Toenemende hoeveelheden data stimuleren de groei van kunstmatige intelligentie
De opkomst van kunstmatige intelligentie (AI) in diverse industrieën en sectoren verloopt in een razend tempo en zal naar verwachting in 2019 doorzetten. Forbes voorspelt dat er, naast marketing en verkoop, in het komende jaar talloze nieuwe toepassingen voor machine learning in verschillende sectoren zullen ontstaan. Deze toename in AI-toepassingen wordt gedreven door de beschikbaarheid van data en een stijging van het aantal verbonden apparaten die gebruiks- en interactiegegevens genereren. Volgens Gartner zullen er in 2019 14.2 miljard verbonden apparaten in gebruik zijn, en dat aantal zal in 2021 oplopen tot 25 miljard, wat enorme hoeveelheden data oplevert.
Maar het produceren en analyseren van deze enorme hoeveelheid data brengt kosten met zich mee: producten of apparaten moeten over een breed scala aan sensoren beschikken om gebeurtenissen te verzamelen en te publiceren, wat mogelijk niet voor alle producten economisch haalbaar is. En zelfs wanneer producten volledig 'bedraad' zijn, bestaat er een risico op sensorstoringen, wat zou betekenen dat de verzamelde data hiaten of onjuiste waarden bevat. Ten slotte bevatten sommige productcomponenten gesloten subsystemen waarin het fysiek onmogelijk is sensoren te plaatsen.
Er zijn ook toepassingen, zoals de autonome werking van voertuigen, die enorme hoeveelheden data uit talloze scenario's vereisen om te produceren en te analyseren. Toyota heeft bijvoorbeeld berekend dat een voertuig 14.4 miljard kilometer aan tests moet afleggen om autonomieniveau 5 te bereiken, wat niet alleen met fysieke tests mogelijk is. Dit betekent dat, hoewel steeds meer producten en apparaten verbonden zijn, de data die binnen het IIoT wordt gegenereerd mogelijk niet de kwaliteit en dekking heeft die nodig zijn om een AI-algoritme betrouwbaar te trainen. Hoe lossen we dit probleem op? Maak kennis met de nieuwe partner van AI en de perfecte match in de wereld van data: de digitale tweeling.
Wat is een Digital Twin?
Een Digital Twin is een virtuele representatie van een fysiek product en heeft vier kenmerken. Ten eerste bevat het data, in de vorm van productdefinities, 3D-modellen en op fysica gebaseerde mechanica, die nodig zijn om een accurate Digital Twin te creëren. Hoe uitgebreider de definities zijn die in acht worden genomen bij het creëren van de Digital Twin, hoe realistischer deze het gedrag van zijn echte tegenhanger simuleert en voorspelt. Data, in de vorm van input van gebruikers of AI, is ook nodig als katalysator om de Digital Twin aan te sturen, die op zijn beurt data genereert die gebruikt kan worden voor analyse.
Het tweede kenmerk van de Digital Twin is dat deze een virtuele weergave van het gekoppelde fysieke object bevat, waardoor mensen op afstand de status en geschiedenis ervan kunnen begrijpen en ermee kunnen interacteren. Het derde punt op de driehoek in Figuur 1 laat zien dat de Digital Twin inzicht en voorspelling mogelijk maakt. Uiteindelijk wordt een Digital Twin gecreëerd om het gedrag van het fysieke object onder verschillende omstandigheden en omgevingsomstandigheden te begrijpen, zodat het toekomstige gedrag kan worden voorspeld. Ten slotte kan de Digital Twin voordelen opleveren gedurende de gehele productlevenscyclus: van het creëren van een digitaal prototype dat de ontwerpfase efficiënter maakt, het visualiseren van oplossingen in verkoop- en marketingpresentaties tot het optimaliseren van de machinewerking.
3 manieren waarop een digitale tweeling kan helpen bij de ontwikkeling van AI
Hoe kan de Digital Twin helpen bij het oplossen van het probleem van onvolledige, ruisrijke of ontbrekende data die de effectieve training van AI-algoritmen belemmert? Om dat te kunnen doen, moet de Digital Twin een nauwkeurige, op natuurkunde gebaseerde weergave zijn van een echt product en zijn omgeving. Hij moet ook een simulatie in realtime kunnen uitvoeren, zodat hij zinvolle en actuele data over productgedrag kan genereren. Zodra dit niveau van snelheid en nauwkeurigheid is bereikt, kunnen door de Digital Twin gegenereerde data worden gebruikt om AI-algoritmen te trainen voor diverse scenario's:
1. Ontwikkeling van assistentie- of veiligheidssystemen
Bijvoorbeeld om voetgangers of objecten in de buurt van een autonome of op afstand bediende machine te detecteren. De Digital Twin kan worden gebruikt om trainingsgegevens te genereren en oplossingen te testen die na training in verschillende scenario's kunnen worden gebruikt.
2. Ontwikkeling van subtaakautomatisering
Bijvoorbeeld door machine learning te combineren met de herhaalbaarheid van simulatie om neurale netwerken te trainen voor specifieke taken. Een voorbeeld hiervan is het herhalen van werkprocesscenario's zoals graven, rijden of containerafhandeling om autonome of ondersteunde machine- en voertuigbediening mogelijk te maken.
3. Uitbreiding van veldgegevens
Bijvoorbeeld voor kleine series machines of componenten, waarvoor onvoldoende trainingsgegevens kunnen worden gegenereerd, of voor gebieden waar sensorplaatsing fysiek lastig of economisch onwenselijk is. Een op fysica gebaseerde digitale tweeling van de machine of component kan worden gebruikt om het gedrag ervan met een hoge mate van nauwkeurigheid te simuleren en datapunten te produceren die in de praktijk niet haalbaar zijn.
Opkomende kansen
Door Digital Twin-technologie en AI te combineren, kunnen spannende nieuwe technologische ontwikkelingen worden gerealiseerd, zoals bediening van machines op afstand of autonoom, en voorspellend onderhoud. De Digital Twin kan fungeren als een trainer voor een AI, die onvermoeibaar scenario's herhaalt en data genereert waar de AI van kan leren. Hoewel de combinatie van deze twee zeer complementaire technologische trends nog in de kinderschoenen staat, zien de eerste resultaten er veelbelovend uit. Vooral in een op natuurkunde gebaseerde Digital Twin-benadering kan AI worden toegepast om specifieke leerdoelen gericht te bereiken.
Wilt u meer weten over hoe Digital Twins kunnen helpen bij de ontwikkeling van AI en autonome machines?
Bekijk ons webinar met AI-expert Ville Hulkko van Silo.AI voor meer informatie over hoe deze twee technologieën kunnen samenwerken. Bekijk de webinaropname hier!