Ngoptimalake Sumber Daya kanggo Keuntungan: Apa Digital Twin Tech Perlu?
Nilai teknologi apa wae sing pungkasane ana ing kemampuan kanggo ngoptimalake biaya lan sumber daya. Duwe kemampuan kanggo preempt asil menehi petani pangan entuk manfaat saka foresight kang banjur bisa Applied ing urip nyata. Conto aplikasi nyata lan komersialisasi teknologi Digital Twin yaiku mekanistik model kang dikembangaké dening Tom De Swaef ing Universitas Gantt. Perusahaan Belgia 2Grow nggunakake model iki kanggo ngukur variasi aliran banyu lan kekandelan batang ing tanduran tomat. Ing tujuan perusahaan kanggo ngurangi 20% area lumahing sing digunakake kanggo produksi tanduran.
It isih ora jelas yen masyarakat ngupayakake kembar digital ing operasi sawijining. Apa maneh, bisa diarani manawa ing pirang-pirang kasus teknologi kembar digital ora perlu. Kemajuan ing machine learning wis bisa kanggo prédhiksi acara penting tanpa mbangun model lengkap sing mbutuhake jumlah gedhe saka data kualitas dhuwur sing uga larang kanggo njaluk. Minangka petani panganan sing pengin prédhiksi sifat tartamtu, fokus kanggo ngukur lan ngawasi owah-owahan kunci bisa uga kabeh sing dibutuhake kanggo nggawe model prediksi sing sukses. Apa maneh, iki luwih terjangkau kanthi dramatis, saengga bisa ditindakake para petani panganan sing kudu ndeleng ROI langsung babagan implementasine model prediktif.
Contone, yen sampeyan tuwuh kentang, penting kanggo duwe indikator kanggo hama kayata penyakit blight pungkasan, sing disebabake dening organisme kaya jamur sing bisa nyebabake gagal panen ing wektu sing cendhak yen langkah-langkah kontrol sing tepat ora diadopsi. Kanggo jinis pamotongan baris ing lapangan sing mbukak hektar, duwe kamera sing dipasang ing sistem irigasi poros bisa kanthi efisien lan efektif ngenali penyakit utawa masalah. Data sing dibutuhake kanggo nggawe kembar digital kanggo lapangan kentang sing mbukak bakal larang regane, lan nggawe model kabeh ing skala kasebut kanggo entuk wawasan sing bisa dipikolehi kanthi teknologi sing luwih gampang lan terjangkau, mung ora masuk akal.
- Video game SimCity bubar ing taun 90-an amarga para pemain dadi pahlawan ing kuthane dhewe nalika ngrancang lan nggawe metropolis sing apik lan rame kanthi digital. Maju kanthi cepet 30 taun, lan kita duwe teknologi kanggo nggawe perwakilan digital sing akurat banget babagan wit, kebon, utawa kebon ing donya. Kaya ing SimCity, kita bisa simulasi kepiye metropolis bakal berkembang adhedhasar apa sing kita "investasi" ing game kasebut, saiki kita bisa nggawe simulasi babagan carane tanduran bakal tuwuh ing macem-macem skenario - mbantu kita nyempurnakake upaya pertanian kanthi wawasan sing durung ana sadurunge.
- A Digital Twin minangka perwakilan digital saka bab donya nyata. Bisa digunakake kanggo ngawasi 'bab' nyata saka jarak jauh. Kanggo nyedhiyakake pengganti sing akurat lan nyata kanggo kembar donya nyata, kembar digital kudu diwenehi informasi data liwat pangukuran digital saka entitas nyata. Ing tetanèn, iki bisa dadi data sing kasedhiya liwat piranti kayata sensor lemah, pencitraan tanduran, data cuaca, lsp.
- Perwakilan digital anyar, utawa kembar digital, kudu nggambarake kabeh upaya pertanian: aset fisik, proses, sistem, sumber daya, kabeh. Ing bali, iki ngidini kita kanggo simulasi, rencana, nganalisa, lan nambah pangolahan tetanèn ing skala sadurunge unimagined. Nanging, apa perlu kanggo petani panganan ngetrapake teknologi canggih sing larang regane iki - utawa bisa entuk wawasan sing dibutuhake saka sensor sing luwih gampang diakses lan terjangkau sing bakal mbantu dheweke ngawasi lan prédhiksi asil utama?
Wutah lan Adoption saka Digital Twins lan Potensi ing Agriculture
Gartner prédhiksi yen ing 2021, setengah saka perusahaan industri gedhe bakal nggunakake kembar digital, kang bakal nerjemahake kanggo 10% asil dandan ing efektifitas kanggo organisasi sing. Nanging, konsep kembar digital wis ana pirang-pirang dekade. Luwih saka 30 taun, tim teknik produk lan proses wis nggunakake rendering 3D saka desain sing dibantu komputer (CAD) model, model aset, lan simulasi proses kanggo mesthekake lan validasi manufaktur. Contone, NASA wis nindakake simulasi pesawat ruang angkasa sing rumit sajrone pirang-pirang dekade. Nanging, inovasi ing machine learning lan AI nggawa konsep kembar digital ing ngarep, nggawe akeh hype minangka tren disruptive karo impact luwih amba ing mangsa cedhak.
Nalika nerangake pangolahan tetanèn, nggunakake Digital Twins minangka sarana sentral kanggo manajemen farm bisa ngaktifake decoupling aliran fisik saka planning lan kontrol sawijining. Akibaté, petani bisa ngatur operasi mbatalake adhedhasar (cedhak) informasi digital wektu nyata tinimbang kudu gumantung ing pengamatan langsung lan tugas manual ing situs. Iki ngidini wong-wong mau bisa langsung tumindak yen ana penyimpangan (kaarep-arep) lan simulasi efek saka intervensi adhedhasar data nyata. Contone, Kembar Digital saka kebon kebon bisa menehi tandha kebon babagan irigasi sing berlebihan tanpa petani kasebut kudu mriksa kebon.
Gagasan a dusun digital menarik banget kanggo petani sing ngerti sifat intensif tenaga kerja kanggo ngawasi, prédhiksi, lan ngontrol kesehatan wit woh lan kualitas panen. Ilmuwan ing Universitas Queensland ngembangake model kanggo kebon kebon sing tuwuh alon-alon kaya mango lan macadamia. Iki bisa ngidini pangguna nyoba ide anyar kanthi cepet lan entuk wawasan babagan cara ngoptimalake sistem produksi. Peneliti ing proyek kasebut nandheske kepiye simulasi cepet iki bisa entuk manfaat kanggo panen sing alon kayata wit woh.
Ana kasus panggunaan tartamtu sing nggawe pangertèn finansial kanggo mbangun kembar digital, kayata kanggo pembiakan tanduran, ing ngendi model bisa ngidini sampeyan prédhiksi awal yen macem-macem tartamtu ora sregep komersial. Nanging ing pirang-pirang kasus, ora perlu mecah kacang nganggo palu.
- Raviv Itzhaky minangka Co-Founder lan CTO saka Teknologi Prospera, mimpin visi teknis perusahaan kanggo ngowahi cara tuwuh panganan nggunakake ilmu data lan AI. Dheweke nggunakake keahliane ing pangembangan algoritma, matématika lan machine learning kanggo ngatasi masalah ing donya nyata. Sadurunge Prospera, Raviv ngembangake algoritma ing perusahaan cybersecurity BioCatch, lan dadi Insinyur Pemrosesan Sinyal karo IDF. Dheweke entuk gelar BSc ing Fisika lan MSc ing Fisika Terapan saka Universitas Ibrani.