Hvad står i vejen for udviklingen og tilgangen af digitale tvillinger?

Det enorme potentiale for digital tvilling-teknologi – med dens evne til at skabe digitale kopier af fysiske objekter, processer og miljøer – har anvendelser, der spænder over industrier, fra at genskabe farlige miljøer til at vise rumfartøjer til fjernundervisning. En ny analyse fra McKinsey viser, at interessen er så dyb, at det globale marked for digitale tvillinger vil vokse omkring 60% om året i de næste fem år og nå 73,5 milliarder dollar i 2027. Interessen er tydeligvis der, men har tilgangen virkelig føgt med?

Svaret – det er kompliceret. Digital tvilling-teknologi og dens anvendelsesmuligheder har udviklet sig enormt, men udfordringer må være løst for at digitale tvillinger kan tilgås i stor målestok.

Udviklingen af digitale tvillinger

Sand tilgang til digital tvilling-teknologi har været langsom, fordi den indtil for nylig manglede intelligensen til at gå ud over blot at repræsentere en ejendom. Mere værdifuldt ville være evnen til nøjagtigt at simulere, forudsige og kontrollere dens adfærd. Digitale tvillinger var også tilpassede og manglede evnen til at lære globalt fra adfærden af lignende ejendomme. Deres indsigt var isoleret og ikke altid anvendelig på bredere organisationsbehov, hvilket gjorde dem til en tung investering med smalle afkast.

Alligevel har nogle tidlige tilgangstagere af digitale tvillinger inkluderet fremstillings-, detail-, sundheds- og bilindustrien, som har kunnet teste nye faciliteter, konfigurationer og processer i en kontrolleret miljø.

Med nye AI-drevne tilgange vil vi se en hurtig skift fra “digitale tvillinger” til AI-baseret “simulation” og “agentur”, som vil dramatisk udvide anvendelsesmulighederne og drive bred tilgang.
Lad os se på disse kategorier af anvendelse:

• Repræsentation – De tidlige iterationer af digitale tvillinger var simple digitale repræsentationer af ejendomme, som ikke var særlig nyttige ud over udvalgte niche-anvendelsesmuligheder for at forbedre design og udførelse af visse opgaver. I virkeligheden er dette “kopi”-tilstanden af digital tvilling-teknologi.
• Simulation – I dag udvikler digitale tvillinger sig fra repræsentation til simulation, som giver en bredere vifte af anvendelsesmuligheder. Simulation betyder, at digitale tvillinger ikke blot spejler ejendommen eller miljøet, men også nøjagtigt simulerer fremtidige scenarier. I denne fase kan de lære af data fra andre lignende processer for at få meningsfulde indsigt. Simulerings-tvillinger bruger AI-algoritmer til at simulere produktionsresultater, anbefale optimale maskinindstillinger og guide produktionshold mod forbedrede forretningsmål i en fremstillingskontekst.
• Agentur – Den næste udvikling efter simulation vil være agentur, som vil aktivere ejendomme, processer og hele dele af produktionen til at planlægge og handle selvstændigt. I denne fase vil de også træffe komplekse beslutninger og arbejde i partnerskab med mennesker for at drive mere bæredygtig produktion. Dette er den digitale tvilling-agent-fase.

At skifte mellem faser kræver forskellige niveauer af understøttende teknologi, og det er afgørende, at organisationer har den rette teknologi til at opnå det maksimale indflydelse og afkast af digitale tvillinger.

Grundlæggende teknologi for digitale tvillinger

Den rette grundlæggende teknologi må være på plads, før man kan gå fra repræsentation til simulation og derefter til agentur.

Brugende fremstilling som eksempel igen, organisationer, der ønsker at skabe en digital simulation af en given proces eller fabriksmiljø, må have pålidelige online-sensing-kapaciteter. Disse sensorer føder data fra input og output på forskellige kritiske stadier af rejsen for at give robuste indsigt til at informere en simulation. Meget af denne data er allerede tilgængelig, og vi har set process-fremstillingsvirksomheder med kvalitetsmæssige online-målinger på output (f.eks. papir), men der er normalt en åbning i sensing-målinger for input (f.eks. træfibre, der går ind i papirpulp-produktion).

For at omgå dette må fremstillingsholdene tydeligt definere den simulation, de forsøger at opnå, og de forskellige input, maskiner og systemer, der er involveret, samt de forskellige parametre for hvert stadium i processen. Dette kræver sandsynligvis, at man inddrager eksperter på tværs af flere funktioner for at sikre, at alle aspekter af modellen er medtaget, hvilket derefter hjælper med at sikre, at data er robust nok til at drive en simulation.

Forbindelse og sammenligning

Digitale tvillinger, der er helt isolerede, mangler læring fra andre modeller i lignende scenarier. Modellerne, der bidrager til den digitale tvilling selv, må fødes med data fra andre lignende modeller og digitale tvillinger for at vise, hvad “godt” eller optimalt ser ud globalt, ikke blot inden for den lokale proces, der undersøges.

Derfor kræver digitale tvillinger en stor sky-komponent, ellers risikerer organisationer at miste ud af det fulde løfte, denne teknologi tilbyder.

Den anden side af medaljen er, at digitale tvillinger ikke må afhænge udelukkende af sky-teknologi, fordi latency i skyen kan skabe hindringer for faktorer som indsamling af realtidsdata og realtids-instruktioner. Overvej, hvor meningsløst det ville være at have en simulation, der er tænkt til at forhindre maskinefejl, blot for at simulationen opdager en brudt rem lang tid efter, at stykket har ophørt med at fungere korrekt, og hele maskinen står stille.

For at overvinde disse udfordringer kan det være klogt at tilføje en komponent, der er aktiveret med edge-AI. Dette sikrer, at data kan indsamles så tæt på processen, der simuleres, som muligt.

Mulige smertepunkter med installation og administration

Ud over at have den rette teknologi og infrastruktur til at indsamle de nødvendige data for AI-baserede simulations-tvillinger, er tillid en betydelig vej-forhindring for installation. Taxichauffører i London måske kender bykortet og alle dets genveje, men GPS udstyrer typisk chaufførerne med mere præcise ruter ved at faktorisere ind trafikdata. Ligeså må ingeniører og fremstillingsfagfolk opleve nøjagtige og sikre simulationer for at få fuld tillid til deres evner.

At opnå tillid tager tid, men gennemsigtighed med modellerne og med data, der føder digitale tvillinger, kan accelerere denne proces. Organisationer bør tænke strategisk om den nødvendige holdningsændring, der er nødvendig for at få hold til at stole på indsigt fra denne kraftfulde teknologi – eller risikerer at miste ud af afkast.

Vej til agentur

Trods det løfte, som digitale tvillinger har, har tilgangen været relativt langsom – indtil for nylig. Introduktionen af AI-baserede modeller kan tage digitale tvillinger fra repræsentation til simulation ved at forbinde indsigt fra andre modeller til at bygge på unikke læringserfaringer.

Som investering og tillid øger, vil digitale tvillinger til sidst nå agentur-status og være i stand til at træffe komplekse beslutninger på egen hånd. Den sande værdi er endnu ikke låst op, men digitale tvillinger har potentialet til at forandre industrier fra fremstilling til sundhed til detail.