Что мешает эволюции и внедрению цифровых двойников?

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

Ответ – это сложно. Технология цифровых двойников и ее варианты использования эволюционировали невероятно, но проблемы должны быть решены, чтобы цифровые двойники были приняты в масштабе.

Эволюция цифровых двойников

Правдивое внедрение технологии цифрового двойника было медленным, потому что, до недавнего времени, она не имела интеллекта, чтобы выйти за рамки простого представления актива. Более ценным было бы умение точно симулировать, предсказывать и контролировать его поведение. Цифровые двойники также были индивидуальными и не имели возможности учиться глобально из поведения подобных активов. Их идеи были изолированы и не всегда применимы к более широким организационным потребностям, что делало их значительными инвестициями с узкими результатами.

Однако некоторые ранние принятые цифровые двойники включают производственную, розничную, медицинскую 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 варианты использования и обеспечит широкое внедрение. Давайте посмотрим на эти категории использования:

• Представление – Ранние итерации цифровых двойников были простыми цифровыми представлениями активов, которые не были особенно полезными за пределами определенных нишевых вариантов использования для улучшения дизайна и выполнения определенных задач. По сути, это “реплика” состояние технологии цифрового двойника.
• Симуляция – Сегодня цифровые двойники эволюционируют от представления к симуляции, что выгодно для более широкого набора вариантов использования. Симуляция означает, что цифровые двойники не только отражают актив или среду, но также точно симулируют будущие сценарии. На этом этапе они способны учиться из 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 стек технологий, чтобы достичь максимального воздействия и ROI цифровых двойников.

Основополагающая технология для цифровых двойников

Правильная основополагающая технология должна быть на месте, прежде чем переходить от представления к симуляции, а затем, в конечном итоге, к агентству.

Используя производство как пример снова, организации, которые хотят создать цифровую симуляцию данного процесса или среды производства, должны иметь надежные онлайн-возможности обнаружения. Эти датчики питают данные из входа и выхода на различных критических этапах пути, чтобы обеспечить прочные идеи, которые информируют симуляцию. Многое из этого данных уже доступно, и мы видели производителей процессов с качественными онлайн-измерениями на выходах (т.е. бумага), но обычно есть пробел в измерениях обнаружения для входов (т.е. древесных волокон, которые входят в производство бумажной массы).

Чтобы обойти это, производственные команды должны четко определить симуляцию, которую они пытаются достичь, и различные входы, машины и системы, которые участвуют, 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 питать симуляцию.

Связность и сравнение

Цифровые двойники, которые полностью изолированы, не получают выгоды от знаний из других моделей в подобных сценариях. Модели, которые способствуют цифровому двойнику, сами должны быть питаемы данными из других подобных моделей и цифровых двойников, чтобы продемонстрировать, что “велико” или оптимально выглядит глобально, а не только внутри локального процесса, который проверяется.

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, потому что задержка облака может создать препятствия для факторов, таких как сбор данных в реальном времени и инструкций в реальном времени. Рассмотрите, насколько бессмысленно было бы иметь симуляцию, предназначенную для предотвращения неисправностей машин, только для того, чтобы симуляция обнаружила сломанную ленту хорошо после того, как деталь перестала функционировать правильно и вся машина остановилась.

Чтобы преодолеть эти проблемы, может быть мудро добавить компонент, который включает в себя ИИ-края. Это обеспечивает возможность захватить данные как можно ближе к процессу, который симулируется.

Возможные болевые точки при развертывании и управлении

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

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

Путь к агентству

Несмотря на обещания цифровых двойников, внедрение было относительно медленным – пока недавно. Введение ИИ-управляемых моделей может принести цифровые двойники от представления к симуляции, соединив идеи из других моделей, чтобы построить уникальные знания.

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 до розничной торговли.