์ฌ์ ๋ฆฌ๋
๋์งํธ ํธ์ ์งํ์ ์ฑํ์ ์ฅ์ ๋ฌผ์ ๋ฌด์์ธ๊ฐ?
디지털 트윈 기술은 물리적 객체, 프로세스, 환경의 디지털 복제본을 생성할 수 있는 능력으로 산업 전체에 걸쳐 적용될 수 있는巨大한 잠재력을 가지고 있다. 최근 McKinsey의 분석에 따르면, 디지털 트윈 기술에 대한 관심은 매우 깊으며, 글로벌 디지털 트윈 시장은 향후 5년간 약 60%의 속도로 성장하여 2027년까지 73.5억 달러에 달할 것으로 예상된다. 관심은 분명히 존재하지만, 채택은本当にตาม来了는가?
그答案은 복잡하다. 디지털 트윈 기술과その 사용 사례는 엄청나게 발전했지만, 디지털 트윈을 대규모로 채택하기 위해서는 도전 과제를 해결해야 한다.
디지털 트윈의 진화
디지털 트윈 기술의真正 채택은 느렸는데, 그것은 최근까지 단순히 자산을 표현하는 것을 넘어서는 지능이 부족했기 때문이다. 더 가치 있는 것은 정확하게 시뮬레이션, 예측, 제어할 수 있는 능력이다. 디지털 트윈은 또한 맞춤형으로 제작되었으며, 유사한 자산의 행동에서 글로벌하게 학습할 수 있는 능력이 없었다. 그들의 통찰력은 시로화되어 있었고, 항상 더广い 조직의 필요에 적용할 수 있는 것은 아니었다. 따라서, 그것은 좁은 반환이 있는大量한 투자였다.
그럼에도 불구하고, 일부 초기 디지털 트윈 채택자는 제조, 소매, 헬스케어, 자동차 산업을 포함하며, 이러한 산업들은 새로운 시설, 구성, 프로세스를 제어된 환경에서 테스트할 수 있었다.
새로운 AI 기반 접근법으로, 우리는 “디지털 트윈”에서 AI 기반 “시뮬레이션” 및 “에이전트”로의 급격한 전환을 볼 수 있을 것이다. 이러한 사용 사례의 범위가 크게 확대되고, 광범위한 채택이 촉진될 것이다. 이러한 사용 사례의 범주를 살펴보자:
- 표현 – 디지털 트윈의 초기 버전은 단순한 디지털 표현이었다. 그것은 특정 작업의 설계 및 실행을 개선하는 일부 니치 사용 사례를 제외하고는特别 유용하지 않았다. 본질적으로, 이것은 디지털 트윈 기술의 “복제” 상태이다.
- 시뮬레이션 – 오늘날, 디지털 트윈은 표현에서 시뮬레이션으로 진화하고 있으며, 더广い 사용 사례의 이점을 제공한다. 시뮬레이션은 디지털 트윈이 자산이나 환경을 단순히 반영하는 것을 넘어서, 미래 시나리오를 정확하게 시뮬레이션한다는 것을 의미한다. 이 단계에서, 그것은 다른 유사한 프로세스에서 데이터를 학습하여 의미 있는 통찰력을 얻을 수 있다. 시뮬레이션 트윈은 AI 알고리즘을 사용하여 제조 환경에서 생산 결과를 시뮬레이션하고, 최적의 기계 설정을 추천하며, 생산 팀을 향상된 비즈니스 목표로 안내한다.
- 에이전트 – 시뮬레이션 이후의 다음 진화는 에이전트로, 자산, 프로세스, 생산의 일부가 자율적으로 계획하고 행동할 수 있게 할 것이다. 이 단계에서, 그것은 또한 복잡한 결정을 내리고 사람들과 협력하여 더 지속 가능한 생산을 추진할 것이다. 이것은 디지털 트윈 에이전트 단계이다.
단계 사이를 이동하려면 다른 수준의 지원 기술이 필요하며, 조직이 디지털 트윈의 최대 영향을 달성하고 ROI를 얻기 위해서는 적절한 기술 스택을 갖는 것이 중요하다.
디지털 트윈의 기초 기술
적절한 기초 기술이 있어야 표현에서 시뮬레이션으로, 그리고 궁극적으로 에이전트로 이동할 수 있다.
제조를 예로 들어, 특정 프로세스 또는 공장 환경의 디지털 시뮬레이션을 생성하려는 조직은 신뢰할 수 있는 온라인 센싱 기능을 갖추어야 한다. 이러한 센서는 다양한 중요 단계에서 입력 및 출력 데이터를 제공하여 시뮬레이션에 대한 강력한 통찰력을 제공한다. 이 데이터 대부분은 쉽게 사용할 수 있지만, 공정 제조업체는 출력(예: 종이)에 대한 품질 온라인 측정을 가지고 있지만, 입력(예: 종이 펄프 생산에 사용되는 목화 섬유)에 대한 센싱 측정에는 일반적으로 간격이 있다.
이를 극복하기 위해, 제조 팀은 시뮬레이션을 달성하려는 시뮬레이션과 다양한 입력, 기계, 시스템 및 각 단계의 매개 변수를 명확하게 정의해야 한다. 이는 모든 모델 측면을 고려하여 데이터가 강력한 시뮬레이션을 구동할 수 있도록 보장하기 위해 여러 기능의 전문가를 활용해야 할 수 있다.
연결성 및 비교
완전히 고립된 디지털 트윈은 유사한 시나리오의 다른 모델에서 학습할 기회를 놓치고 있다. 디지털 트윈 자체에 기여하는 모델은 다른 유사한 모델 및 디지털 트윈에서 데이터를 제공받아야 하며, 무엇이 “훌륭한” 또는 최적의 모습인지 글로벌하게 보여줄 수 있다. 지역적으로 조사된 프로세스만이 아니라.
결과적으로, 디지털 트윈은 큰 클라우드 구성 요소를 필요로 한다. 그렇지 않으면 조직은 이 기술이 제공하는 약속의 어떤 형태도 놓칠 위험이 있다.
반面的, 디지털 트윈은 클라우드 기술만에 의존해서는 안 된다. 클라우드의 대기 시간은 실시간 데이터 수집 및 실시간 지시에 대한 장애물을 생성할 수 있다. 시뮬레이션이 기계 고장을 방지하기 위한 것이지만, 시뮬레이션이 고장난 벨트를 감지하기 전에 이미 기계가 제대로 작동하지 않는 경우에는 시뮬레이션이 무의미하다.
이러한 도전 과제를 극복하기 위해, 에지-AI를 활성화하는 구성 요소를 추가하는 것이 현명할 수 있다. 이를 통해 데이터를 시뮬레이션되는 프로세스에 가능한 한 가까운 곳에서 캡처할 수 있다.
배포 및 관리의 가능한 문제점
적절한 기술 스택과 인프라를 갖추어 디지털 트윈에 필요한 데이터를 캡처하는 것 외에도, 신뢰는 배포의重大한 장애물이다. 런던의 택시 운전사는 도시 지도를 알고 모든 단축 경로를 알고 있지만, GPS는 일반적으로 운전手に 더 정확한 경로를 제공한다. 마찬가지로, 엔지니어와 제조 전문가는 자신의 능력에 대한 신뢰를 얻으려면 정확하고 안전한 시뮬레이션을 경험해야 한다.
신뢰를 얻는 것은 시간이 걸리지만, 모델과 디지털 트윈을 구동하는 데이터에 대한 투명성은 이过程을 가속할 수 있다. 조직은 이러한 강력한 기술의 통찰력에 대한 팀의 신뢰를 얻기 위한 필요한 마음가짐의 변화를 전략적으로 생각해야 한다. 그렇지 않으면 ROI를 놓칠 위험이 있다.
에이전트로의 길
디지털 트윈의 약속에도 불구하고, 채택은 상대적으로 느렸습니다. AI 기반 모델의 도입으로 디지털 트윈은 표현에서 시뮬레이션으로 연결되는 통찰력을 얻을 수 있다.
투자와 신뢰가 증가함에 따라, 디지털 트윈은 궁극적으로 에이전트 상태에 도달하여 복잡한 결정을 내릴 수 있을 것이다.真正의 가치는 아직 잠겨 있지만, 디지털 트윈은 제조, 헬스케어, 소매 등 다양한 산업을 변革할 수 있는 잠재력을 가지고 있다.
