Radhika Krishnaswamy指出AI可以发现隐性损失，但需要人为决策

“乳制品工厂里昂贵的损失不会自己暴露出来。它们藏在完全符合规格的产品中。当AI在损失发生初期就能给出代价，让班组可以及时停止损失，并且生产线上的人员能清楚理解为何要求他们行动时，AI的价值才能体现出来。”

主题 1/7：数据和问题定义

问1.1 哪些乳制品工厂的运营难题今天可以真正受益于人工智能，哪些领域传统的自动化和统计过程控制已经足够？

我指出五个领域。首先是过程损失，脂肪、蛋白质和固体在各个阶段之间的流失或过多给出。其次是计划外的停机时间。第三是设备维护，如分离器、均质机、泵和烘干机。第四是在问题仍然较小时就尽早发现漂移。第五是随着日间条件的变化，保持每个阶段的规格要求。

对于单一控制回路、一个安全互锁或依赖于一个稳定变量的过程，传统自动化和SPC仍然合适。AI应该置于这种控制层之上，而不是取而代之。

问1.2 乳制品工厂如何将来自实验室信息系统、ERP、MES、SCADA、设备传感器和操作员日志的分散数据结合起来，尤其是在数据格式、频率和质量不同的情况下？

诀窍在于不再将其视为六个系统，而是将其视为一个过程。每个传感器标签、实验室结果和批次记录都与生产线的一个阶段相连，共享时间和批次密钥。

驻留时间起到了最重要的作用。如果你知道牛奶从分离器到蒸发器需要多少时间，你就可以将每隔几秒读取的传感器数据与三小时后返回的实验室结果对齐。数据可以保留在其已有的存储位置，你只是将它们映射，而不是移动它们。

问1.3 在AI模型开始提供实际价值之前，所需的历史数据的最小量是多少？在一些记录仍然由人工维护的工厂中能否实施AI？

需要一到两年。至少要有一个完整的季节性牛奶周期，否则模型会将春季牛奶视为故障。

手工记录不应成为等待的理由。早期检测主要依赖于传感器数据，而那些真正重要的手写日志可以随着进程进行数字化。

问1.4 项目开始时最常发现的数据问题是什么：缺失值、测量错误、不一致的参考数据、数据收集频率不足，还是缺乏原料、过程条件和成品之间的联系？

最常出现的问题是某些重要变量在生产线上根本没有被测量。关键阶段的脂肪、蛋白质和总固体含量，或烘干机后的水分，通常仅从实验室知道，若有，也是在几个小时后。你通常可以通过与相关联的传感器进行估算。你还可以指出添加测量设备能快速得到回报的一个或两个地方。

其次是常见的问题清单。原奶和成品之间往往没有联系。系统间的时钟不一致，同一标签有三个不同的名称，有些传感器已经有段时间没有校准。所有这些情况并不罕见，其中大部分在前几周内就解决了。

问1.5 制造数据质量由谁负责：IT部门、工艺技术人员、工厂管理层，还是专门的跨功能团队？

三者都有，但要有明确的分界线。技术人员负责数据的含义。IT负责访问和渠道。工厂管理层负责问责。

我还会在操作方面指定每条生产线的一个人作为数据负责人。如果人人都负责数据质量，实际上就没有人负责。

主题 2/7：产品产量和过程损失

问2.1 在乳制品加工的哪些领域AI可以带来最显著的经济影响：牛奶摄入和标准化、巴氏杀菌、分离、奶酪生产、烘干、CIP清洗、能源管理或设备维护？

乳制品通常不会在一个大事件中损失资金。它几乎在每个阶段都会少量损失。

在标准化过程中，工厂在运行中给出的混合物比规格更丰富，送出了多余的脂肪和固体。巴氏杀菌过度处理，受到污染的热交换器导致产量和蒸汽成本上升。分离器让固体滑入错误的流中。奶酪生产线将脂肪和蛋白流失到乳清中。蒸发器和烘干机消耗最多的能量，因此在每批次中重复进行小的水分或蒸汽漂移。CIP冲洗掉产品，通常比实际需要的时间长。能量消耗和计划外的停机时间贯穿于所有这些问题。

将生产线视为一个系统，可以从中获得更多的收益，而不是单独调整每个阶段。首先，你需要每个阶段的实时视图，以便看到哪个开始漂移。然后需要附上成本，并让团队了解实际原因。只有当生产线稳定时，才有意义调整设定点。

最大的收获点视乎生产的是什么。对于粉末工厂来说，通常是干燥器，对于奶酪则是乳清损失，对于液态牛奶就是标准化的过多给出。

问2.2 当AI推荐处理参数时，如何应对原奶的自然变化，包括季节变化、蛋白质和脂肪含量、酸度、细菌负荷和热稳定性？

你将牛奶视为一种输入。对于脂肪、蛋白质、酸度、细菌计数和热稳定性的摄入实验室结果成为上下文的一部分。然后，针对实际到达的牛奶，学习每个阶段的常态。

如果模型有两年的历史，它已经了解到春季牛奶与秋季牛奶的表现不同。因此，它可以根据今天的牛奶而不是年平均值判断分离器或标准化设置。

这也是为什么我总会在优化之前进行稳定化。先让每个阶段保持规格在当前牛奶上。然后推荐设定点变化，并预测预期影响，以便有人在行动之前在模拟中进行测试。

问2.3 AI系统能否在过程偏差导致产品不符合规格之前识别出来，而这些偏差已然构成减少产品产量的风险？它分析哪些信号和参数组合？

是的，坦白说，这就是大部分资金所在。产品在规格内，而其生产线却在悄然损失固体或消耗额外的蒸汽。

对传感器和子系统进行已学行为和硬限制的监控，远早于规格限制被达到时能发现漂移，也能够大大早于班次报告中显示出问题来之前就捕捉到问题。

你要观察的是信号如何共同运动。在分离器上，着眼于流量、差压和脱脂脂肪。在蒸发器上，看蒸汽压力、真空和浓缩固体。在烘干机上，是入口和出口温度，排放湿度和粉末水分。在黄油生产线上，是奶油温度、搅拌时间和脱脂乳中的脂肪。

每个发现都应该带有置信水平和平实的描述，同时说明下游可能的影响以及每小时大致的成本。

问2.4 能否提供一个具体的例子，其中AI模型识别出常规方法未能发现的生产损失的隐蔽原因？在解决方案实施后，哪些性能指标发生了变化？

以乳清蛋白生产线为例，其中超滤膜将乳清浓缩为WPC-80。膜开始受到污染。渗透通量略低于正常水平，压力上升以补偿。没有警报响起，从控制室看来，装置似乎保持着速率。

多变量监控捕捉到膜的行为与其历史不同。当你将其与下游的情况联系起来时，真实的情况就显现出来了。蛋白质随着渗透物流出，产量下降，纯度滑向80%的底线，最终可能降级。

一个传统的警报系统，即便注意到了，也会看到四个独立的问题：流量、压力、产量和纯度。实际上只有一个，即膜污染。解决方案是调整横流和进料温度，如果通量没有恢复，则安排CIP。操作员接受更改，并且该案例被追踪直至关闭。

之后改变的是蛋白质产量和制造产品的比例。问题首次出现到有人采取行动的时间从一个班次或更长缩短到几分钟。

问2.5 应使用哪些指标来评估AI项目的结果：增加成品产量、减少脂肪和蛋白质损失、降低拒收率、减少水和能源消耗、缩短停机时间或降低单位生产成本？

它们都有效，但我会选择一两个作为重点。在任何工作开始之前，提前书面同意它们，以货币形式表示，并与工厂自身基准进行比较，而不是供应商的基准。

对于大多数生产线，这意味着产品回收率和计划外停机时间。产品回收率是每公斤接收的乳固体成品。你的列表中其他所有支持这两个指标。

我还会跟踪两个采用数字：操作员接受的建议数量，以及从检测到决策所需的时间。如果这些数字没有变动，财务结果也不会变动。

问2.6 公司如何区分AI实施的实际效果与季节性、原奶质量变化、设备升级或工厂技术人员引入的改进的影响？

你必须从第一天就进行测量。从工厂自己的历史中设定基准，修正牛奶成分和季节，以便进行同类比较。在同一时间线上记录设备升级、新程序和技术人员自己的改进，以便能够分清它们的影响。

最重要的是逐时计数。每个建议都记录下决策、预期影响及实际发生的结果。然后，节省的费用可以追溯到具体的、有日期的决策，而不是通过每月的产量数字读取。

如果工厂有两条类似的生产线，暂时将其中一条与系统对应运行为对照。你要的是一个可以展示的结果，而不是需要辩解的结果。

主题 3/7：过程偏差的早期检测

问3.1 基于AI的过程偏差预测与基于温度、压力、酸度和其他参数阈值的常规报警系统有何不同？

阈值报警监督一个数值，当它越过界限时就会激活。此时，损失通常已经发生。

基于AI的监控从工厂自己的数据中学习生产线各部分的正常行为。它监视单个传感器和整个子系统，除了限值之外，还关注模式、持续性和上下文。这意味着它可以在每个读数仍然在报警带内时发现问题，从而为您提供稳定阶段的时间，防止超出规范。

另一个区别在于操作员前面的内容。SCADA可以为一个潜在问题抛出几十个警报。一个好的系统将这些问题汇总为一个事件。它说明了改变的内容、可能发生的原因、对上下游的影响、可能的成本和接下来的措施。

硬限制和安全互锁保持原状不变。

问3.2 AI系统可以多早提前警告操作员潜在的过程中断？这可以提供足够的时间采取纠正措施吗？

这取决于问题类型。渐进性问题在影响产品之前会在几个小时，甚至几天前显现。这包括膜或换热器污染、蒸发器和烘干机的积累、分离器磨损和缓慢的传感器漂移。有足够的时间来采取行动。

突发故障，如阀门卡住或断电，几乎没有警告，没人能假装没事。

幸运的是，对于乳制品行业，大多数产量和能量损失都是渐进性的。在班次开始时捕捉到这些问题，并提供建议的修复措施，比在明天的报告中读到更有优势。

问3.3 如何管理模型灵敏度和平假警报数量之间的平衡？操作员因为警报频繁而开始忽视警告时会发生什么？

从一开始就设计好。不要给操作员发每个传感器偏差。分组处理，以便一个问题意味着一个通知。给每个警报一个置信水平和预估成本。只向操作员展示需要行动的内容，保留详细信息供工程师查看。如果某件事没有实质性的商业影响，就根本不要提出。

灵敏度最好是在上线之前的并行运行期间与操作员一起调整。

如果操作员开始忽视警告，这表明系统需要重新调整。这不是纪律问题。如果每项建议必须被正式接受或拒绝，您会立即看到接受率下降，那应该引发审查。

问3.4 模型能区分原料质量、操作员错误、设备磨损和未遵循要求的工艺参数导致的偏差吗？

大部分情况可以，因为每个原因在数据中的表现不同。劣质原奶会在摄入实验室结果中显现，并同时影响多个阶段。磨损表现为一个子系统中的缓慢漂移，通常伴随着压力、流量或温度的变化。在未按配方操作时会显示出标准和实际设定点之间的差距。如果记录了每次更改的内容、时间和操作者，操作员的行为是可见的。故障传感器通常因为不再与其邻居一致而暴露。

当多个偏差来自一个上游原因时，诊断应说明并展示证据，而不是提供一长串独立故障。当数据确实无法区分两个原因时，系统也应说明，并将决定权留给技术人员。

问3.5 当工厂更改配方、原材料供应商、设备或生产线时会发生什么？模型是否需要重新训练？

这取决于变化的大小。新的牛奶供应商基本上被吸收，因为牛奶成分已经是一个输入。新配方是一种新的操作模式，因此从第一次运行中学习其常用范围。新设备意味着该阶段必须重新学习并重新检查。新生产线需要其自己的设置，尽管很多集成工作可以重复使用。

系统还应告知您何时过时。您会看到跨越某个阶段突然冒出来的偏差，没有实际影响。在这种情况下，应刻意重新训练，并与技术人员一起验证。不能默默地在后台进行。

主题 4/7：可解释性和人工控制

问4.1 操作员应接收哪些与AI生成警报一起的信息：偏差的推测原因、模型的信心水平、影响参数、预期后果或建议措施？

所有信息都需要，但要分层展示。初看时，操作员需要知道三件事：什么正在漂移、系统有多确定以及建议做什么。

再深入一步，他们应该看到发生了什么变化，可能的原因，证据，上下游的连锁反应以及预期的成本。他们还应该看到信号与其正常行为的趋势。

工程师和管理人员应该能够查看完整的诊断和案件历史，包括谁负责和案件现状。操作员应该在几秒钟内做出行动，而技术人员依然可以检查每一个步骤。

问4.2 AI系统的解释应详细到何种程度，以便乳品技术人员能够通过职业判断来评估和验证其建议？

应详尽到能与工厂情况进行对照。应展示分组的偏差、它们共享的原因以及对此的证据。每项声明都应追溯到实际的传感器值和趋势，建议的修正应首先在仿真中进行测试。

然后，技术人员可以确认，例如，看到膜压力在通量下降之前上升了。或者因为知道传感器在早上接受检修而拒绝它。如果不能通过这种方式检查建议，就不要采取行动。

问4.3 在基于算法推荐的决策中，特别是当此决策可能影响食品安全或符合强制加工要求时，谁应该负责？

由工厂负责。系统建议，工厂决定。责任仍然属于食品安全计划和HACCP中规定的负责人，这就像建议来自顾问或高级同事一样。

关键控制点，如巴氏杀菌时间和温度，仍应在验证控制之下。它们不应交给算法。

系统增加的内容是一份清晰的记录。你能获得每个建议、推理、决策、决策人和接下来发生了什么。这有助于您的质量和符合性流程，但不会取代它们。

问4.4 AI系统应该只通知工厂人员，还是可以被允许自主更改工艺参数？可接受自主性的边界应画在哪里？

目前，应该建议。它提出由于其推理和预期影响的设定点更改，然后由操作员说是或否。

在不久的将来，我可以看到闭环控制在一些窄泛而理解良好的非安全设置中例如能量相关的设定点在严格限制内是有意义的。即便如此，也需要长期记录、控制系统执行的硬限制和即时人工干预。

绝不应扩展至关键控制点、产品发布、过敏原管理或任何触及食品安全或合规的内容。

问4.5 当操作员拒绝AI建议时会如何记录这些案例？此反馈用于改进模型吗？

每个决定都会被记录，无论是或否，包括更改了什么，何时以及由谁，事件和建议措施。

拒绝是一些最有用的数据。有时，操作员知道模型不知道的事情，例如维护中的传感器或计划的换岗，这使得下一次诊断更好。有时，模型是正确的，案例成为团队学习的素材。

无论哪种情况，应该定期审查拒绝，并将其反馈给模型更新。

问4.6 过度自动化会导致工厂员工失去必要的技术专长吗？公司如何确保操作员仍然能够独立评估过程并应对异常情况？

这是一个真实的风险，也是让人们参与其中的最佳理由。如果系统显示其推理并且操作员必须批准每个更改，人们会学习过程，而不是与之失去联系。

随着时间的推移，故障和修复日志变成了可搜索的内容。它保存了以前只存在于最有经验的班次人员头脑中的知识，并在他们退休时仍然保留。

工厂仍应为手动操作和异常情况进行培训，开展演习并在班次之间审查案例。您需要的是由于系统而更好地理解生产线的操作员，而不是没有系统就无法操作的操作员。

主题 5/7：实施和经济

问5.1 典型的试点项目包括什么？如何选择生产线或过程，数据准备需要多长时间，以及使用哪些标准来决定是否扩大解决方案的规模？

保持在一条线内。首先获得数据访问，书面同意产量和停机时间指标，并从一到两年的工厂自身历史中设定基准。接下来，模拟生产线的阶段、传感器和规格范围，让系统了解正常状态是什么样的。然后与经过培训的操作员、工程师和管理人员一起并行测试。之后，以此为基准进行衡量。

选择您怀疑利润率正在流失的生产线，数据已经存在，并且团队真正希望尝试的地方。只有在三个条件都满足时才扩大规模。达成了商定的指标，操作员执行了建议，数据经受住了考验。

问5.2 除AI平台本身之外，还需要哪些投资，包括额外传感器、系统集成、数据准备、员工培训和持续的模型维护？

大多数工厂不需要新的传感器即可开始。系统连接到现有的PLC、SCADA和DCS、历史记录、LIMS和QMS、ERP和MES，以及BI工具。

工厂最主要的成本是人力时间。这意味着需要一些IT工作以获取数据访问，还需花费时间进行培训使操作员对其感到舒适。

除了软件之外，还需预算用于本地部署的硬件 or 云托管。 如果根本原因分析依赖于外部大型语言模型，还需考虑使用费用以及模型的持续维护。

有时试点表明某次额外测量值得添加。这是需要根据证据进行的决策，而不是开始的条件。

问5.3 如果公司尚不知道其隐藏的过程损失的实际规模，如何在实施前计算预期的经济影响？

从已有的数据进行质量平衡比较开始。将接收的牛奶固体与成品固体进行比较，以及与理论上可回收的水平进行比较。添加实验室结果中标准化的给出与规范、按阶段的每吨能量和水的使用量、生产记录中记录的停机时间。

即使是未回收固体中的一小部分，通过一年的摄取量和产品价值相乘，通常也能证明试点的价值。

然后，试点用真实数据取代您的估计。一旦每个偏差都有其成本与质量、产量和吞吐量或实用工具相对应，您很快就能看出利润的流向。这成为下一条生产线的商业论据。

问5.4 现实期望的回收期是多长？能否提供包含基准指标和独立验证结果的示例？

回收期取决于生产线产量、产品价值以及损失的实际位置，因此我对任何报价持谨慎态度。它最快当没有新硬件购买时完成，当部署需时几周而非数月，并且集成工作可延续到下一条生产线。

比起重点数字更重要的是结果是否可以被检查。如果在工作开始前已书面同意基线，并记录了每个接受的建议及其预期和实际影响，任何人均可逐事件验证价值。您的合作伙伴应该对以这种方式被衡量感到舒适。

问5.5 这些解决方案对中小型乳制品加工商是否具有经济可行性，还是主要适用于具有连续生产的大型工厂？

是的，对于中型加工商也具有可行性，只要您明智地开始。从最重要的一条生产线开始，使用您已经拥有的传感器，并考虑云托管以便将其纳入语料库。批处理和半连续处理与连续处理一样有效。

真正的要求是生产线已经通过历史记录、SCADA或类似工具产生数字数据。因为价值随着体积增长，一个非常小的工厂在使用对话工具其ERP、MES和实验室数据鬼试图以及实时过程监控之前可能会更好。

问5.6 什么最常阻碍成功实施：数据不足、旧设备、集成困难、员工抵制、人手不足或缺乏明确的商业目标？

缺乏明确的商业目标和指定的负责人。没有同意的度量指标，项目就变成了没人负责的技术演练。在构建任何东西之前以书面形式同意度量指标和基线。

之后是数据缺口，特别是未在线上测量的变量，以及不信任建议的操作员。信任来自于当操作员只看到需要采取行动的内容，每个建议都附有其推理。

旧设备不太可能是真正的问题。如果它产生数据，通常可以连接。

主题 6/7：可靠性和安全性

问6.1 在被用于现场制造之前，如何验证模型的准确性？它是否首先在不干涉生产过程的情况下进行并行测试？

是的，分两步进行。首先在历史上测试它。它能否捕捉到工厂已经知道的事件，并会产生多少误报？然后与现场生产并行运行，让技术人员审查它突出的问题而不采取行动，直到它符合事先同意的标准为止。

即使在投入使用后，它也保持建议性质。没有操作员同意，生产线不做任何更改。

问6.2 如何随着时间的推移监测模型性能的劣化？谁应该重新训练和验证模型，这应该多频率进行？

系统本身的记录告诉你。观察有多少事件采取了行动，提案被接受或拒绝的频率，以及实际结果离预期结果有多远。还要监控输入信号，以便知道该过程何时偏离了模型所学的内容。

再训练应该是共同分享的。数据科学家做技术工作，工厂的技术人员根据他们对流程的了解检查结果。季度审查效果很好，加上季节性变化、配方更改或新设备后的再培训。

问6.3 乳制品制造商的运营数据如何得到保护？数据存储在哪里，系统能否完全在客户自己的IT环境中运行？

制造商应该完全拥有其过程数据，合同应明定。一个技术合伙人许可证软件，而非工厂的技术诀窍。

系统可以在工厂自己的IT环境中本地运行，或者根据公司的政策在云端运行。无论哪种方式，访问应取决于角色，操作员、工程师和管理人员的视图分开展示，所有操作都应被记录。

有一件事要早些提出：如果根本原因分析使用了外部大型语言模型，那部分需要外部连接。具有严格数据驻留或空隙规则的工厂应在开始时确定其处理方式，而不是中途。

问6.4 为一个乳制品工厂开发的模型是否可以转移到另一个工厂，或者每个设施需要根据其设备、原料和工艺规格进行单独配置？

都有。相同的核心可以运行在黄油、奶粉、乳清蛋白、奶酪和MPC生产线上。跨类似工艺的诊断模式很容易迁移，集成工作也可以复用。

不能移植的是每个工厂的正常情况。每条生产线都需要设置其阶段、传感器和规范范围，并从自己的数据中学习它自己的行为。没有两个工厂拥有相同的设备、相同的牛奶或相同的运行方式。

问6.5 在开始项目之前，客户应该了解哪些技术限制？AI建议在什么情况下不应在未经额外的人为验证的情况下被接受？

AI不能检测未被测量的东西。虽然它可以标记出可能存在问题的传感器，但它无法完全校正传感器信号误差。它在以前从未发生的事情上表现最弱。根本原因诊断是由证据支持的可能解释，而不是证明，语言模型确实会犯错，因此证据应始终在屏幕上显示。

在接触食品安全、关键控制点、过敏原、产品发布或法规合规时，建议在未经人为核查的情况下永远不要被接受。对于那些超出验证运作范围的情况下也一样，当信心较低时或在配方、设备或生产线发生重大变化后。若系统是建议性质，这种检查会默认发生。

主题 7/7：其他行业经验和未来发展

问7.1 化工、制药、石油天然气或纸浆造纸行业中已有的哪些方法可以转移到乳制品制造中？

相当多。化工和精炼中的多变量过程监控是您在多个信号上同时学习正常行为的方法。制药中的黄金批次分析和连续过程验证让您能够根据自己的最佳运行来评判一个运行。糖类和纸浆造纸中的质量平衡调和是您如何为每个偏差定价的方法。重工业中的预测性维护非常合适用于分离器、均质机、膜和泵。

许多在乳制品行业中有效的AI都是这些已成熟的方法，经过适应牛奶生物学和卫生需求后使用的。

问7.2 乳品行业的哪些特点使得直接转移这些解决方案变得困难：原奶的生物变异性、产品的短保质期、卫生要求，还是实时测量产品质量的难度？

所有四个特点使得每一个变得更难。

牛奶随季节、牧群和地区变得而改变，因此为固定原料建立的模型很快会失效。它必须在进来的上下文中学习，这就是为什么两年的历史很重要。短保质期意味着没有重新加工的空间，因此需要尽早发现问题。卫生设计限制了您可以放置在线传感器的位置，而频繁的CIP周期则将数据分割。此外，许多质量仍然是在实验室中测量的，事件发生数小时后才知道。

除此之外，乳品工厂在频繁换岗时运行许多共享生产线产品。因此，来自其他行业的方法必须围绕阶段、驻留时间和牛奶成分进行重构。不能简单地复制它们。

问7.3 您认为乳品工厂使用AI的下一个阶段是什么：成品质量预测、自主过程优化、数字孪生、预测性维护或整个生产链的端到端管理？

我认为这些是按顺序的步骤，而不是可以选择的选项。一个实时数字孪生体是第一步，因为您需要看到可以优化的内容。接下来是稳定化和实时质量预测，以便让每个阶段在不等待实验室的情况下保持规格。一旦生产线稳定，才进行设定点优化。它从建议开始，后来在少数非安全设置中变成闭环控制。

长期一步是连接整个链。这意味着链接农场的牛奶质量、工厂性能和需求，以便收集、加工和产品组合计划在一起。每一步依赖之前的正确到位。

问7.4 AI在乳制品制造中的哪些应用已经在大规模工业运营中得到证明，哪些功能仍然在试验阶段？

在工业规模上得到证明的是工艺数据上的异常检测、旋转设备的预测性维护、能量和公用设施监控、需求预测、多变量过程监控和用于可视化的实时数字孪生体。

在使用中但仍在成熟的是生成AI推理，将许多偏差整合为一个根本原因诊断，以及对工厂和业务数据的会话访问。

大多仍在试验阶段的是完全自主的闭环优化、复杂质量成果（如奶酪成熟）的实时预测，以及从农场到客户的整个链优化。

问7.5 如果一家乳制品制造商今天想开始与AI合作，您会推荐首先解决哪个生产挑战，为什么？

在您最高产量生产线上进行产品回收。找出乳固体通过标准化、分离、浓缩和干燥丢失或赠与在哪个环节。衡量其金钱，人们已在您的历史记录和实验室系统中。它不会触及食品安全控制，并且在几周内看到的效果，而不是几年。

大多数工厂知道他们的年度产量数字，但他们不能告诉你上个月的那二十个事件导致了它。因此，他们不知道如何停止第二十一件。在自己的基准上回答这个问题，构建商业案例，并赢得信任，为接下来的所有事情铺平道路。