Kan AI HACCP- en batchafwijkingen signaleren vóór vrijgave van een batch?

Drie dingen bepalen of dit in uw fabriek werkt. Ten eerste twaalf maanden batchgeschiedenis met uitkomsten: CoA-resultaten, afwijkingen, herbewerkingen en geblokkeerde batches, want het model leert van de batches die misgingen. Een lijn met vier afwijkende batches per jaar geeft een model weinig om van te leren; een lijn met zestig geeft genoeg. Ten tweede een batchnummer dat de systemen koppelt. De historian registreert op tijd, het LIMS op monster, het MES op order; die drie op één batch leggen is het moeilijkste en minst zichtbare deel van het project, en de audit toetst het als eerste. Ten derde de grenswaarden per product: de kritische grenswaarden uit het HACCP-plan en de specificatie per artikel, zodat een signaal iets betekent voor de QA-medewerker die het leest.

De systemen blijven waar ze staan. Het model leest uit het LIMS via de API of databaseviews, uit de historian via de eigen interface, uit SAP QM en het MES via standaardkoppelingen, en schrijft een afwijking terug in het systeem waarin uw QA-team al werkt. Crux Digits bouwt het model en de routering; uw ICT-partner of interne IT-afdeling houdt de systemen, het netwerk en de toegangsrechten. In een GMP-omgeving is het model een adviserende laag met een audittrail van elke score en elke beslissing, en blijft de vrijgave de handtekening van een bevoegd persoon. In een fabriek met BRCGS-, IFS Food- of FSSC 22000-certificering wordt het in het voedselveiligheidsplan vastgelegd als hulpmiddel voor monitoring en verificatie, zodat de auditor ziet wat het doet en wat het niet beslist.

Neem een fabriek met vier lijnen en 120 batches per week, zo'n 6.000 per jaar. Stel dat 2% van de batches een CCP-afwijking of een afwijkend in-procesresultaat heeft, ongeveer 120 per jaar, en dat een kwart daarvan, ongeveer 30, pas bij het eind-CoA wordt gevonden, als de batch al is verpakt en vaak al op het dock staat. Stel dat een vastgehouden batch 48 uur op het lab wacht en dat een late vondst herbewerking of vernietiging van een volledige batch betekent. Dit zijn aannames ter illustratie, geen klantresultaat; de audit vervangt ze door uw cijfers.

De vraag die het model moet beantwoorden is dan precies: op twaalf maanden geschiedenis, met de laatste drie maanden apart gehouden, welk deel van die 30 late vondsten had het vóór het verpakken gesignaleerd, en met hoeveel onterechte holds per week? Die twee getallen zijn de businesscase. Vermenigvuldig het gesignaleerde deel met uw kosten van een late vondst, trek de kosten van de onterechte holds af, en u weet wat het systeem op uw lijnen waard is voordat er één regel productiecode staat.

Drie vaste stappen, excl. btw. Een AI-audit en strategie van €2.500, één tot twee weken, op twaalf maanden batchrecords, CCP-logs, LIMS-resultaten en afwijkingen: u houdt de datakaart, de toets van de batchnummerkoppeling, de nulmeting hierboven en een afgebakend plan. Een Productieklare MVP van €20.000, vier tot zes weken: het model scoort batches op één lijn naast het huidige vrijgaveproces, met het scherm van de QA-manager en de meting op de apart gehouden maanden; u houdt het werkende model, de code en de gemeten cijfers. Productie vanaf €50.000, acht tot twaalf weken: alle lijnen, afwijkingen geschreven in de workflow van het LIMS, SAP QM of eQMS, bewaking op drift als recepten en leveranciers veranderen. De audit wordt volledig verrekend als u binnen 60 dagen doorgaat, en code en modellen worden overgedragen. Zie AI-implementatie, machine learning, data engineering, procesautomatisering en AI voor de maakindustrie.