Оптимізація ресурсів для прибутковості: чи потрібна технологія Digital Twin?
Цінність будь-якої технології зрештою полягає в можливості оптимізувати витрати та ресурси. Здатність випереджати результати дає виробникам продуктів харчування перевагу передбачення, яке потім можна застосувати в реальному житті. Прикладом реального застосування та комерціалізації технології Digital Twin є механіка модель, розроблену Томом Де Сваефом в університеті Ганта. Бельгійська компанія 2Grow використовує цю модель для вимірювання коливань потоку води та товщини стебла в рослинах томатів. The цілі компанії зменшити на 20% площі, що витрачаються на рослинництво.
It досі незрозуміло, чи спільнота докладає зусиль для усиновлення цифрових близнюків у своїй діяльності. Більше того, можна стверджувати, що в більшості випадків технологія цифрового близнюка насправді не потрібна. Удосконалення машинного навчання дозволило передбачити ключові події без побудови повної моделі, яка потребувала б великих обсягів високоякісних даних, отримання яких також дороге. Як виробник харчових продуктів, який хоче передбачити певні властивості, зосередження на вимірюванні та моніторингу ключових змін може бути всім, що потрібно для створення успішної прогнозної моделі. Більше того, це значно доступніше, що робить його доступним для виробників харчових продуктів, яким потрібно негайно побачити рентабельність інвестицій від впровадження прогнозних моделей.
Наприклад, якщо ви вирощуєте картоплю, важливо мати індикатори для таких шкідників, як фітофтороз, спричинений грибоподібним організмом, який може призвести до втрати врожаю за короткий період, якщо не вжити відповідних заходів боротьби. Для цього типу просапних культур на великих акрах відкритого поля використання камер, встановлених на шарнірних зрошувальних системах, може ефективно та ефективно виявляти хвороби чи проблеми. Дані, необхідні для створення цифрового двійника для відкритого поля картоплі, коштували б ціле багатство, а створення цілої моделі в такому масштабі, щоб отримати інформацію, яку можна отримати за допомогою простішої та доступнішої технології, просто не має сенсу.
- Відеогра SimCity зародилася в 90-х роках, коли гравці стали героями власного міста, проектуючи та створюючи цифровий гарний, гамірний мегаполіс. Перемотайте 30 років вперед, і ми маємо технологію для створення неймовірно точних цифрових зображень реальних дерев, ферм або фруктових садів. Подібно до того, як у SimCity ми можемо змоделювати, як розвиватиметься мегаполіс на основі того, у що ми «інвестуємо» в грі, тепер ми можемо створити симуляцію того, як рослина буде рости в різних сценаріях, допомагаючи нам точно налаштувати зусилля в сільському господарстві з безпрецедентним передбаченням.
- Цифровий двійник — це цифрове представлення речей у реальному світі. Його можна використовувати для віддаленого моніторингу справжньої «справи». Для того, щоб забезпечити точний і реалістичний сурогат реального близнюка, цифровий близнюк повинен отримати дані за допомогою цифрових вимірювань реальної сутності. У сільському господарстві це можуть бути дані, отримані за допомогою таких інструментів, як датчики ґрунту, зображення рослин, дані про погоду тощо.
- Нове цифрове представлення, або цифровий двійник, має відображати всю сільськогосподарську роботу: фізичні активи, процеси, системи, ресурси, усе. Натомість це дає нам змогу моделювати, планувати, аналізувати та покращувати сільськогосподарські процеси в раніше непередбачених масштабах. Однак чи дійсно виробникам продуктів харчування необхідно впроваджувати цю дорогу складну технологію — чи вони можуть отримати потрібну інформацію за допомогою більш доступних і доступних датчиків, які допоможуть їм контролювати та прогнозувати ключові результати?
Зростання та впровадження цифрових близнюків та їхній потенціал у сільському господарстві
Gartner прогнозує, що до 2021 року половина великих промислових компаній використовуватиме цифрові близнюки, що призведе до підвищення ефективності цих організацій на 10%. Однак концепція цифрових близнюків існує десятиліттями. Понад 30 років команди розробки продуктів і процесів використовували 3D-візуалізацію комп'ютерний дизайн (САПР), моделі активів і моделювання процесів для забезпечення та перевірки технологічності. Наприклад, NASA десятиліттями проводило комплексне моделювання космічних кораблів. Однак інновації в машинному навчанні та штучному інтелекті висувають концепцію цифрового близнюка на передній план, створюючи багато галасу як проривну тенденцію, яка матиме ширший вплив у найближчому майбутньому.
Коли справа стосується сільськогосподарських процесів, використання Digital Twins як центральний засіб управління фермою може забезпечити відокремлення фізичних потоків від їх планування та контролю. У результаті фермери можуть дистанційно керувати операціями на основі цифрової інформації (майже) в реальному часі замість того, щоб покладатися на пряме спостереження та ручні завдання на місці. Це дозволяє їм негайно діяти у разі (очікуваних) відхилень і моделювати наслідки втручань на основі реальних даних. Наприклад, цифровий двійник фруктового саду може попередити сад про надмірне зрошення без того, щоб фермер оглядав сад.
Ідея а цифровий фруктовий сад є надзвичайно привабливим для фермерів, які розуміють трудомісткість моніторингу, прогнозування та контролю здоров’я фруктових дерев і якості їхнього врожаю. Вчені з Університету Квінсленда розробили модель для фруктового саду з повільно зростаючими культурами, такими як манго та макадамія. Це може дозволити користувачам швидко випробувати нові ідеї та отримати уявлення про те, як найкраще оптимізувати виробничі системи. Дослідники проекту підкреслили, що ці миттєві симуляції можуть особливо принести користь повільно зростаючим культурам, таким як фруктові дерева.
Існують конкретні випадки використання, коли створення цифрового двійника має фінансовий сенс, наприклад, для селекції рослин, де модель може дозволити вам передбачити на ранній стадії, якщо певний сорт не є комерційно життєздатним. Але в багатьох випадках немає потреби розколювати горіхи кувалдою.
- Равів Іцхакі є співзасновником і технічним директором Технології Prospera, керуючи технічним баченням компанії щодо трансформації способу вирощування їжі за допомогою науки про дані та ШІ. Він використовує свій досвід у розробці алгоритмів, математиці та машинному навчанні для вирішення реальних проблем. До Prospera Равів розробляв алгоритми в компанії з кібербезпеки BioCatch і працював інженером з обробки сигналів у IDF. Він має ступінь бакалавра з фізики та магістра з прикладної фізики в Єврейському університеті.
