Apa yang Menghambat Evolusi dan Adopsi Digital Twin?

Potensi luar biasa dari teknologi digital twin – dengan kemampuan untuk membuat replika digital dari objek fisik, proses, dan lingkungan – memiliki aplikasi yang meluas ke berbagai industri, dari mereplikasi lingkungan berbahaya hingga menampilkan pesawat luar angkasa untuk pelatihan jarak jauh. Analisis terbaru dari McKinsey menunjukkan bahwa minatnya sangat mendalam sehingga pasar global untuk digital twin akan tumbuh sekitar 60% per tahun selama lima tahun ke depan dan mencapai $73,5 miliar pada tahun 2027. Minatnya jelas ada, tetapi apakah adopsi benar-benar mengikuti?

Jawabannya – itu rumit. Teknologi digital twin dan kasus penggunaannya telah berkembang pesat, tetapi tantangan harus diatasi agar digital twin dapat diadopsi secara besar-besaran.

Evolusi Digital Twin

Adopsi yang sebenarnya dari teknologi digital twin telah lambat karena, sampai baru-baru ini, itu kekurangan kecerdasan untuk melampaui sekadar merepresentasikan aset. Lebih berharga adalah kemampuan untuk mensimulasikan, memprediksi, dan mengontrol perilakunya dengan akurat. Digital twin juga bersifat kustom dan kekurangan kemampuan untuk belajar secara global dari perilaku aset serupa. Wawasan mereka terisolasi dan tidak selalu relevan dengan kebutuhan organisasi yang lebih luas, membuat mereka menjadi investasi yang mahal dengan hasil yang sempit.

Meskipun demikian, beberapa pelopor adopsi digital twin termasuk industri manufaktur, ritel, kesehatan, dan otomotif, yang telah dapat menguji fasilitas, konfigurasi, dan proses baru dalam lingkungan yang terkendali.

Dengan pendekatan AI yang baru, kita akan melihat pergeseran cepat dari “digital twin” ke “simulasi” dan “agen” yang ditenagai AI, yang akan secara dramatis memperluas kasus penggunaan dan mendorong adopsi yang luas. Mari kita lihat kategori penggunaan ini:

• Representasi – Iterasi awal digital twin adalah representasi digital sederhana dari aset, yang tidak terlalu berguna di luar kasus penggunaan niche tertentu untuk meningkatkan desain dan eksekusi tugas tertentu. Pada dasarnya, ini adalah “replika” negara teknologi digital twin.
• Simulasi – Saat ini, digital twin berkembang dari representasi ke simulasi, yang menguntungkan kasus penggunaan yang lebih luas. Simulasi berarti bahwa digital twin tidak hanya memantulkan aset atau lingkungan, tetapi juga mensimulasikan skenario masa depan dengan akurat. Pada tahap ini, mereka dapat belajar dari data dari proses serupa untuk memperoleh wawasan yang berarti. Simulasi twin menggunakan algoritma AI untuk mensimulasikan hasil produksi, merekomendasikan pengaturan mesin optimal, dan membimbing tim produksi menuju tujuan bisnis yang ditingkatkan dalam pengaturan manufaktur.
• Agen – Evolusi berikutnya setelah simulasi akan menjadi agen, yang akan memungkinkan aset, proses, dan bagian produksi untuk merencanakan dan bertindak secara otonom. Pada tahap ini, mereka juga akan membuat keputusan kompleks dan bekerja sama dengan orang untuk mendorong produksi yang lebih berkelanjutan. Ini adalah tahap agen digital twin.

Beralih antara tahap memerlukan tingkat teknologi pendukung yang berbeda, dan sangat penting bahwa organisasi memiliki teknologi yang tepat untuk mencapai dampak dan ROI maksimum dari digital twin.

Teknologi Pendukung untuk Digital Twin

Teknologi pendukung yang tepat harus ada sebelum beralih dari representasi ke simulasi dan akhirnya ke agen.

Menggunakan manufaktur sebagai contoh lagi, organisasi yang ingin membuat simulasi digital dari proses atau lingkungan pabrik tertentu harus memiliki kemampuan penginderaan online yang dapat diandalkan. Sensor-sensor ini memberikan data dari input dan output pada berbagai tahap kritis perjalanan untuk memberikan wawasan yang kuat untuk meminformasikan simulasi. Banyak data ini sudah tersedia, dan kita telah melihat produsen proses dengan pengukuran kualitas online pada output (misalnya, kertas), tetapi biasanya ada celah dalam pengukuran sensor untuk input (misalnya, serat kayu yang masuk ke produksi pulp kertas).

Untuk mengatasi hal ini, tim manufaktur harus secara jelas mendefinisikan simulasi yang mereka coba capai dan berbagai input, mesin, dan sistem yang terlibat, bersama dengan parameter yang berbeda dari setiap tahap sepanjang proses. Ini kemungkinan memerlukan mengetuk ahli dari berbagai fungsi untuk memastikan semua aspek model diperhitungkan, yang kemudian akan membantu memastikan data cukup kuat untuk memberdayakan simulasi.

Koneksi dan Perbandingan

Digital twin yang sepenuhnya terisolasi kehilangan pembelajaran dari model lain dalam skenario serupa. Model yang memberikan kontribusi pada digital twin itu sendiri perlu diberi makan dengan data dari model dan digital twin lain untuk menunjukkan apa yang “hebat” atau optimal terlihat secara global, bukan hanya dalam proses lokal yang sedang diperiksa.

Sebagai hasilnya, digital twin memerlukan komponen cloud yang besar, atau else organisasi riskan kehilangan janji teknologi ini.

Sisi lain dari koin itu adalah digital twin tidak boleh hanya mengandalkan teknologi cloud karena latency cloud dapat menciptakan hambatan untuk faktor seperti mengumpulkan data waktu nyata dan instruksi waktu nyata. Pertimbangkan bagaimana tidak bergunanya memiliki simulasi yang dimaksudkan untuk mencegah kegagalan mesin hanya untuk simulasi mendeteksi sabuk yang rusak setelah bagian itu berhenti berfungsi dengan baik dan seluruh mesin dalam keadaan berhenti.

Untuk mengatasi tantangan ini, mungkin bijak untuk menambahkan komponen yang diaktifkan edge-AI. Ini memastikan data dapat ditangkap sedekat mungkin dengan proses yang disimulasikan.

Titik Sakit yang Mungkin dengan Penerapan dan Pengelolaan

Selain memiliki teknologi pendukung yang tepat dan infrastruktur untuk mengumpulkan data yang diperlukan untuk simulasi twin yang ditenagai AI, kepercayaan tetap menjadi hambatan signifikan untuk penerapan. Sopir taksi di London mungkin mengetahui peta kota dan semua jalan pintasnya, tetapi GPS biasanya mempersenjatai sopir dengan rute yang lebih akurat dengan mempertimbangkan data lalu lintas. Demikian pula, insinyur dan profesional manufaktur perlu mengalami simulasi yang akurat dan aman untuk sepenuhnya memperoleh kepercayaan pada kemampuan mereka.

Membangun kepercayaan membutuhkan waktu, tetapi transparansi dengan model dan dengan data yang memberi makan digital twin dapat mempercepat proses ini. Organisasi harus berpikir strategis tentang perubahan mindset yang diperlukan untuk membuat tim mempercayai wawasan dari teknologi yang kuat ini – atau riskan kehilangan ROI.

Jalan Menuju Agen

Meskipun janji digital twin, adopsi telah relatif lambat – sampai baru-baru ini. Pengenalan model yang ditenagai AI dapat membawa digital twin dari representasi ke simulasi dengan menghubungkan wawasan dari model lain untuk membangun pembelajaran unik.

Seiring dengan peningkatan investasi dan kepercayaan, digital twin akhirnya akan mencapai status agen dan dapat membuat keputusan kompleks sendiri. Nilai sebenarnya belum terbuka, tetapi digital twin memiliki potensi untuk mengubah industri dari manufaktur hingga kesehatan hingga ritel.