Vad står i vägen för digital tvillingutveckling och adoption?

Den enorma potentialen hos digital tvillingteknologi – med dess förmåga att skapa digitala kopior av fysiska objekt, processer och miljöer – har tillämpningar som sträcker sig över branscher, från att replikera farliga miljöer till att visa upp rymdfarkoster för fjärrutbildningsändamål. Senaste analys från McKinsey tyder på att intresset är så stort att den globala marknaden för digitala tvillingar kommer att växa med cirka 60 % per år under de kommande fem åren och nå 73.5 miljarder dollar till 2027. Intresset finns helt klart där, men har adoptionen verkligen följt?

Svaret – det är komplicerat. Digital tvillingteknik och dess användningsfall har utvecklats enormt, men utmaningar måste lösas för att digitala tvillingar ska kunna antas i stor skala.

Utvecklingen av digitala tvillingar

Sann adoption av digital tvilling Tekniken har varit långsam eftersom den tills nyligen saknade intelligensen för att gå längre än att bara representera en tillgång. Mer värdefull skulle vara förmågan att exakt simulera, förutsäga och kontrollera dess beteende. Digitala tvillingar var också skräddarsydda och saknade förmågan att lära sig globalt av liknande tillgångars beteende. Deras insikter var tystade och inte alltid tillämpliga på bredare organisatoriska behov, vilket gjorde dem till en rejäl investering med liten avkastning.

Trots det, vissa tidiga användare av digitala tvillingar inkluderar tillverknings-, detaljhandels-, hälsovårds- och fordonsindustrin, som har kunnat testa nya anläggningar, konfigurationer och processer i en kontrollerad miljö.

Med nya AI-drivna tillvägagångssätt kommer vi att se en snabb förändring från "digitala tvillingar" till AI-driven "simulering" och "byrå" som dramatiskt kommer att bredda användningsfallen och driva på en bred användning. Låt oss titta på dessa användningskategorier:

• Representationen – De tidiga upprepningarna av digitala tvillingar var enkla digitala representationer av tillgångar, som inte var särskilt användbara utöver utvalda nischade användningsfall för att förbättra utformningen och utförandet av vissa uppgifter. I huvudsak är detta "replika" tillståndet för digital tvillingteknologi.
• Simulering – Idag utvecklas digitala tvillingar från representation till simulering, vilket gynnar en bredare uppsättning användningsfall. Simulering innebär att digitala tvillingar inte bara speglar tillgången eller miljön, utan också exakt simulerar framtidsscenarier. I detta skede kan de lära sig av data från andra liknande processer för att få meningsfulla insikter. Simuleringstvillingar använder AI-algoritmer för att simulera produktionsresultat, rekommendera optimala maskininställningar och vägleda produktionsteam mot förbättrade affärsmål i en tillverkningsmiljö.
• Byrå – Nästa utveckling efter simulering kommer att vara byrå, som gör det möjligt för tillgångar, processer och hela delar av produktionen att planera och agera autonomt. I detta skede kommer de också att fatta komplexa beslut och arbeta i partnerskap med människor för att driva en mer hållbar produktion. Detta är det digitala tvillingagentstadiet.

Att förflytta sig mellan stadierna kräver olika nivåer av stödjande teknik, och det är ytterst viktigt att organisationer har rätt teknikstack för att uppnå maximal effekt och ROI av digitala tvillingar.

Grundläggande teknik för digitala tvillingar

Rätt grundteknik måste vara på plats innan man går från representation till simulering och sedan, i slutändan, byrå.

Om man återigen använder tillverkning som exempel, måste organisationer som vill skapa en digital simulering av en given process eller fabriksmiljö ha tillförlitliga onlineavkänningsmöjligheter. Dessa sensorer matar data från in- och utdata vid olika kritiska skeden av resan för att ge robusta insikter för att informera en simulering. Mycket av dessa data är lättillgängliga och vi har sett processtillverkare med kvalitetsmätningar online på utdata (dvs. papper), men det finns vanligtvis en lucka i avkänningsmätningar för input (dvs. träfibrer som går till pappersmassa). produktion).

För att kringgå detta måste tillverkningsteam tydligt definiera den simulering de försöker åstadkomma och de olika insatser, maskiner och system som är involverade, tillsammans med de olika parametrarna för varje steg genom hela processen. Detta kräver sannolikt att man anlitar experter över flera funktioner för att säkerställa att alla aspekter av modellen tas hänsyn till, vilket sedan kommer att hjälpa till att säkerställa att data är tillräckligt robusta för att driva en simulering.

Anslutning och jämförelse

Digitala tvillingar som är helt isolerade går miste om lärdomar från andra modeller i liknande scenarier. De modeller som själva bidrar till den digitala tvillingen måste matas med data från andra liknande modeller och digitala tvillingar för att visa hur "bra" eller optimalt ser ut globalt, inte bara inom den lokala process som undersöks.

Som ett resultat kräver digitala tvillingar en stor molnkomponent, annars riskerar organisationer att gå miste om sken av det fulla löfte som denna teknik erbjuder.

Den andra sidan av myntet är att digitala tvillingar inte får förlita sig enbart på molnteknik eftersom molnets latens kan skapa hinder för faktorer som att samla in realtidsdata och realtidsinstruktioner. Tänk på hur meningslöst det skulle vara att ha en simulering avsedd att förhindra maskinfel endast för simuleringen att upptäcka ett brutet bälte väl efter att pjäsen har slutat fungera korrekt och hela maskinen står stilla.

För att övervinna dessa utmaningar kan det vara klokt att lägga till en komponent som är edge-AI-aktiverad. Detta säkerställer att data kan fångas så nära processen som simuleras som möjligt.

Möjliga smärtpunkter med implementering och hantering

Förutom att ha rätt teknikstack och infrastruktur för att fånga nödvändig data för AI-drivna simuleringstvillingar, förblir förtroende en betydande vägspärr för implementering. Taxichaufförer i London kanske känner till stadskartan och alla dess genvägar, men GPS utrustar vanligtvis förare med mer exakta rutter genom att ta hänsyn till trafikdata. På samma sätt måste ingenjörer och tillverkningsproffs uppleva exakta och säkra simuleringar för att få fullt förtroende för sina förmågor.

Att få förtroende tar tid, men transparens med modellerna och med datamatningen av de digitala tvillingarna kan påskynda denna process. Organisationer bör tänka strategiskt på det tankesätt som är nödvändigt för att få team att lita på insikterna från denna kraftfulla teknik – eller riskera att gå miste om ROI.

Vägen till byrån

Trots löftet om digitala tvillingar har adoptionen gått relativt långsamt – tills nyligen. Introduktionen av AI-drivna modeller kan ta digitala tvillingar från representation till simulering genom att koppla insikter från andra modeller för att bygga upp unika lärdomar.

När investeringar och förtroende ökar kommer digitala tvillingar så småningom att nå byråstatus och kunna fatta komplexa beslut på egen hand. Det verkliga värdet har ännu inte låsts upp, men digitala tvillingar har potential att förvandla industrier från tillverkning till sjukvård till detaljhandel.