물리적 객체, 프로세스 및 환경의 디지털 복제본을 생성할 수 있는 기능을 갖춘 디지털 트윈 기술의 엄청난 잠재력은 위험한 환경 복제부터 원격 훈련 목적을 위한 우주선 표시에 이르기까지 산업 전반에 걸쳐 적용할 수 있습니다. 최근 분석 맥킨지 디지털 트윈에 대한 글로벌 시장이 향후 5년 동안 매년 약 60% 성장하여 2027년까지 735억 달러에 이를 것이라고 제안합니다. 관심은 분명히 있지만 실제로 채택이 이루어졌습니까?
대답은 복잡합니다. 디지털 트윈 기술과 그 사용 사례는 엄청나게 발전했지만 디지털 트윈을 대규모로 채택하려면 과제를 해결해야 합니다.
디지털 트윈의 진화
진정한 채택 디지털 트윈 최근까지 단순히 자산을 표현하는 것 이상의 지능이 부족했기 때문에 기술이 느려졌습니다. 더욱 가치 있는 것은 동작을 정확하게 시뮬레이션, 예측 및 제어하는 능력입니다. 디지털 트윈 역시 맞춤형이었으며 유사한 자산의 행동으로부터 전 세계적으로 학습할 수 있는 능력이 부족했습니다. 그들의 통찰력은 고립되어 있었고 항상 더 광범위한 조직 요구 사항에 적용할 수 있는 것은 아니었기 때문에 좁은 수익으로 막대한 투자를 하게 되었습니다.
그럼에도 불구하고 일부 디지털 트윈의 얼리 어답터 여기에는 통제된 환경에서 새로운 시설, 구성 및 프로세스를 테스트할 수 있었던 제조, 소매, 의료 및 자동차 산업이 포함됩니다.
새로운 AI 기반 접근 방식을 통해 우리는 “디지털 트윈”에서 AI 기반 “시뮬레이션” 및 “에이전시”로의 급속한 전환을 보게 될 것이며, 이는 사용 사례를 획기적으로 확대하고 광범위한 채택을 촉진할 것입니다. 다음과 같은 사용 카테고리를 살펴보겠습니다.
- 대표 – 디지털 트윈의 초기 반복은 자산의 단순한 디지털 표현이었으며 특정 작업의 설계 및 실행을 개선하기 위한 선별된 틈새 사용 사례를 넘어서는 특별히 유용하지 않았습니다. 본질적으로 이는 디지털 트윈 기술의 “복제” 상태입니다.
- 시뮬레이션 – 오늘날 디지털 트윈은 표현에서 시뮬레이션으로 진화하고 있으며 이는 더 광범위한 사용 사례에 도움이 됩니다. 시뮬레이션은 디지털 트윈이 자산이나 환경을 미러링할 뿐만 아니라 미래 시나리오도 정확하게 시뮬레이션한다는 것을 의미합니다. 이 단계에서는 다른 유사한 프로세스의 데이터로부터 학습하여 의미 있는 통찰력을 얻을 수 있습니다. 시뮬레이션 트윈은 AI 알고리즘을 사용하여 생산 결과를 시뮬레이션하고, 최적의 기계 설정을 권장하며, 제조 환경에서 향상된 비즈니스 목표를 향해 생산 팀을 안내합니다.
- 대행사 – 시뮬레이션 이후의 다음 진화는 자산, 프로세스 및 생산의 전체 부분을 자율적으로 계획하고 실행할 수 있는 에이전시가 될 것입니다. 이 단계에서 그들은 복잡한 결정을 내리고 사람들과 협력하여 보다 지속 가능한 생산을 추진할 것입니다. 이것이 디지털 트윈 에이전트 단계입니다.
단계 사이를 이동하려면 다양한 수준의 지원 기술이 필요하며 조직이 디지털 트윈의 효과와 ROI를 최대화하려면 올바른 기술 스택을 보유하는 것이 가장 중요합니다.
디지털 트윈을 위한 기반 기술
표현에서 시뮬레이션으로, 최종적으로는 에이전시로 전환하기 전에 올바른 기반 기술이 마련되어 있어야 합니다.
제조를 다시 예로 들자면, 특정 프로세스나 공장 환경에 대한 디지털 시뮬레이션을 생성하려는 조직은 신뢰할 수 있는 온라인 감지 기능을 갖추고 있어야 합니다. 이러한 센서는 시뮬레이션에 정보를 제공하기 위한 강력한 통찰력을 제공하기 위해 여정의 다양한 중요한 단계에서 입력 및 출력 데이터를 제공합니다. 이 데이터의 대부분은 쉽게 사용할 수 있으며 출력(예: 종이)에 대한 고품질 온라인 측정을 갖춘 프로세스 제조업체를 본 적이 있지만 일반적으로 입력(예: 종이 펄프에 들어가는 목재 섬유)에 대한 측정 측정에는 차이가 있습니다. 생산).
이를 방지하기 위해 제조 팀은 프로세스 전반에 걸쳐 각 단계의 다양한 매개변수와 함께 달성하려는 시뮬레이션과 관련된 다양한 입력, 기계 및 시스템을 명확하게 정의해야 합니다. 이를 위해서는 모델의 모든 측면이 고려되었는지 확인하기 위해 여러 기능에 걸쳐 전문가를 활용해야 하며, 이는 시뮬레이션을 구동할 수 있을 만큼 데이터가 충분히 견고한지 확인하는 데 도움이 됩니다.
연결성 및 비교
완전히 격리된 디지털 트윈은 유사한 시나리오에서 다른 모델의 학습을 놓치게 됩니다. 디지털 트윈에 기여하는 모델 자체에는 다른 유사한 모델 및 디지털 트윈의 데이터를 공급하여 검사 중인 로컬 프로세스 내에서뿐만 아니라 전체적으로 “훌륭함” 또는 최적의 모습을 보여야 합니다.
결과적으로 디지털 트윈에는 대규모 클라우드 구성 요소가 필요합니다. 그렇지 않으면 조직은 이 기술이 제공하는 완전한 약속을 잃을 위험이 있습니다.
반면에 디지털 트윈은 클라우드 기술에만 의존해서는 안 됩니다. 클라우드의 대기 시간은 실시간 데이터 및 실시간 지침 수집과 같은 요소에 장애물을 만들 수 있기 때문입니다. 부품이 제대로 작동하지 않고 전체 기계가 정지된 후에 벨트 파손을 감지하기 위한 시뮬레이션만 기계 고장을 방지하기 위한 시뮬레이션을 갖는 것이 얼마나 무의미한지 생각해 보십시오.
이러한 과제를 극복하려면 엣지 AI 지원 구성 요소를 추가하는 것이 현명할 수 있습니다. 이를 통해 시뮬레이션 중인 프로세스에 최대한 가까운 데이터를 캡처할 수 있습니다.
배포 및 관리 시 발생할 수 있는 문제점
AI 기반 시뮬레이션 트윈에 필요한 데이터를 캡처하는 데 적합한 기술 스택과 인프라를 갖추는 것 외에도 신뢰는 배포에 있어 중요한 장애물로 남아 있습니다. 런던의 택시 운전사는 도시 지도와 모든 지름길을 알고 있을 수 있지만 GPS는 일반적으로 교통 데이터를 고려하여 운전자에게 보다 정확한 경로를 제공합니다. 마찬가지로 엔지니어와 제조 전문가도 자신의 역량에 대한 자신감을 완전히 얻으려면 정확하고 안전한 시뮬레이션을 경험해야 합니다.
신뢰를 얻는 데는 시간이 걸리지만, 모델의 투명성과 디지털 트윈에 제공되는 데이터를 통해 이 프로세스의 속도를 높일 수 있습니다. 조직은 팀이 이 강력한 기술에서 얻은 통찰력을 신뢰하도록 하는 데 필요한 사고방식의 변화에 대해 전략적으로 생각해야 합니다. 그렇지 않으면 ROI를 놓칠 위험이 있습니다.
대행사로 가는 길
디지털 트윈의 가능성에도 불구하고 최근까지 채택 속도는 상대적으로 느렸습니다. AI 기반 모델을 도입하면 다른 모델의 통찰력을 연결하여 고유한 학습을 구축함으로써 표현에서 시뮬레이션까지 디지털 트윈을 구현할 수 있습니다.
투자와 신뢰가 높아짐에 따라 디지털 트윈은 결국 대행사 지위에 도달하고 스스로 복잡한 결정을 내릴 수 있게 될 것입니다. 진정한 가치는 아직 밝혀지지 않았지만 디지털 트윈은 제조에서 의료, 소매에 이르기까지 산업을 변화시킬 수 있는 잠재력을 가지고 있습니다.
게시물 디지털 트윈의 진화와 채택을 방해하는 것은 무엇입니까? 처음 등장한 Unite.AI.
