Wat staat in de weg van de evolutie en adoptie van digitale tweelingen?

Het enorme potentieel van digitale tweelingtechnologie – met de mogelijkheid om digitale replica’s van fysieke objecten, processen en omgevingen te creëren – heeft toepassingen die zich uitstrekken over verschillende industrieën, van het repliceren van gevaarlijke omgevingen tot het weergeven van ruimtevaartuigen voor afstandsopleiding. Recent onderzoek van McKinsey suggereert dat de interesse zo groot is dat de wereldmarkt voor digitale tweelingen ongeveer 60% per jaar zal groeien in de komende vijf jaar en 73,5 miljard dollar zal bereiken in 2027. De interesse is duidelijk aanwezig, maar is de adoptie echt gevolgd?

Het antwoord – het is ingewikkeld. Digitale tweelingtechnologie en haar use cases zijn enorm geëvolueerd, maar uitdagingen moeten worden aangepakt om digitale tweelingen op grote schaal te adopteren.

De evolutie van digitale tweelingen

De echte adoptie van digitale tweeling technologie is langzaam geweest omdat het, tot voor kort, ontbrak aan intelligentie om verder te gaan dan alleen het weergeven van een asset. Veel waardevoller zou zijn de mogelijkheid om het gedrag nauwkeurig te simuleren, voorspellen en controleren. Digitale tweelingen waren ook maatwerk en misten de mogelijkheid om wereldwijd te leren van het gedrag van soortgelijke assets. Hun inzichten waren geïsoleerd en niet altijd relevant voor bredere organisatorische behoeften, waardoor ze een forse investering waren met smalle rendementen.

Desondanks zijn enkele vroege adoptanten van digitale tweelingen de fabricage-, detailhandels-, gezondheidszorg- en automotive-industrie, die in staat zijn geweest om nieuwe faciliteiten, configuraties en processen te testen in een gecontroleerde omgeving.

Met nieuwe AI-gedreven benaderingen zullen we een snelle verschuiving zien van “digitale tweelingen” naar AI-gepowered “simulatie” en “agent” die de gebruikscases aanzienlijk zal verbreden en brede adoptie zal stimuleren. Laten we naar deze categorieën van gebruik kijken:

• Representatie – De vroege iteraties van digitale tweelingen waren eenvoudige digitale representaties van assets, die niet bijzonder nuttig waren buiten enkele niche-use cases voor het verbeteren van het ontwerp en de uitvoering van bepaalde taken. In wezen is dit de “replica”-staat van digitale tweelingtechnologie.
• Simulatie – Vandaag evolueren digitale tweelingen van representatie naar simulatie, wat een bredere reeks use cases ten goede komt. Simulatie betekent dat digitale tweelingen niet alleen de asset of omgeving spiegelen, maar ook toekomstige scenario’s nauwkeurig simuleren. In deze fase zijn ze in staat om van data van soortgelijke processen te leren om betekenisvolle inzichten te verkrijgen. Simulatietweelingen gebruiken AI-algoritmen om productieresultaten te simuleren, optimale machine-instellingen aan te bevelen en productieteams te leiden naar verbeterde bedrijfsdoelstellingen in een productieomgeving.
• Agent – De volgende evolutie na simulatie zal agent zijn, die assets, processen en hele productiedelen in staat zal stellen om autonoom te plannen en te handelen. In deze fase zullen ze ook complexe beslissingen nemen en samenwerken met mensen om duurzamere productie te stimuleren. Dit is het digitale tweelingagent-stadium.

Het verplaatsen tussen stadia vereist verschillende niveaus van ondersteunende technologie, en het is van cruciaal belang dat organisaties de juiste technologie-stack hebben om het maximale effect en rendement van digitale tweelingen te bereiken.

Grondleggende technologie voor digitale tweelingen

De juiste grondleggende technologie moet aanwezig zijn voordat men van representatie naar simulatie en uiteindelijk naar agent kan gaan.

Als voorbeeld gebruiken we de fabricage-industrie opnieuw, organisaties die een digitale simulatie van een bepaald proces of fabrieksomgeving willen creëren, moeten betrouwbare online sensoren hebben. Deze sensoren voeden data van de invoer en uitvoer op verschillende kritieke stadia van de reis om robuuste inzichten te bieden om een simulatie te informeren. Veel van deze data is gemakkelijk beschikbaar, en we hebben procesfabrikanten met kwalitatief hoogwaardige online metingen op de uitvoer (d.w.z. papier) gezien, maar er is meestal een lacune in sensormetingen voor de invoer (d.w.z. houtvezels die in papierpulpproductie worden gebruikt).

Om dit te omzeilen, moeten fabricageteams duidelijk de simulatie definiëren die ze proberen te bereiken en de verschillende invoer, machines en systemen die betrokken zijn, evenals de verschillende parameters van elk stadium in het proces. Dit vereist waarschijnlijk het inschakelen van experts uit meerdere functies om ervoor te zorgen dat alle aspecten van het model worden meegenomen, wat vervolgens zal helpen ervoor zorgen dat de data robuust genoeg is om een simulatie te voeden.

Connectiviteit en vergelijking

Digitale tweelingen die volledig geïsoleerd zijn, missen de kennis die kan worden opgedaan uit andere modellen in soortgelijke scenario’s. De modellen die bijdragen aan de digitale tweeling zelf moeten worden gevoed met data van andere soortgelijke modellen en digitale tweelingen om te laten zien wat “goed” of optimaal is op wereldschaal, niet alleen binnen het lokale proces dat wordt onderzocht.

Als gevolg hiervan vereisen digitale tweelingen een grote cloud-component, anders riskeren organisaties het verlies van enigszins de volledige belofte die deze technologie biedt.

De andere kant van de medaille is dat digitale tweelingen niet alleen afhankelijk mogen zijn van cloudtechnologie, omdat de latentie van de cloud obstakels kan creëren voor factoren zoals het verzamelen van real-time data en real-time instructies. Overweeg hoe zinloos het zou zijn om een simulatie te hebben die bedoeld is om machinefouten te voorkomen, alleen om de simulatie te detecteren dat een gebroken riem lang na het stoppen van de machine en het stilleggen van de hele machine.

Om deze uitdagingen te overwinnen, kan het verstandig zijn om een component toe te voegen die edge-AI-geactiveerd is. Dit zorgt ervoor dat data zo dicht mogelijk bij het proces kan worden vastgelegd.

Mogelijke pijnlijke punten bij implementatie en beheer

Naast het hebben van de juiste technologie-stack en infrastructuur om de benodigde data voor AI-gepowered simulatietweelingen te verzamelen, blijft vertrouwen een aanzienlijke belemmering voor implementatie. Taxichauffeurs in Londen kennen de stadkaart en alle shortcuts, maar GPS voorziet chauffeurs meestal van nauwkeurigere routes door verkeersdata te factoren. Op soortgelijke wijze moeten ingenieurs en fabricageprofessionals accurate en veilige simulaties ervaren om volledig vertrouwen te krijgen in hun capaciteiten.

Het opbouwen van vertrouwen kost tijd, maar transparantie met de modellen en met de data die de digitale tweelingen voeden, kan dit proces versnellen. Organisaties moeten strategisch nadenken over de mentaliteitsverandering die nodig is om teams te laten vertrouwen op de inzichten van deze krachtige technologie – of riskeer het missen van rendement.

De weg naar agent

Ondanks de belofte van digitale tweelingen, is de adoptie relatief langzaam geweest – tot voor kort. De introductie van AI-gepowered modellen kan digitale tweelingen van representatie naar simulatie brengen door inzichten van andere modellen te verbinden om unieke kennis op te bouwen.

Naarmate de investeringen en het vertrouwen toenemen, zullen digitale tweelingen uiteindelijk de status van agent bereiken en in staat zijn om complexe beslissingen zelfstandig te nemen. De ware waarde is nog niet ontsloten, maar digitale tweelingen hebben het potentieel om industrieën te transformeren, van fabricage tot gezondheidszorg tot detailhandel.