Sept étapes avant de développer un jumeau numérique
Avec l'avancement de l'infrastructure cloud, de l'informatique de pointe, de l'Internet des objets, des plateformes de gestion de données distribuées et des capacités d'apprentissage automatique Progrès, les jumeaux numériques sont passés de la science-fiction à une capacité commerciale plus courante.
Les entreprises peuvent depuis longtemps se permettre la séparation entre OT et IT, mais pour les fabricants, la construction, la vente au détail et autres qui doivent connecter le monde physique. pour les entreprises du monde numérique, ce n’est plus le cas. Les jumeaux numériques constituent un moyen permettant d’établir cette connexion, avec des avantages opérationnels pour optimiser la production et améliorer la qualité. De plus, l’utilisation du machine learning sur des données réelles pour améliorer les produits, les services et les processus métier présente des avantages stratégiques.
Voici 7 étapes avant de développer un jumeau numérique :
#🎜🎜 1 . Recherchez un déploiement réussi Avant de le faire, il est recommandé de rechercher l'entreprise, les cas d'utilisation et les avantages pour les premiers utilisateurs. Il existe de nombreux exemples de jumeaux numériques dans les domaines de l’industrie manufacturière, de la construction, de la santé et dans d’autres domaines, y compris le cerveau humain lui-même. Les dirigeants de tout espace technologique émergent recherchent des histoires susceptibles d’inspirer leur adoption. Certains doivent être des œuvres d’art inspirantes et aidant à illustrer ce qui est possible ; d’autres doivent être pragmatiques et démontrer des résultats commerciaux pour attirer des supporters. Si les concurrents directs d'une entreprise ont déployé avec succès des jumeaux numériques, la mise en avant de leurs cas d'utilisation créera souvent un sentiment d'urgence.
2. Identifiez les opportunités qui changent la donne 🎜#
Construire un jumeau numérique coûte cher. Par exemple, un groupe a estimé que le développement d’un jumeau numérique pour un immeuble de bureaux commerciaux coûterait entre 1,2 et 1,7 million de dollars. Par conséquent, avant de développer un jumeau numérique, l’équipe doit documenter la vision du produit, considérer la justification commerciale et estimer les avantages financiers.
Parfois, des objectifs qui changent la donne stimulent l'investissement. Un exemple : en 2020, TCS s’est associé à une ONG locale pour lutter contre le hotspot émergent du COVID-19. Les jumeaux numériques d'entreprise simulent des processus et des situations pour simuler les facteurs qui influencent la transmission : caractéristiques virales, hétérogénéité de la population et modèles de mobilité. Le jumeau numérique de la ville est une « expérience informatique » conçue pour explorer des interventions efficaces sans compromettre la santé et la sécurité publiques.
3. Pensez à la gestion du cycle de vie
Le développement d'un jumeau numérique nécessite du temps et des dépenses, ainsi que des coûts de support continus pour garantir que le modèle donne des résultats précis. Trois principes à adopter avant d’essayer un jumeau numérique : N’expérimentez pas la technologie juste pour le plaisir.
4. Utiliser les outils de conception de système
Après avoir conçu l'analyse de rentabilisation et le cycle de vie, l'équipe doit réfléchir aux outils à utiliser pour démarrer son planifier et expérimenter ? Voici quelques exemples d'outils de conception de systèmes utilisés dans le monde professionnel :
- Jumeaux numériques Autodesk pour l'architecture, l'ingénierie et la construction.
- Jumeaux numériques d'infrastructure Bentley pour des domaines tels que les tours de signalisation et les systèmes d'eau.
- Jumeaux numériques de General Electric pour les équipements, les réseaux et les processus de fabrication.
- Les jumeaux numériques Siemens pour la conception, le développement et la fabrication de produits de consommation.
- Le jumeau numérique Bosch pour les bâtiments intelligents incluant la gestion de l'espace et la maintenance prédictive.
Ce ne sont que quelques exemples, mais pour les technologues travaillant sur les jumeaux numériques, il est important de connaître les plateformes industrielles utilisées par les équipes opérationnelles. 5. Définir les rôles et les opportunités des utilisateurs Les rôles sont cruciaux. Les responsables informatiques doivent définir qui profite le plus des jumeaux numériques. En règle générale, les principaux bénéficiaires sont ceux qui travaillent dans le domaine des opérations.
La fonction principale des jumeaux numériques est de fusionner les données OT/IT et de mettre ces ensembles de données en contexte grâce à l'analyse de données ou à l'IA/ML si nécessaire. Mais son véritable pouvoir réside dans le fait de permettre aux OT tels que les ingénieurs, le personnel de maintenance et autres membres du personnel technique de récupérer des points de données parce qu'ils les comprennent parfaitement. Comprendre la personnalité de l'utilisateur est la première étape, l'étape suivante consiste à déterminer quelles parties de leur flux de travail et de leurs opérations peuvent bénéficier des capacités de collecte de données, de prédiction d'apprentissage automatique et de planification de scénarios des jumeaux numériques.
6. Construire une plateforme de données évolutive
Le nombre de données générées par les jumeaux numériques est de pétaoctets, voire plus, qui doivent être protégées et analysés et pour maintenir les modèles d’apprentissage automatique. Une considération architecturale clé consiste à concevoir les modèles de données et les processus de collecte des flux de données IoT en temps réel, ainsi que l'architecture de gestion des données pour le jumeau numérique.
De nombreuses plateformes de gestion de données prennent en charge l'analyse en temps réel et les modèles d'apprentissage automatique à grande échelle. Cependant, un jumeau numérique utilisé pour simuler le comportement de milliers d’entités ou plus, comme des composants de fabrication ou des bâtiments intelligents, nécessitera un modèle de données capable d’interroger les entités et leurs relations.
7. Établir la compétitivité dans le cloud computing et les technologies émergentes
Installer une plateforme de jumeau numérique et intégrer les données de milliers de capteurs IoT, ainsi Tout comme la création d'une plate-forme de données évolutive, l'informatique nécessite des compétences de base pour déployer une infrastructure technologique à grande échelle. Alors que les équipes informatiques étudient des cas d'utilisation et expérimentent les capacités des plateformes de jumeaux numériques, les responsables informatiques doivent prendre en compte le cloud, l'infrastructure, les intégrations et les appareils nécessaires pour prendre en charge les jumeaux numériques prêts pour la production.
En plus de l'infrastructure, des capacités doivent être développées pour prendre en charge les appareils émergents et tirer parti de l'analyse. Le succès des jumeaux numériques commence par un noyau numérique solide, soutenu par des applications cloud natives telles que l'IA/ML et l'AR/VR, et aide les organisations à traiter les données et les applications sans avoir à penser à l'infrastructure.
Résumé
Les jumeaux numériques ont un énorme potentiel, mais jusqu'à présent, leur taille et leur échelle ont été prohibitives pour de nombreuses entreprises dépourvues de capacités technologiques avancées. Complexité est hors de portée. Heureusement, ce n’est plus le cas et les responsables informatiques qui apprennent et collaborent avec les opérations ont la possibilité d’apporter des capacités de jumeau numérique à leur organisation.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
AI Hentai Generator
Générez AI Hentai gratuitement.
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA
Jun 28, 2024 am 03:51 AM
Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine
Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag
Jun 10, 2024 am 11:08 AM
Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.
Sept questions d'entretien technique Cool GenAI et LLM
Jun 07, 2024 am 10:06 AM
Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte
Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations
Jun 11, 2024 pm 03:57 PM
Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.
Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG.
Jul 25, 2024 am 06:42 AM
L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes
Cinq écoles d'apprentissage automatique que vous ne connaissez pas
Jun 05, 2024 pm 08:51 PM
L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.
Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire
Jul 17, 2024 pm 06:37 PM
Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S
Préparant des marchés tels que l'IA, GlobalFoundries acquiert la technologie du nitrure de gallium de Tagore Technology et les équipes associées
Jul 15, 2024 pm 12:21 PM
Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
