Что препятствует эволюции и принятию цифровых двойников?

Огромный потенциал технологии цифровых двойников – с ее возможностью создавать цифровые копии физических объектов, процессов и сред – имеет применения, охватывающие различные отрасли, от воспроизведения опасных сред до демонстрации космических кораблей для дистанционного обучения. Недавний анализ компании McKinsey показывает, что интерес к этой технологии так велик, что глобальный рынок цифровых двойников будет расти примерно на 60% в год в течение следующих пяти лет и достигнет 73,5 миллиарда долларов к 2027 году. Интерес rõчно есть, но действительно ли принятие этой технологии последовало?

Ответ – это сложно. Технология цифровых двойников и ее применения эволюционировали сильно, но для широкого внедрения необходимо решить проблемы.

Эволюция цифровых двойников

Правда о принятии технологии цифровых двойников заключается в том, что до недавнего времени она не имела интеллекта, чтобы выйти за рамки простого представления актива. Более ценным было бы умение точно симулировать, прогнозировать и контролировать его поведение. Цифровые двойники также были индивидуальными и не имели возможности учиться глобально на поведении подобных активов. Их идеи были изолированы и не всегда были применимы к более широким организационным потребностям, что делало их значительными инвестициями с узкими результатами.

Тем не менее, некоторые ранние принятые цифровые двойники включают в себя производство, розничную торговлю, здравоохранение и автомобильную промышленность, которые смогли протестировать новые объекты, конфигурации и процессы в контролируемой среде.

С новыми подходами, основанными на ИИ, мы увидим быстрый сдвиг от “цифровых двойников” к ИИ-управляемой “симуляции” и “агентству”, что существенно расширит области применения и обеспечит широкое внедрение. Давайте рассмотрим эти категории использования:

• Представление – Ранние итерации цифровых двойников были простыми цифровыми представлениями активов, которые не были особенно полезными за пределами определенных нишевых случаев использования для улучшения проектирования и выполнения определенных задач. По сути, это “реплика” состояние технологии цифровых двойников.
• Симуляция – Сегодня цифровые двойники эволюционируют от представления к симуляции, что выгодно для более широкого набора случаев использования. Симуляция означает, что цифровые двойники не только отражают актив или среду, но также точно симулируют будущие сценарии. На этом этапе они способны учиться на данных из других подобных процессов, чтобы получить осмысленные идеи. Симуляционные двойники используют алгоритмы ИИ, чтобы симулировать производственные результаты, рекомендовать оптимальные настройки машин и направлять производственные команды к улучшению бизнес-целей в производственной среде.
• Агентство – Следующая эволюция после симуляции будет агентством, которое позволит активам, процессам и целым частям производства планировать и действовать автономно. На этом этапе они также будут принимать сложные решения и работать в партнерстве с людьми, чтобы обеспечить более устойчивое производство. Это этап цифрового двойника-агента.

Переход между этапами требует разных уровней поддерживающей технологии, и важно, чтобы организации имели правильный технологический стек, чтобы достичь максимального воздействия и ROI цифровых двойников.

Основная технология для цифровых двойников

Правильная основная технология должна быть на месте до перехода от представления к симуляции, а затем, в конечном итоге, к агентству.

Используя производство в качестве примера, организации, которые хотят создать цифровую симуляцию определенного процесса или среды производства, должны иметь надежные онлайн-чувствительные возможности. Эти датчики передают данные из входа и выхода на различных критических этапах пути, чтобы предоставить прочные идеи для информирования симуляции. Многое из этих данных уже доступно, и мы видели производителей процессов с качественными онлайн-измерениями на выходах (например, бумаге), но обычно существует пробел в измерениях для входных данных (например, древесных волокон, которые входят в производство бумажной массы).

Чтобы обойти это, производственные команды должны четко определить симуляцию, которую они пытаются достичь, и различные входные данные, машины и системы, участвующие в этом, а также различные параметры каждого этапа на протяжении всего процесса. Это, вероятно, требует привлечения экспертов из нескольких функций, чтобы обеспечить, что все аспекты модели учтены, что затем поможет обеспечить, что данные достаточно прочны, чтобы обеспечить симуляцию.

Связность и сравнение

Цифровые двойники, которые полностью изолированы, не получают пользы от знаний из других моделей в подобных сценариях. Модели, которые вносят вклад в цифровой двойник, должны быть обеспечены данными из других подобных моделей и цифровых двойников, чтобы продемонстрировать, что такое “отлично” или оптимально глобально, а не только в локальном процессе, который изучается.

В результате цифровые двойники требуют большого облачного компонента, или же организации рискуют потерять любое подобие полного обещания, которое эта технология предлагает.

Другая сторона медали заключается в том, что цифровые двойники не должны полагаться исключительно на облачную технологию, поскольку задержка в облаке может создать препятствия для таких факторов, как сбор реального времени данных и реального времени инструкций. Рассмотрите, насколько бесполезно было бы иметь симуляцию, предназначенную для предотвращения отказов машин, только чтобы симуляция обнаружила сломанную ленту задолго до того, как деталь перестала функционировать правильно и вся машина остановилась.

Чтобы преодолеть эти проблемы, может быть мудро добавить компонент, который включает в себя ИИ на краю. Это гарантирует, что данные могут быть захвачены как можно ближе к процессу, который симулируется.

Возможные проблемы с развертыванием и управлением

Помимо наличия правильного технологического стека и инфраструктуры для сбора необходимых данных для ИИ-управляемых симуляционных двойников, доверие остается значительным препятствием для развертывания. Водители такси в Лондоне могут знать карту города и все его обходы, но GPS обычно обеспечивает водителей более точными маршрутами, учитывая данные о трафике. Аналогично, инженеры и производственные профессионалы должны испытать точные и безопасные симуляции, чтобы полностью получить уверенность в их возможностях.

Получение доверия требует времени, но прозрачность с моделями и данными, которые обеспечивают цифровые двойники, может ускорить этот процесс. Организации должны стратегически подумать о необходимом изменении мышления, чтобы команды доверяли идеям из этой мощной технологии – или рискуют не получить ROI.

Путь к агентству

Несмотря на обещания цифровых двойников, принятие было относительно медленным – пока недавно. Введение ИИ-управляемых моделей может привести цифровых двойников от представления к симуляции, соединяя идеи из других моделей, чтобы построить на уникальных знаниях.

По мере увеличения инвестиций и доверия цифровые двойники в конечном итоге достигнут статуса агентства и смогут принимать сложные решения самостоятельно. Истинная ценность еще не разблокирована, но цифровые двойники имеют потенциал трансформировать отрасли от производства до здравоохранения и розничной торговли.