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

Det enorme potentiale for digital tvillingteknologi – med dens evne til at skabe digitale kopier af fysiske objekter, processer og miljøer – har anvendelser, der spænder over industrier, fra at replikere 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 dollars i 2027. Interessen er tydeligvis der, men har tilgangen virkelig fulgt?

Svaret – det er kompliceret. Digital tvillingteknologi og dens anvendelsesområder har udviklet sig enormt, men udfordringer må være adresseret for, at digitale tvillinger kan tilgås i stor målestok.

Udviklingen af digitale tvillinger

Sand tilgang af 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 til bredere organisatoriske behov, hvilket gjorde dem til en tung investering med smalle afkast.

Alligevel har nogle tidlige tilgang 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-drevne “simulation” og “agent” som vil dramatisk udvide anvendelsesområderne 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-anvendelsesområder for at forbedre design og udførelse af visse opgaver. I væsentligvis er dette “replica”-tilstanden af digital tvillingteknologi.
• Simulation – I dag udvikler digitale tvillinger sig fra repræsentation til simulation, som fordelene en bredere sæt af anvendelsesområder. Simulation betyder, at digitale tvillinger ikke kun spejler ejendommen eller miljøet, men også nøjagtigt simulerer fremtidige scenarier. I denne fase kan de lære fra data fra andre lignende processer for at opnå meningsfulde indsigt. Simulerings-tvillinger bruger AI-algoritmer til at simulere produktionsresultater, anbefale optimale maskinindstillinger og guide produktionshold mod forbedrede forretningsmål i en fremstillingskontekst.
• Agent – Den næste udvikling efter simulation vil være agent, 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 flytte mellem faser kræver forskellige niveauer af understøttende teknologi, og det er afgørende, at organisationer har den rette teknologi til at opnå den maksimale effekt og ROI af digitale tvillinger.

Grundlæggende teknologi for digitale tvillinger

Den rette grundlæggende teknologi skal være på plads, før man flytter fra repræsentation til simulation og derefter til agent.

Ved at bruge fremstilling som eksempel igen, skal organisationer, der ønsker at skabe en digital simulation af en given proces eller fabriksmiljø, have pålidelige online-sensorer. 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-mål på output (f.eks. papir), men der er normalt et gap i sensor-mål for input (f.eks. træfibre, der går ind i papir-pulp-produktion).

For at omgå dette skal 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 stadie i processen. Dette kræver sandsynligvis at inddrage eksperter på tværs af multiple 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, skal fødes med data fra andre lignende modeller og digitale tvillinger for at demonstrere, hvad “stor” eller optimal ser ud globalt, ikke kun inden for den lokale proces, der undersøges.

Som resultat kræver digitale tvillinger en stor sky-komponent, ellers risikerer organisationer at miste ud af noget, der ligner det fulde løfte, denne teknologi tilbyder.

Den anden side af sagen er, at digitale tvillinger ikke kun må afhænge af sky-teknologi, fordi latency i skyen kan skabe hindringer for faktorer som indsamling af data i realtid og instruktioner i realtid. Overvej, hvor meningsløst det ville være at have en simulation, der er beregnet til at forhindre maskinefejl, blot for at simulationen opdager en brudt rem, længe efter, at stykket har ophørt med at fungere korrekt, og hele maskinen er gået i stå.

For at overvinde disse udfordringer kan det være klogt at tilføje en komponent, der er edge-AI-aktiveret. 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 til AI-drevne simulations-tvillinger, er tillid en betydelig hindring for installation. Taxichauffører i London kan kende bykortet og alle dets genveje, men GPS udstyrer typisk chaufførerne med mere præcise ruter ved at faktorisere ind trafikdata. Ligesom ingeniører og fremstillingsprofessionelle har brug for at opleve nøjagtige og sikre simulationer for fuldt ud at få 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 skal tænke strategisk om den mindset-skift, der er nødvendig for at få holdene til at stole på indsigt fra denne kraftfulde teknologi – eller risikerer at miste ud af ROI.

Vej til agent

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

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