อะไรคือสิ่งที่ขัดขวางการพัฒนและการนำรับดิจิทัลทวิน

โปตэнเชียลที่น่าเหลือเชื่อของเทคโนโลยีดิจิทัลทวิน – ด้วยความสามารถในการสร้างสำเนาดิจิทัลของวัตถุทางกายภาพ กระบวนการและสภาพแวดล้อม – มีการใช้งานที่ครอบคลุมอุตสาหกรรมต่างๆ ตั้งแต่การจำลองสภาพแวดล้อมที่เป็นอันตรายไปจนถึงการแสดงยานอวกาศเพื่อการฝึกอบรมระยะไกล การวิเคราะห์最近จาก McKinsey แสดงให้เห็นว่าความสนใจนั้นลึกซึ้งมากจน市場ระดับโลกสำหรับดิจิทัลทวินจะเติบโตประมาณ 60% ต่อปีในช่วงห้าปีข้างหน้าและจะสูงถึง 73.5 พันล้านดอลลาร์สหรัฐฯ ในปี 2027 ความสนใจนั้นชัดเจน แต่การนำรับจริงๆ แล้วตามมาหรือไม่

คำตอบ – มันซับซ้อน เทคโนโลยีดิจิทัลทวินและกรณีการใช้งานของมัน đã พัฒนาไปอย่างมาก แต่ความท้าทายต่างๆ ต้องได้รับการแก้ไขเพื่อให้ดิจิทัลทวินสามารถนำรับได้ในระดับใหญ่

การพัฒนาของดิจิทัลทวิน

การนำรับดิจิทัลทวินอย่างแท้จริงได้ล่าช้าเพราะจนกระทั่ง最近 มันขาดความฉลาดในการไปไกลกว่าการแสดงถึงสินทรัพย์เท่านั้น จะมีคุณค่ามากกว่าหากสามารถจำลอง การคาดการณ์ และควบคุมพฤติกรรมของมันได้อย่างแม่นยำ ดิจิทัลทวินยังเป็นแบบกำหนดเองและขาดความสามารถในการเรียนรู้ระดับโลกจากพฤติกรรมของสินทรัพย์ที่คล้ายกัน ข้อมูลเชิงลึกของมันถูกปิดล้อมและไม่จำเป็นต้องนำไปใช้กับความต้องการขององค์กรในวงกว้าง ทำให้เป็นการลงทุนที่มีผลตอบแทนน้อย

แม้ว่าเช่นนั้น ผู้นำรับดิจิทัลทวินในระยะแรก รวมถึงอุตสาหกรรมการผลิต การค้าปลีก สาธารณสุข และยานยนต์ ซึ่งสามารถทดสอบโรงงานใหม่ การกำหนดค่า และกระบวนการใน环境ที่ควบคุมได้
ด้วยแนวทางใหม่ที่ขับเคลื่อนด้วย AI เราจะเห็นการเปลี่ยนแปลงอย่างรวดเร็วจาก “ดิจิทัลทวิน” ไปเป็น “การจำลอง” และ “การกระทำ” ที่ขับเคลื่อนด้วย AI ซึ่งจะขยายกรณีการใช้งานและขับเคลื่อนการนำรับอย่างกว้างขวาง มาดูกันว่าหมวดหมู่การใช้งานเหล่านี้:

• การแสดงถึง – รูปแบบแรกของดิจิทัลทวินเป็นการแสดงถึงดิจิทัลแบบง่ายๆ ของสินทรัพย์ ซึ่งไม่ค่อยมีประโยชน์ไปกว่าการใช้งานเฉพาะจุดสำหรับการปรับปรุงการออกแบบและการดำเนินงานของงานบางอย่าง ใน본质แล้ว นี่คือสถานะ “สำเนา” ของเทคโนโลยีดิจิทัลทวิน
• การจำลอง – ปัจจุบัน ดิจิทัลทวินกำลังพัฒนาจากการแสดงถึงไปสู่การจำลอง ซึ่งให้ประโยชน์ต่อกรณีการใช้งานที่กว้างขึ้น การจำลองหมายความว่าดิจิทัลทวินไม่เพียงแต่สะท้อนถึงสินทรัพย์หรือสภาพแวดล้อมเท่านั้น แต่ยังสามารถจำลองสถานการณ์ในอนาคตได้อย่างแม่นยำ ในขั้นตอนนี้ มันสามารถเรียนรู้จากข้อมูลของกระบวนการอื่นๆ ที่คล้ายกันเพื่อให้ได้ข้อมูลเชิงลึกที่มี意义 การจำลองดิจิทัลทวินใช้แอลกอริทึม AI เพื่อจำลองผลลัพธ์ในการผลิต การแนะนำการตั้งค่าเครื่องจักรที่เหมาะสม และชี้แนะทีมการผลิตสู่วัตถุประสงค์ทางธุรกิจที่ดีขึ้นในสภาพแวดล้อมการผลิต
• การกระทำ – การพัฒนาต่อไปหลังจากการจำลองจะเป็นการกระทำ ซึ่งจะทำให้สินทรัพย์ กระบวนการ และส่วนการผลิตทั้งหมดสามารถวางแผนและดำเนินการโดยอิสระ ในขั้นตอนนี้ มันจะสามารถตัดสินใจที่ซับซ้อนและทำงานร่วมกับคนเพื่อขับเคลื่อนการผลิตที่ยั่งยืนมากขึ้น นี่คือสถานะของตัวแทนดิจิทัลทวิน

การเปลี่ยนระหว่างขั้นตอนต่างๆ ต้องการเทคโนโลยีสนับสนุนที่แตกต่างกัน และเป็นสิ่งสำคัญที่องค์กรต่างๆ ต้องมีเทคโนโลยีสแต็คที่เหมาะสมเพื่อให้ได้ผลกระทบสูงสุดและ ROI ของดิจิทัลทวิน

เทคโนโลยีพื้นฐานสำหรับดิจิทัลทวิน

เทคโนโลยีพื้นฐานที่ถูกต้องต้องมีอยู่ก่อนที่จะย้ายจากการแสดงถึงไปสู่การจำลอง และสุดท้ายคือการกระทำ

โดยใช้การผลิตเป็นตัวอย่างอีกครั้ง องค์กรที่ต้องการสร้างการจำลองดิจิทัลของกระบวนการหรือสภาพแวดล้อมโรงงานต้องมีความสามารถในการสังเกตการณ์ออนไลน์ที่เชื่อถือได้ เซนเซอร์เหล่านี้ให้ข้อมูลจากอินพุตและเอาต์พุตที่ต่างๆ ระหว่างกระบวนการเพื่อให้ข้อมูลเชิงลึกที่มีประโยชน์ในการแจ้งการจำลอง ข้อมูลส่วนใหญ่นี้มีอยู่แล้ว และเราได้เห็นผู้ผลิตกระบวนการที่มีการวัดคุณภาพออนไลน์บนเอาต์พุต (เช่น กระดาษ) แต่มักจะมีช่องว่างในการวัดอินพุต (เช่น เส้นใยที่ใช้ในการผลิตกระดาษ)

เพื่อหลีกเลี่ยงสิ่งนี้ ทีมการผลิตต้องกำหนดการจำลองที่พวกเขาพยายามบรรลุและอินพุต เครื่องจักร และระบบต่างๆ ที่เกี่ยวข้องพร้อมกับพารามิเตอร์ต่างๆ ของแต่ละขั้นตอนตลอดกระบวนการ ซึ่งอาจต้องใช้การเข้าถึงผู้เชี่ยวชาญจากหลายฟังก์ชันเพื่อให้แน่ใจว่าทุกด้านของแบบจำลองได้รับการพิจารณาแล้ว ซึ่งจะช่วยให้แน่ใจว่าข้อมูลมีความเข้มข้นเพียงพอที่จะขับเคลื่อนการจำลอง

การเชื่อมต่อและการเปรียบเทียบ

ดิจิทัลทวินที่ถูกแยกออกจากกันอย่างสมบูรณ์พลาดการเรียนรู้จากแบบจำลองอื่นๆ ในสถานการณ์ที่คล้ายกัน แบบจำลองที่มีส่วนช่วยให้ดิจิทัลทวินต้องได้รับข้อมูลจากแบบจำลองและดิจิทัลทวินอื่นๆ ที่คล้ายกันเพื่อแสดงให้เห็นว่า “ดี” หรือ “เหมาะสม” มีลักษณะอย่างไรในระดับโลก ไม่ใช่แค่ในกระบวนการที่กำลังตรวจสอบ

ดังนั้น ดิจิทัลทวินต้องการส่วนประกอบคลาวด์ที่ใหญ่ๆ หรือองค์กรจะเสี่ยงต่อการพลาดการให้คำมั่นสัญญาของเทคโนโลยีนี้

อีกด้านหนึ่งของเหรียญคือดิจิทัลทวินไม่ควรพึ่งพาเทคโนโลยีคลาวด์เท่านั้น เนื่องจากความล่าช้าของคลาวด์สามารถสร้างอุปสรรคต่อปัจจัยต่างๆ เช่น การรวบรวมข้อมูลแบบเรียลไทม์และคำแนะนำแบบเรียลไทม์ ลองพิจารณาว่ามันไร้ประโยชน์แค่ไหนที่จะมีการจำลองที่มีจุดมุ่งหมายเพื่อป้องกันความล้มเหลวของเครื่องจักร แต่การจำลองตรวจพบเข็มขัดที่แตกหลังจากที่ชิ้นส่วนนั้นหยุดทำงานและเครื่องจักรทั้งหมดหยุดทำงาน

เพื่อเอาชนะความท้าทายเหล่านี้ อาจเป็นความคิดที่ดีที่จะเพิ่มส่วนประกอบที่มีการใช้ AI ที่ขอบ (Edge-AI) เพื่อให้แน่ใจว่าข้อมูลสามารถจับได้ใกล้กับกระบวนการที่จำลองมากที่สุด

จุดเจ็บปวดที่เป็นไปได้ในการใช้งานและการจัดการ

นอกเหนือจากการมีเทคโนโลยีสแต็คและโครงสร้างพื้นฐานที่ถูกต้องเพื่อรวบรวมข้อมูลที่จำเป็นสำหรับการจำลองดิจิทัลทวินที่ขับเคลื่อนด้วย AI ความน่าเชื่อถือยังคงเป็นอุปสรรคสำคัญต่อการนำรับ ตัวอย่างเช่น ตัวแทนรถแท็กซี่ในลอนดอนอาจรู้แผนที่เมืองและทางลัดทั้งหมด แต่ GPS มักจะให้เส้นทางที่แม่นยำยิ่งขึ้นโดยพิจารณาจากข้อมูลการจราจร ในทำนองเดียวกัน วิศวกรและผู้เชี่ยวชาญด้านการผลิตต้องได้รับประสบการณ์การจำลองที่แม่นยำและปลอดภัยเพื่อให้ได้รับความมั่นใจอย่างเต็มที่ในความสามารถของพวกเขา

การสร้างความน่าเชื่อถือต้องใช้เวลา แต่ความโปร่งใส่กับแบบจำลองและข้อมูลที่ให้อาหารดิจิทัลทวินสามารถเร่งกระบวนการนี้ได้ องค์กรควรคิดเชิงกลยุทธ์เกี่ยวกับการเปลี่ยนแปลงความคิดที่จำเป็นในการทำให้ทีมเชื่อถือในข้อมูลเชิงลึกจากเทคโนโลยีที่ทรงพลังนี้ – หรือเสี่ยงต่อการพลาด ROI

เส้นทางสู่การกระทำ

尽管ดิจิทัลทวินมีคำมั่นสัญญา การนำรับก็ช้าลง – จนกระทั่ง最近 การแนะนำแบบจำลองที่ขับเคลื่อนด้วย AI สามารถนำดิจิทัลทวินจากการแสดงถึงไปสู่การจำลองโดยการเชื่อมต่อข้อมูลเชิงลึกจากแบบจำลองอื่นๆ เพื่อสร้างการเรียนรู้ที่เป็นเอกลักษณ์

เมื่อการลงทุนและความน่าเชื่อถือเพิ่มขึ้น ดิจิทัลทวินจะบรรลุสถานะของตัวแทนและสามารถตัดสินใจที่ซับซ้อนได้ด้วยตนเอง คุณค่าที่แท้จริงยังไม่ได้รับการปลดล็อก แต่ดิจิทัลทวินมีศักยภาพที่จะเปลี่ยนแปลงอุตสาหกรรมตั้งแต่การผลิต สาธารณสุข ไปจนถึงการค้าปลีก