Vad står i vägen för digitala tvillingars utveckling och antagande?

Den enorma potentialen för digital tvillingsteknologi – 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 rymdfarkoster för fjärrutbildningsändamål. En nylig analys från McKinsey tyder på att intresset är så djupt att den globala marknaden för digitala tvillingar kommer att växa med cirka 60% per år under de närmaste fem åren och nå 73,5 miljarder dollar år 2027. Intresset är tydligt där, men har antagandet verkligen följt?

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

Digitala tvillingars utveckling

Den verkliga antagandet av digital tvilling teknologi har varit långsam eftersom den, tills nyligen, saknade intelligensen för att gå utöver att bara representera en tillgång. Mer värdefullt vore förmågan att exakt simulera, förutsäga och kontrollera dess beteende. Digitala tvillingar var också skräddarsydda och saknade förmågan att lära sig globalt från beteendet hos liknande tillgångar. Deras insikter var isolerade och inte alltid tillämpliga på bredare organisatoriska behov, vilket gjorde dem till en betydande investering med smala avkastningar.

Ändå har vissa tidiga antagare av digitala tvillingar inkluderat tillverknings-, detaljhandels-, hälso- och bilindustrierna, som har kunnat testa nya anläggningar, konfigurationer och processer i en kontrollerad miljö.

Med nya AI-drivna metoder kommer vi att se en snabb förändring från “digitala tvillingar” till AI-aktiverad “simulering” och “agentur” som kommer att dramatiskt utöka användningsfallen och driva en omfattande antagande. Låt oss titta på dessa kategorier av användning:

• Representation – De tidiga iterationerna av digitala tvillingar var enkla digitala representationer av tillgångar, som inte var särskilt användbara utöver vissa nischade användningsfall för att förbättra designen och genomförandet av vissa uppgifter. I själva verket är detta “replik”-tillståndet för digital tvillingsteknologi.
• 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 framtida scenarier. I detta skede kan de lära sig från data från liknande processer för att få meningsfulla insikter. Simuleringstvillingar använder AI-algoritmer för att simulera produktionsresultat, rekommendera optimala maskininställningar och guida produktionslag mot förbättrade affärsmål i en tillverkningsmiljö.
• Agentur – Den nästa utvecklingen efter simulering kommer att vara agentur, som kommer att möjliggöra 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 flytta mellan stadier kräver olika nivåer av stödteknologi, och det är av yttersta vikt att organisationer har rätt teknisk stack för att uppnå maximal påverkan och avkastning på digitala tvillingar.

Grundläggande teknologi för digitala tvillingar

Rätt grundläggande teknologi måste finnas på plats innan man flyttar från representation till simulering och slutligen till agentur.

Med tillverkning som exempel igen, organisationer som vill skapa en digital simulering av en viss process eller fabriksmiljö måste ha tillförlitliga online-sensoriska funktioner. Dessa sensorer matar data från ingång och utgång vid olika kritiska stadier av resan för att ge robusta insikter för att informera en simulering. En hel del av denna data är lätt tillgänglig, och vi har sett process-tillverkare med kvalitetsmässiga online-mätningar på utgångarna (t.ex. papper), men det finns vanligtvis ett gap i sensoriska mätningar för ingångarna (t.ex. träfiber som går in i pappersmassaproduktion).

För att kringgå detta måste tillverkningsteamen tydligt definiera den simulering de försöker uppnå och de olika ingångarna, maskinerna och systemen som är inblandade, tillsammans med de olika parametrarna för varje skede under processen. Detta kräver sannolikt att man tar hjälp av experter över flera funktioner för att säkerställa att alla aspekter av modellen beaktas, vilket sedan hjälper till att säkerställa att data är tillräckligt robust för att driva en simulering.

Anslutning och jämförelse

Digitala tvillingar som är helt isolerade missar lärande från andra modeller i liknande scenarier. Modellerna som bidrar till den digitala tvillingen själv måste matas med data från andra liknande modeller och digitala tvillingar för att visa vad “utmärkt” eller optimalt ser ut globalt, inte bara inom den lokala processen som undersöks.

Som ett resultat kräver digitala tvillingar en stor molnkomponent, annars riskerar organisationer att förlora ut på någon som helst antydan till den fulla potentialen som denna teknik erbjuder.

Den andra sidan av myntet är att digitala tvillingar inte får förlita sig enbart på molnteknologi eftersom molnets latens kan skapa hinder för faktorer som insamling av realtidsdata och realtidsinstruktioner. Tänk på hur meningslöst det skulle vara att ha en simulering som är avsedd att förhindra maskinfel, men simuleringen upptäcker ett trasigt bälte först efter att delen 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 aktiverad av edge-AI. Detta säkerställer att data kan samlas in så nära processen som simuleras.

Möjliga smärtor med distribution och hantering

Utöver att ha rätt teknisk stack och infrastruktur för att samla in den nödvändiga datan för AI-aktiverade simuleringstvillingar, kvarstår förtroende som en betydande vägspärr för distribution. Taxichaufförer i London kan känna till stadsplanen och alla dess genvägar, men GPS utrustar vanligtvis förare med mer exakta rutter genom att ta hänsyn till trafikdata. På samma sätt behöver ingenjörer och tillverkningsproffs uppleva exakta och säkra simuleringar för att fullt ut vinna förtroende för deras förmågor.

Att vinna förtroende tar tid, men transparens med modellerna och med datan som matar digitala tvillingar kan påskynda denna process. Organisationer bör tänka strategiskt om den förändring av mentalitet som är nödvändig för att få team att lita på insikterna från denna kraftfulla tekniken – eller riskera att missa ut på avkastningen.

Vägen till agentur

Trots den digitala tvillingens löfte har antagandet varit relativt långsamt – tills nyligen. Införandet av AI-aktiverade modeller kan ta digitala tvillingar från representation till simulering genom att ansluta insikter från andra modeller för att bygga på unika lärande.

Såsom investering och förtroende ökar, kommer digitala tvillingar slutligen att nå agentstatus och kunna fatta komplexa beslut på egen hand. Den sanna värdet har ännu inte låsts upp, men digitala tvillingar har potentialen att förvandla branscher från tillverkning till hälsovård till detaljhandel.