Τι εμποδίζει την Εξέλιξη και Υιοθέτηση των Ψηφιακών Δίδυμων;

Το τεράστιο δυναμικό της τεχνολογίας ψηφιακών δίδυμων – με την ικανότητά της να δημιουργεί ψηφιακές αναπαραγωγές φυσικών αντικειμένων, διαδικασιών και περιβαλλόντων – έχει εφαρμογές που εκτείνονται σε διάφορους κλάδους, από την αναπαραγωγή επικίνδυνων περιβαλλόντων έως την προβολή διαστημικών οχημάτων για τηλε-εκπαιδευτικούς σκοπούς. Πρόσφατη ανάλυση από το McKinsey υποδηλώνει ότι το ενδιαφέρον είναι τόσο βαθύ, που η παγκόσμια αγορά για ψηφιακά δίδυμα θα αυξηθεί περίπου 60% το χρόνο για τα επόμενα πέντε χρόνια και θα φτάσει τα 73,5 δισεκατομμύρια δολάρια μέχρι το 2027. Το ενδιαφέρον είναι σαφώς εκεί, αλλά έχει ακολουθήσει η υιοθέτηση;

Η απάντηση – είναι сложικό. Η τεχνολογία ψηφιακών δίδυμων και οι περιπτώσεις χρήσης της έχουν εξελιχθεί enormως, αλλά πρέπει να αντιμετωπιστούν προκλήσεις για τα ψηφιακά δίδυμα να υιοθετηθούν σε μεγάλη κλίμακα.

Η Εξέλιξη των Ψηφιακών Δίδυμων

Η αληθινή υιοθέτηση της τεχνολογίας ψηφιακού δίδυμου έχει sido αργή, επειδή, μέχρι πρόσφατα, έλλειπε η ευφυΐα για να πηγαίνει πέρα από την απλή αναπαράσταση ενός περιουσιακού στοιχείου. Πιο πολύτιμη θα ήταν η ικανότητα να προσομοιώσει, να προβλέψει και να ελέγξει τη συμπεριφορά του. Τα ψηφιακά δίδυμα ήταν επίσης bespoke και έλλειψαν την ικανότητα να μάθουν παγκοσμίως από τη συμπεριφορά παρόμοιων περιουσιακών στοιχείων. Οι έρευνές τους ήταν απομονωμένες και δεν ήταν πάντα εφαρμόσιμες σε ευρύτερα οργανωτικά ανάγκες, καθιστώντας τα μια δαπανηρή επένδυση με στενά οφέλη.

ΕVEN così, ορισμένοι πρώτοι υιοθετούντες ψηφιακά δίδυμα περιλαμβάνουν τον κλάδο της παραγωγής, του λιανικού εμπορίου, της υγείας και του αυτοκινητοβιομηχανικού κλάδου, οι οποίοι έχουν能够 να δοκιμάσουν νέες εγκαταστάσεις, διαμορφώσεις και διαδικασίες σε einem ελεγχόμενο περιβάλλον.

Με νέες προσεγγίσεις που βασίζονται στο AI, θα δούμε μια ταχεία μετάβαση από τα “ψηφιακά δίδυμα” στα AI-ενεργοποιημένα “προσομοίωση” και “πράξη” που θα διευρύνουν δραματικά τις περιπτώσεις χρήσης και θα οδηγήσουν σε ευρεία υιοθέτηση. Ας εξετάσουμε αυτές τις κατηγορίες χρήσης:

• Αναπαράσταση – Οι πρώτες ιτεράσεις των ψηφιακών δίδυμων ήταν απλές ψηφιακές αναπαραγωγές περιουσιακών στοιχείων, οι οποίες δεν ήταν ιδιαίτερα χρήσιμες πέρα από επιλεγμένες περιπτώσεις χρήσης για τη βελτίωση του σχεδιασμού και της εκτέλεσης ορισμένων εργασιών. Στην ουσία, αυτό είναι η “αναπαράσταση” κατάσταση της τεχνολογίας ψηφιακού δίδυμου.
• Προσομοίωση – Σήμερα, τα ψηφιακά δίδυμα εξελίσσονται από την αναπαράσταση στη προσομοίωση, η οποία ωφελεί ένα ευρύτερο σύνολο περιπτώσεων χρήσης. Η προσομοίωση σημαίνει ότι τα ψηφιακά δίδυμα δεν αντανακλούν μόνο το περιουσιακό στοιχείο ή το περιβάλλον, αλλά επίσης προσομοιώνουν με ακρίβεια μελλοντικές σzenaria. Σε αυτό το στάδιο, είναι能够 να μάθουν από δεδομένα από άλλες παρόμοιες διαδικασίες για να αποκτήσουν σημαντικές έρευνες. Τα δίδυμα προσομοίωσης χρησιμοποιούν αλγορίθμους AI για να προσομοιώσουν αποτελέσματα παραγωγής, να συνιστώνται βέλτιστες ρυθμίσεις μηχανών και να οδηγούν ομάδες παραγωγής προς βελτιωμένα επιχειρηματικά αντικείμενα σε ένα περιβάλλον παραγωγής.
• Πράξη – Η επόμενη εξέλιξη μετά την προσομοίωση θα είναι η πράξη, η οποία θα ermögσει περιουσιακά στοιχεία, διαδικασίες και ολόκληρα τμήματα παραγωγής να σχεδιάσουν και να ενεργήσουν αυτονομчески. Σε αυτό το στάδιο, θα λαμβάνουν επίσης σύνθετες αποφάσεις και θα συνεργάζονται με ανθρώπους για να οδηγήσουν μια πιο βιώσιμη παραγωγή. Αυτό είναι το στάδιο του ψηφιακού δίδυμου πράξης.

Η μετάβαση μεταξύ των σταδίων απαιτεί διαφορετικά επίπεδα υποστηρικτικής τεχνολογίας, και είναι παραμετρικό ότι οι οργανισμοί έχουν το σωστό tech stack για να επιτύχουν το μέγιστο αντίκτυπο και ROI των ψηφιακών δίδυμων.

Βασική Τεχνολογία για Ψηφιακά Δίδυμα

Η σωστή βασική τεχνολογία πρέπει να είναι σε θέση πριν από τη μετάβαση από την αναπαράσταση στη προσομοίωση και, τελικά, στην πράξη.

Χρησιμοποιώντας την παραγωγή ως παράδειγμα, οι οργανισμοί που θέλουν να δημιουργήσουν μια ψηφιακή προσομοίωση μιας δεδομένης διαδικασίας ή περιβάλλοντος εργοστασίου πρέπει να έχουν αξιόπιστες online αισθήσεις. Αυτά τα αισθητήρια τροφοδοτούν δεδομένα από την είσοδο και την έξοδο σε διάφορα κρίσιμα στάδια του ταξιδιού για να παρέχουν ρομποτικά έρευνες για να ενημερώσουν μια προσομοίωση. Πολύ από αυτά τα δεδομένα είναι διαθέσιμα, και έχουμε δει παραγωγούς με ποιότητα online μετρήσεων στις εξόδους (π.χ. χαρτί), αλλά υπάρχει συνήθως ένα κενό στις μετρήσεις αισθήσεων για τις εισόδους (π.χ. ξυλοϊνές που εισάγονται στην παραγωγή χαρτιού).

Για να παρακαμφθούν αυτά, οι ομάδες παραγωγής πρέπει να ορίσουν σαφώς την προσομοίωση που προσπαθούν να επιτύχουν και τις διάφορες εισόδους, μηχανές και συστήματα που εμπλέκονται, μαζί με τις διάφορες παραμέτρους κάθε σταδίου καθ’ όλη τη διάρκεια της διαδικασίας. Αυτό πιθανότατα απαιτεί να αναζητηθούν εμπειρογνώμονες σε πολλές λειτουργίες για να διασφαλιστεί ότι όλα τα аспектά του μοντέλου έχουν ληφθεί υπόψη, το οποίο θα βοηθήσει να διασφαλιστεί ότι τα δεδομένα είναι αρκετά ισχυρά για να τροφοδοτήσουν μια προσομοίωση.

Σύνδεση και Σύγκριση

Τα ψηφιακά δίδυμα που είναι完全 απομονωμένα χάνουν έρευνες από άλλα μοντέλα σε παρόμοιες σzenaria. Τα μοντέλα που συμβάλλουν στα ψηφιακά δίδυμα πρέπει να τροφοδοτούνται με δεδομένα από άλλα παρόμοια μοντέλα και ψηφιακά δίδυμα για να δείξουν τι “μεγάλο” ή βέλτιστο μοιάζει παγκοσμίως, όχι μόνο μέσα στο τοπικό πρόcesso που εξετάζεται.

Ως αποτέλεσμα, τα ψηφιακά δίδυμα απαιτούν một μεγάλο cloud συνιστώσα, ή αλλιώς οι οργανισμοί κινδυνεύουν να χάσουν οποιαδήποτε υπόσταση της πλήρους υπόσχεσης που προσφέρει αυτή η τεχνολογία.

Η άλλη πλευρά του νομίσματος είναι ότι τα ψηφιακά δίδυμα δεν πρέπει να βασίζονται αποκλειστικά στην τεχνολογία cloud, επειδή η καθυστέρηση της cloud μπορεί να δημιουργήσει εμπόδια για παράγοντες όπως η συλλογή δεδομένων σε πραγματικό χρόνο και οι οδηγίες σε πραγματικό χρόνο. Σκεφτείτε πόσο άχρηστο θα ήταν να έχει μια προσομοίωση που προορίζεται να αποτρέψει την αποτυχία μηχανών μόνο για να ανιχνεύσει μια σπασμένη ζώνη πολύ μετά την Funktion του μηχανήματος να έχει σταματήσει να λειτουργεί σωστά και ολόκληρη η μηχανή να είναι σε στάση.

Για να υπερβούν αυτές τις προκλήσεις, μπορεί να είναι σοφό να προστεθεί ένα στοιχείο που είναι edge-AI-ενεργοποιημένο. Αυτό διασφαλίζει ότι τα δεδομένα μπορούν να συλλεχθούν όσο το δυνατόν πιο κοντά στη διαδικασία που προσομοιώνεται.

Δυνατά Πόντι με την Ανάπτυξη και τη Διαχείριση

Εκτός από το να έχουν το σωστό tech stack και την υποδομή για να συλλέξουν τα απαραίτητα δεδομένα για τα AI-ενεργοποιημένα δίδυμα προσομοίωσης, η εμπιστοσύνη παραμένει ένα σημαντικό εμπόδιο για την ανάπτυξη. Οι οδηγοί ταξί στο Λονδίνο μπορεί να γνωρίζουν το χάρτη της πόλης και όλα τα δρομολόγια, αλλά το GPS συνήθως εξοπλίζει τους οδηγούς με πιο ακριβείς δρομολόγια, λαμβάνοντας υπόψη τα δεδομένα της κυκλοφορίας. Παρόμοια, οι μηχανικοί και οι chuyênικοί παραγωγής χρειάζονται να βιώσουν ακριβείς και ασφαλείς προσομοιώσεις για να κερδίσουν πλήρη εμπιστοσύνη στις ικανότητές τους.

Η κέρδη της εμπιστοσύνης χρειάζεται χρόνο, αλλά η διαφάνεια με τα μοντέλα και με τα δεδομένα που τροφοδοτούν τα ψηφιακά δίδυμα μπορεί να επιταχύνει αυτή τη διαδικασία. Οι οργανισμοί πρέπει να σκεφτούν στρατηγικά τη μετατόπιση της στάσης του μυαλού που είναι απαραίτητη για να κάνουν τις ομάδες να εμπιστεύονται τις έρευνες από αυτή τη δυνατή τεχνολογία – ή να χάσουν την απόδοση του ROI.

Ο Δρόμος προς την Πράξη

Παρά την υπόσχεση των ψηφιακών δίδυμων, η υιοθέτηση έχει sido σχετικά αργή – μέχρι πρόσφατα. Η εισαγωγή των AI-ενεργοποιημένων μοντέλων μπορεί να πάρει τα ψηφιακά δίδυμα από την αναπαράσταση στη προσομοίωση, συνδέοντας έρευνες από άλλα μοντέλα για να χτίσει μοναδικές έρευνες.

Όταν η επένδυση και η εμπιστοσύνη αυξάνονται, τα ψηφιακά δίδυμα θα φτάσουν τελικά στο στάδιο της πράξης και θα είναι能够 να λαμβάνουν σύνθετες αποφάσεις μόνα τους. Η αληθινή αξία ακόμη δεν έχει απελευθερωθεί, αλλά τα ψηφιακά δίδυμα έχουν το δυναμικό να μεταμορφώσουν κλάδους από την παραγωγή έως την υγεία έως το λιανικό εμπόριο.