Digitaliseringen finns överallt. Från logistik till hälso- och sjukvård omformar AI och maskininlärning industrier i en aldrig tidigare skådad takt. Men vad innebär detta för osttillverkning – en bransch som genomsyras av tradition, hantverk och sensorisk expertis?
Vid första anblicken kan ostproduktion verka immun mot digitala störningar. Men under ytan är det en process som är rik på variabler: mjölksammansättning, temperatur, pH-nivåer, fuktinnehåll och mikrobiell aktivitet – som alla påverkar slutprodukten. Denna komplexitet gör den till en utmärkt kandidat för digital innovation.
Vi presenterar Tetra Paks Solution Manager Analyze Tim Dijkstra och Commercial Manager Joanna Ilczyszyn som ska ge dig en översikt över alla möjligheter som nya verktyg och tekniker öppnar upp för osttillverkare – och ge dig en smygtitt på framtiden.
Steg ett börjar här. Med en utmaning.
På Tetra Pak har vi djupgående domänexpertis som sträcker sig bortom utrustning och tjänster. Vårt team, som vi kallar Analyse, använder denna kunskap för att omvandla kundanläggningsdata till värdefulla insikter som driver effektivitet och minskar kostnader. Genom att tillämpa vår branschspecifika förståelse lägger vi till ett viktigt sammanhang för rådata och skapar kraftfulla tillämpningar anpassade till livsmedels- och dryckestillverkarnas unika behov. För att uppnå detta är det första steget att säkerställa en tydlig problembeskrivning och tillgång till data.
Vi frågar alltid vår kund ”vad som är deras utmaning”. Och sedan ”om de har data om problemet”. Om du får positiva svar på de två frågorna finns det en potential att undersöka möjligheterna. Vi säger möjligheter – eftersom det kommer att finnas vissa utmaningar. Vi kommer till exempel att möta en mångfald av datakällor. Vissa data kommer att finnas på papper och vissa kommer att lagras i olika databaser i lokalerna. För att frigöra värdet av data vill du samla allt i en enda källa till data av hög kvalitet. Vi kan hjälpa kunderna genom att uppgradera deras infrastruktur – vi bygger en framtidsberedd infrastruktur som en standardplattform redan i dag”, säger Tim.
Steg två. Lösningstid.
Med förutsättningen att det finns en infrastruktur för datainsamling på plats ställer vi oss frågan hur dessa data kan användas? Tim igen:
”Vår omfattning omfattar olika kompetenser och förmågor – osttekniker, datavetare, automationstekniker och naturligtvis finns det också våra kundinriktade medarbetare som kan förmedla budskapet. Så det är ett ganska tvärvetenskapligt område.”
För att förklara vad ett ”omfattning” kan bestå av exemplifierar Tim med en AI-modell för optimering av en av de viktigaste kvalitetsindikatorerna inom ost: fuktnivån.
”Vi har utvecklat en algoritm som låter kunderna kontrollera fuktnivåerna hos ost. För att implementera detta analyserar vi först om det finns ett giltigt affärscase för den specifika kunden. Därför behöver vi tillgång till en viss uppsättning data. Tolkning av dessa data kräver både en dataforskare för att analysera den och en osttekniker för att förklara dess betydelse. Så tolkningen av data är en gemensam insats. Med vår algoritm och kundens data bygger vi modellen, validerar den och distribuerar den. När vi väl har implementerat modellen fortsätter vi att förbättra den genom att uppdatera datauppsättningen, analysera prestandan och anpassa modellen därefter. Det finns också ett gränssnitt för operatören, och vi utbildar dem i hur man arbetar med det. Det är ett komplett paket”.
På så sätt kan kunderna optimera och uppnå fullständig kontroll över fuktnivåerna i sin ost. Den bygger upp kunskap kring optimala nivåer och värderingar. Och samma typ av arbetsflöde kan användas för att styra recept och andra parametrar. Joanna Ilczyszyn tillägger:
”Processen vi använder för fuktoptimeringsverktyget är ett bra exempel på hur det går till på plats. Det handlar om att digitalisera tillverkningsprocesser, och maskininlärning är en superviktig del av det”, säger hon.
Steg tre. Framöver – till autonoma anläggningar
Osttillverkning är ett hantverk. Du behöver erfarenhet för att bli riktigt bra på det. Det innebär att ostproducenterna är beroende av individernas kunskaper. I tider av kompetensbrist är detta en utmaning – som kan hanteras genom automation och digitala verktyg. Och även om AI och maskininlärning inte är mål i sig, spelar dessa fenomen oundvikligen en allt viktigare roll.
”Idag är AI en assistent, något som hjälper ostexperterna i deras dagliga arbete”, säger Tim.
Men morgondagen då? Resan framåt är kontinuerlig och har ingen fast slutdestination. Men när det gäller de närmaste framtida färdplanerna är den riktning vi går, steg för steg, mot begreppet autonoma anläggningar. Joanna förklarar:
”Vi strävar efter att ge en fullständig förståelse för ostlinjen, vilken är komplex när det gäller antal enheter, nödvändig drift, kontrollfaktorer och potentiella risker. Så hur ska vi kunna uppnå detta? Genom att förutse vad du behöver göra ur ett operativt perspektiv, vad du behöver förbättra och vad du behöver undvika.”
Men morgondagen då?
Digitaliseringsresan inom ostproduktion är långt ifrån över. Faktum är att den bara har börjat. Vägen framåt är kontinuerlig, utan fast destination – bara föränderliga milstolpar. Och när vi blickar mot en nära framtid blir ett koncept allt tydligare: Autonoma anläggningar.
”Den riktning vi går, steg för steg, är mot begreppet autonoma anläggningar”, förklarar Joanna. ”Autonoma anläggningar utgör nästa gräns, där system inte bara övervakar och rapporterar utan också lär sig, anpassar sig och agerar självständigt. Föreställ dig en produktionslinje för ost som anpassar sig i realtid baserat på inkommande mjölkkvalitet, miljöförhållanden eller till och med marknadsefterfrågan. Det är inte science fiction – det är framtiden vi bygger”.
Framsyntheten bygger på trender i insamlade data, vilka i sin tur bygger på decennier av ackumulerad kunskap.
”Utformningen av AI bygger på logiken i en mänsklig hjärna. Så om en erfaren osttekniker kan göra perfekt ost kan AI efterlikna det, åtminstone i viss utsträckning”, säger Tim.
Joanna fortsätter:
”Så vi tar den kunskap som den mänskliga hjärnan har matat in i produktionssystemet och vi använder den för att stabilisera de parametrar som påverkar intäkterna. Vi kan titta på medieförbrukningen, CIP-processerna eller behållarens effektivitet ... genom att se till att vår utrustning har rätt programvara och hårdvara för att täcka alla datapunkter som påverkar linjeproduktionen automatiserar vi produktionen och säkerställer att produktkvalitet och intäkter inte beror på den enskilda operatörens beslut.”
För nya fabriker, där erfarenheten av osttillverkning kan vara begränsad, är potentialen enorm. Joanna utvecklar resonemanget:
”Du kan inte lära någon att bli ostteknikspecialist på bara ett år eller så. Det är omöjligt. Men det är möjligt att använda kunskap från datainsamling, dataförståelse och datastruktur för att skapa en logik för processflödet och sedan tillämpa det på AI-modellen, vilken sedan läser, kontrollerar och analyserar data i farten på linjen – som en operatör.
Experter kommer att vara experter
Men när tekniken kliver in, vad händer med hantverk och expertis som vunnits genom lång erfarenhet? Är allt förlorat? Tim vänder perspektivet över:
”Vad händer å andra sidan när en expert lämnar eller går i pension och efterträdaren inte har samma kunskap? Nu kan du använda AI-modellen för att utbilda den nya teknikern och behålla expertisen.”
Det är emellertid en stegvis övergång.
”När du implementerar AI går i allmänhet bara 25 procent av budgeten till att skapa och implementera AI-modellen. Resten, 75 procent, är förändringshantering – hur får du människor att acceptera den här nya tekniken? Det är här den långsiktiga relationen med våra kunder kommer in. Vi implementerar inte bara ny teknik och säger ”lycka till med den”. Vi ser till att det kommer att fungera och vi är med vår kund på deras väg framåt”, säger Tim.
Mänsklig kunskap är fortfarande i hög grad grunden för processerna. När det gäller att producera den perfekta osten kan du bara inte slå en erfaren osttillverkare.
”AI kan inte göra jobbet bättre än en expert på mänsklig ost när han eller hon är som bäst. Men en människa blir trött, en människa behöver äta och dricka och så vidare. AI är konsekvent. Den gör din ost på samma sätt varje gång. Men återigen är det viktigt att understryka att människor alltid har ansvar och att människor fattar besluten”, tillägger Tim.
Joanna exemplifierar med ostens koagulering.
”Tidigare skulle operatören öppna behållaren, pressa koagulumet i händerna och titta på strukturen för att avgöra om koagulumet är redo att skäras. I dag kan koaguleringen styras via sensorer i utrustningen och mäta fuktnivån. Så med tiden hjälper AI oss att analysera data på ett sätt som gör att vi kan utvärdera parametrar och kontrollera prestanda bättre. Men vi behöver fortfarande det mänskliga ögat, experter som säger ”ja, den här trenden är korrekt, det här kommer att fungera”.
Framtiden är per definition svår att förutse. Men oavsett vad det kan komma att innebära för oss så kommer Tims och Joannas team, med sin omfattande expertis inom en enda kontaktpunkt, att fortsätta stödja dagens och morgondagens osttillverkare. Fortsätt att finjustera, förbättra och optimera. För som Tim uttrycker det:
”Det finns inte en situation där det inte finns något behov av att förbättra sig ytterligare.”
