Sieben Schritte bis zur Entwicklung eines digitalen Zwillings
Mit Fortschritten in der Cloud-Infrastruktur, Edge Computing, IoT, verteilten Datenverwaltungsplattformen und maschinellen Lernfunktionen haben sich digitale Zwillinge von der Science-Fiction zu einer eher Mainstream-Geschäftsfunktion entwickelt.
Lange Zeit konnten sich Unternehmen die Trennung zwischen OT und IT leisten, aber das gilt nicht mehr für Hersteller, Baugewerbe, Einzelhandel und andere Unternehmen, die die physische und digitale Welt verbinden müssen. Digitale Zwillinge sind ein Kanal, um diese Verbindung herzustellen, mit betrieblichen Vorteilen für die Optimierung der Produktion und die Verbesserung der Qualität. Darüber hinaus ergeben sich strategische Vorteile, wenn maschinelles Lernen anhand realer Daten zur Verbesserung von Produkten, Dienstleistungen und Geschäftsprozessen eingesetzt wird.
Das Folgende sind 7 Schritte vor der Entwicklung eines digitalen Zwillings:
1. Recherchieren Sie erfolgreiche Implementierungen
Bevor Sie ein Brainstorming durchführen und in einen neuen Technologiebereich eintauchen, wird empfohlen, Recherchen durchzuführen Das Unternehmen zuerst, Anwendungsfälle und Vorteile für Early Adopters. Für digitale Zwillinge gibt es viele Beispiele in der Fertigung, im Baugewerbe, im Gesundheitswesen und in anderen Bereichen, einschließlich des menschlichen Gehirns selbst.
Führungskräfte in allen aufstrebenden Technologiebereichen suchen nach Geschichten, die zur Akzeptanz anregen. Einige sollten inspirierende Kunst sein und veranschaulichen, was möglich ist; andere müssen pragmatisch sein und Geschäftsergebnisse demonstrieren, um Unterstützer zu gewinnen. Wenn die direkten Konkurrenten eines Unternehmens digitale Zwillinge erfolgreich eingesetzt haben, wird durch die Hervorhebung ihrer Anwendungsfälle oft ein Gefühl der Dringlichkeit erzeugt.
2. Identifizieren Sie bahnbrechende Möglichkeiten
Der Aufbau digitaler Zwillinge ist teuer. Beispielsweise schätzte eine Gruppe, dass die Entwicklung eines digitalen Zwillings für ein gewerbliches Bürogebäude zwischen 1,2 und 1,7 Millionen US-Dollar kosten würde. Daher sollte das Team vor der Entwicklung eines digitalen Zwillings die Produktvision dokumentieren, die Geschäftsgründe berücksichtigen und den finanziellen Nutzen abschätzen.
Manchmal treiben bahnbrechende Ziele Investitionen voran. Ein Beispiel: Im Jahr 2020 ging TCS eine Partnerschaft mit einer lokalen NGO ein, um den aufkommenden COVID-19-Hotspot anzugehen. Digitale Zwillinge von Unternehmen simulieren Prozesse und Situationen, um die Faktoren zu simulieren, die die Übertragung beeinflussen – virale Merkmale, Bevölkerungsheterogenität und Mobilitätsmuster. Der digitale Zwilling der Stadt ist ein „Computerexperiment“, das darauf abzielt, wirksame Interventionen zu erforschen, ohne die öffentliche Gesundheit und Sicherheit zu gefährden.
3. Berücksichtigen Sie das Lebenszyklusmanagement
Die Entwicklung eines digitalen Zwillings erfordert Zeit und Kosten sowie laufende Supportkosten, um sicherzustellen, dass das Modell genaue Ergebnisse liefert. Drei Grundsätze, die Sie beachten sollten, bevor Sie digitale Zwillinge ausprobieren:
- Experimentieren Sie nicht nur um der Technologie willen.
- Stellen Sie sicher, dass die Population der digitalen Zwillinge, die zur Erstellung eines Modells, Dienstes oder einer Simulation verwendet werden, reale Menschen darstellt.
- Bereiten Sie Ihr MLOps-Toolset vor, um schnell und zuverlässig von der Entwicklung bis zur Bereitstellung digitaler Zwillinge zu gelangen.
Tatsächlich besteht der Hauptvorschlag darin, die Elemente des gesamten Lebenszyklus im Voraus zu berücksichtigen, insbesondere die Funktionen, die den automatisierten Einsatz von Modellen und Instrumenten für maschinelles Lernen unterstützen.
4. Nutzen Sie Systemdesign-Tools
Welche Tools sollte das Team nach dem Entwurf des Geschäftsszenarios und des Lebenszyklus in Betracht ziehen, um seine Pläne und Experimente zu starten?
Hier sind einige Beispiele für Systemdesign-Tools, die in der Berufswelt verwendet werden:
- Digitale Autodesk-Zwillinge für Architektur, Ingenieurwesen und Bauwesen.
- Digitale Zwillinge der Bentley-Infrastruktur, die in Bereichen wie Signaltürmen und Wasserversorgungssystemen eingesetzt werden.
- Digitale Zwillinge von General Electric für Geräte, Netzwerke und Fertigungsprozesse.
- Digitale Zwillinge von Siemens für die Gestaltung, Entwicklung und Herstellung von Konsumgütern.
- Bosch digitaler Zwilling für intelligente Gebäude einschließlich Raummanagement und vorausschauende Wartung.
Dies sind nur einige Beispiele, aber für Technologen, die an digitalen Zwillingen arbeiten, ist es wichtig, mit den industriellen Plattformen vertraut zu sein, die von Betriebsteams verwendet werden.
5. Definieren Sie Benutzerrollen und Möglichkeiten
Wenn ein technisches Personal eine Technologieinitiative startet, ist es von entscheidender Bedeutung, die Rollen des Endbenutzers und der Endplattformnutzung zu identifizieren. IT-Führungskräfte sollten definieren, wer am meisten von digitalen Zwillingen profitiert. Typischerweise sind diejenigen, die im operativen Bereich arbeiten, die Hauptnutznießer.
Die Hauptfunktion digitaler Zwillinge besteht darin, OT-/IT-Daten zusammenzuführen und diese Datensätze bei Bedarf durch Datenanalyse oder KI/ML in einen Kontext zu bringen. Die eigentliche Stärke liegt jedoch darin, dass OT-Ingenieure, Wartungspersonal und anderes technisches Personal Datenpunkte abrufen können, weil sie diese vollständig verstehen.
Der erste Schritt besteht darin, die Benutzerpersönlichkeit zu verstehen. Der nächste Schritt besteht darin, zu bestimmen, welche Teile ihres Arbeitsablaufs und Betriebs von den Datenerfassungs-, maschinellen Lernvorhersage- und Szenarioplanungsfunktionen eines digitalen Zwillings profitieren können.
6. Bauen Sie eine skalierbare Datenplattform auf
Die Anzahl der von digitalen Zwillingen generierten Daten beträgt Petabyte oder sogar mehr und muss geschützt, analysiert und zur Pflege von Modellen für maschinelles Lernen verwendet werden. Eine wichtige architektonische Überlegung ist die Gestaltung der Datenmodelle und Prozesse zum Sammeln von Echtzeit-IoT-Datenströmen sowie der Datenverwaltungsarchitektur für den digitalen Zwilling.
Viele Datenverwaltungsplattformen unterstützen Echtzeitanalysen und groß angelegte Modelle für maschinelles Lernen. Allerdings erfordert ein digitaler Zwilling, der zur Simulation des Verhaltens von Tausenden oder mehr Einheiten, etwa Fertigungskomponenten oder intelligenten Gebäuden, verwendet wird, ein Datenmodell, das in der Lage ist, die Einheiten und ihre Beziehungen abzufragen.
7. Cloud Computing und die Wettbewerbsfähigkeit neuer Technologien aufbauen
Die Installation digitaler Zwillingsplattformen, die Integration von Daten von Tausenden von IoT-Sensoren und der Aufbau skalierbarer Datenplattformen erfordern die Bereitstellung einer Technologieinfrastruktur in großem Maßstab durch die IT. Während IT-Teams Anwendungsfälle prüfen und mit den Funktionen der Plattform für digitale Zwillinge experimentieren, müssen IT-Führungskräfte die Cloud, Infrastruktur, Integrationen und Geräte berücksichtigen, die zur Unterstützung produktionsbereiter digitaler Zwillinge erforderlich sind.
Zusätzlich zur Infrastruktur sollten Fähigkeiten entwickelt werden, um neue Geräte zu unterstützen und Analysen zu nutzen. Der Erfolg eines digitalen Zwillings beginnt mit einem starken digitalen Kern, der von Cloud-nativen Anwendungen wie KI/ML und AR/VR unterstützt wird, und hilft Unternehmen, Daten und Anwendungen zu verarbeiten, ohne sich über die Infrastruktur Gedanken machen zu müssen.
Zusammenfassung
Digitale Zwillinge haben ein enormes Potenzial, aber ihr Umfang und ihre Komplexität waren bisher für viele Unternehmen ohne fortschrittliche Technologiefähigkeiten unerreichbar. Glücklicherweise ist dies nicht mehr der Fall, und IT-Führungskräfte, die lernen und mit dem Betrieb zusammenarbeiten, haben die Möglichkeit, digitale Zwillingsfunktionen in ihre Organisationen einzuführen.
Das obige ist der detaillierte Inhalt vonSieben Schritte bis zur Entwicklung eines digitalen Zwillings. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen

Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Laut Nachrichten dieser Website vom 1. August hat SK Hynix heute (1. August) einen Blogbeitrag veröffentlicht, in dem es ankündigt, dass es am Global Semiconductor Memory Summit FMS2024 teilnehmen wird, der vom 6. bis 8. August in Santa Clara, Kalifornien, USA, stattfindet viele neue Technologien Generation Produkt. Einführung des Future Memory and Storage Summit (FutureMemoryandStorage), früher Flash Memory Summit (FlashMemorySummit), hauptsächlich für NAND-Anbieter, im Zusammenhang mit der zunehmenden Aufmerksamkeit für die Technologie der künstlichen Intelligenz wurde dieses Jahr in Future Memory and Storage Summit (FutureMemoryandStorage) umbenannt Laden Sie DRAM- und Speicheranbieter und viele weitere Akteure ein. Neues Produkt SK Hynix wurde letztes Jahr auf den Markt gebracht
