時間內蒐集為數龐大的有瑕疵切塊馬鈴薯樣本是個很大的挑戰。

山不轉路轉,團隊改為用機器做異常探測(anomaly detector)利用沒有標籤化的數據,機器把數據依雷同度分群,給予機器代表有良好品質的切塊馬鈴薯數據,機器自動學習什麼是可以接受的,然後踢除不合格的。而且機器訓練期也沒有太久,僅有兩個月。

啟示二:產量倍增,超乎預期,未來將技術輸出

「由馬鈴薯製成的嬰兒食品產線,產量增加了兩倍。」荻野武說。美國國家標準技術研究所(NIST)預測,改變食品製程可提高生產能力達20%,並降低原料損耗率4%,而Kewpie的成果遠高於此。「雖然一開始導入機器學習技術提高生產成本,但因為產品倍增,投資的資金可以很順利的賺回來。」荻野武說。

「Kewpie從馬鈴薯製品開始,未來還將擴張到雞蛋與穀物等製品。」荻野武說。

KewPie的策略還不僅於此,由於在日本食品廠,導入機器學習做原物料檢測還不盛行,Kewpie算是走在前端,因此深知食品檢測相關領域的kewpie公司也打算把整套技術輸出到同業中。也就是說,先期投資雖然昂貴,但投資回報率並不低。

啟示三:不論近期或遠期都沒有要用機器取代人力

導入機器學習帶來的生產力提高,並不代表Kewpie公司因此想要撤除原來的人工檢測團隊,而Kewpie也對於食品檢測員工做得很好的工作再配置,這些員工除了原本就有的食品檢測專長外,現在還懂得如何和人工智慧協同合作,「而且有了機器做第一層把關,公司員工可以花更多心力在產品研發上。」荻野武說。

「因此,不管是近期或遠期,我們都沒有要用機器取代人力的計畫,因為機器學習系統是在第一關剔除有缺陷的成分後,我們的員工做最後的把關。這樣生產的產品,更能讓母親放心。」荻野武說。

每日精選科技圈重要消息