디지털 트윈 진화와 채택의 장애물은 무엇인가?

디지털 트윈 기술의 엄청난 잠재력 – 물리적 객체, 프로세스 및 환경의 디지털 복제본을 생성하는 능력 -은 산업 전체에 걸쳐 적용될 수 있으며, 위험한 환경을 복제하거나 원격 교육 목적으로 우주선 등을 표시하는 데 사용될 수 있습니다. 최근 McKinsey의 분석에 따르면 관심은 매우 깊으며, 디지털 트윈의 글로벌 시장은 향후 5년 동안 약 60%의 연평균 성장률을 보일 것으로 예상되며, 2027년에는 735억 달러에 이를 것입니다. 관심은 분명히 있지만, 채택은 정말로 따랐는가?

答案은 – 복잡하다. 디지털 트윈 기술과その 사용 사례는 엄청나게 발전했지만, 대규모로 채택되기 위해서는 도전 과제를 해결해야 합니다.

디지털 트윈의 진화

디지털 트윈 기술의真正한 채택은 최근까지 느렸습니다. 왜냐하면, 최근까지 디지털 트윈은 단순히 자산을 표현하는 것 이상의 지능을 가지고 있지 않았기 때문입니다. 더 가치 있는 것은 정확하게 시뮬레이션, 예측 및 제어하는 능력입니다. 디지털 트윈은 또한 맞춤형이었으며, 유사한 자산의 행동에서 글로벌하게 학습할 수 있는 능력이 없었습니다. 그들의 통찰력은 시로화되어 있었고, 항상 조직의 더广い 필요에 적용할 수 있는 것은 아니었습니다. 따라서, 디지털 트윈은 Narrow한 반환을 가진大量한 투자였습니다.

그럼에도 불구하고, 디지털 트윈의 초기 채택자들에는 제조, 소매, 헬스케어, 자동차 산업이 포함되어 있으며, 이들은 새로운 시설, 구성, 프로세스를 제어된 환경에서 테스트할 수 있었습니다.

새로운 AI 기반 접근 방식을 사용하면, 우리는 “디지털 트윈”에서 “시뮬레이션” 및 “에이전시”로의 급속한 전환을 볼 수 있을 것입니다. 이는 사용 사례를 크게 확대하고, 광범위한 채택을 추진할 것입니다. 이러한 사용 사례를 살펴보겠습니다:

• 표현 – 디지털 트윈의 초기 버전은 단순한 디지털 자산 표현이었습니다. 이는 특정 작업의 설계 및 실행을 개선하는 데 사용할 수 있는 몇 가지 니치 사용 사례를 제외하고는特别 유용하지 않았습니다. 본질적으로, 이것은 디지털 트윈 기술의 “복제” 상태입니다.
• 시뮬레이션 – 오늘날, 디지털 트윈은 표현에서 시뮬레이션으로 발전하고 있으며, 이는 더广い 사용 사례를 이점으로 제공합니다. 시뮬레이션은 디지털 트윈이 자산 또는 환경을 반영하는 것뿐만 아니라, 미래 시나리오를 정확하게 시뮬레이션한다는 것을 의미합니다. 이 단계에서, 디지털 트윈은 다른 유사한 프로세스에서 데이터를 학습하여 의미 있는 통찰력을 얻을 수 있습니다. 시뮬레이션 트윈은 AI 알고리즘을 사용하여 생산 결과를 시뮬레이션하고, 최적의 기계 설정을 추천하며, 제조 환경에서 생산 팀을 향상된 비즈니스 목표로 안내합니다.
• 에이전시 – 시뮬레이션 이후의 다음 진화는 에이전시로, 자산, 프로세스 및 생산의 전체 부분이 계획 및 행동을 자율적으로 수행할 수 있게 할 것입니다. 이 단계에서, 디지털 트윈은 또한 복잡한 결정과 더 지속 가능한 생산을 추진하기 위해 사람과 협력하여 일할 것입니다. 이것은 디지털 트윈 에이전트 단계입니다.

단계 사이를 이동하려면 다양한 수준의 지원 기술이 필요하며, 조직이 디지털 트윈의 최대 영향을 얻고 ROI를 달성하기 위해 올바른 기술 스택을 갖는 것이 중요합니다.

디지털 트윈의 기초 기술

디지털 트윈을 표현에서 시뮬레이션으로, 그리고 궁극적으로 에이전시로 이동하기 전에 올바른 기초 기술이 있어야 합니다.

제조를 예로 들어, 특정 프로세스 또는 공장 환경의 디지털 시뮬레이션을 생성하려는 조직은 신뢰할 수 있는 온라인 센싱 기능을 갖추어야 합니다. 이러한 센서는 여정의 다양한 중요한 단계에서 입력 및 출력에서 데이터를 제공하여 시뮬레이션에 대한 강력한 통찰력을 제공합니다. 이 데이터 대부분은 이미 사용할 수 있으며, 우리는 프로세스 제조업체가 출력(즉, 종이)에 대한 품질 온라인 측정을 갖고 있지만, 입력(즉, 종이 펄프 생산을 위한 목섬유)에 대한 센싱 측정에 갭이 있는 것을 보았습니다.

이를 회피하기 위해, 제조 팀은 시도하는 시뮬레이션과 다양한 입력, 기계 및 시스템을 정의해야 하며, 프로세스 전체의 각 단계의 다양한 매개 변수를 정의해야 합니다. 이것은 모든 모델 측면을 고려하기 위해 여러 기능의 전문가를 활용하는 것을 의미하며, 이는 데이터가 시뮬레이션을 구동할 수 있을 만큼 강력한지 확인하는 데 도움이 될 것입니다.

연결성 및 비교

완전히 고립된 디지털 트윈은 유사한 시나리오의 다른 모델에서 학습할 기회를 놓치고 있습니다. 디지털 트윈 자체에 기여하는 모델은 다른 유사한 모델 및 디지털 트윈에서 데이터를 공급받아야 하며, 이는 무엇이 “伟大”하거나 최적의 모습인지 전역적으로 보여줍니다. 즉, 조사 중인 로컬 프로세스 내에서만이 아니라, 디지털 트윈은 대규모 클라우드 구성 요소를 필요로 합니다. 그렇지 않으면 조직은 이 기술이 제공하는 약속의 어떤 형태도 놓칠 위험에 처하게 됩니다.

결과적으로, 디지털 트윈은 클라우드 기술만으로頼る 것이 아니라, 클라우드의 대기 시간으로 인해 실시간 데이터 수집 및 실시간 지침과 같은 요소에서 장애물이 될 수 있습니다. 예를 들어, 시뮬레이션이 기계 고장을 방지하는 것을 목표로 하지만, 시뮬레이션이 실제로 기능을 멈춘 후에야 고장난 벨트를 감지하는 경우는 어떤 의미가 있습니까?

이러한 도전 과제를 극복하기 위해, 에지 AI를활용하는 구성 요소를 추가하는 것이 현명할 수 있습니다. 이는 데이터를 시뮬레이션되는 프로세스에서 가능한 한 가까운 곳에서 캡처할 수 있게 합니다.

배포 및 관리의 가능한 아픔

올바른 기술 스택과 인프라를 갖추어 AI 기반 시뮬레이션 트윈을 위한 필요한 데이터를 캡처하는 것 외에도, 信頼은 배포의重大한 장애물입니다. 런던의 택시 기사들은 도시 지도를 알고 모든 단축 경로를 알고 있지만, GPS는 일반적으로 트래픽 데이터를 고려하여 더 정확한 경로를 제공합니다. 마찬가지로, 엔지니어와 제조 전문가들은 자신의 능력에 대한 信頼을 완전히 얻기 위해 정확하고 안전한 시뮬레이션을 경험해야 합니다.

信頼을 얻는 데 시간이 걸리지만, 모델과 디지털 트윈을 구동하는 데이터에 대한 투명성은 이 프로세스를 가속할 수 있습니다. 조직은 이 강력한 기술의 통찰력에 대한 팀의 마음가짐을 전환하는 데 필요한 전략적으로 생각해야 합니다. 그렇지 않으면 ROI를 놓칠 위험에 처하게 됩니다.

에이전시로의 길

디지털 트윈의 약속에도 불구하고, 채택은 상대적으로 느렸습니다. 그러나 AI 기반 모델의 도입으로 디지털 트윈은 표현에서 시뮬레이션으로, 그리고 궁극적으로 에이전시로 전환할 수 있습니다.

투자와 信頼이 증가함에 따라, 디지털 트윈은 궁극적으로 에이전시 상태에 도달하여 스스로 복잡한 결정을 내릴 수 있을 것입니다.真正의 가치는 아직 잠금되어 있지만, 디지털 트윈은 제조, 헬스케어, 소매 등 산업을 변혁할 수 있는 잠재력을 가지고 있습니다.