디지털 트윈의 진화와 도입을 방해하는 요소
맥킨지의 최근 분석에 따르면 관심이 너무 커서 디지털 트윈에 대한 글로벌 시장은 향후 5년 동안 연간 약 60% 성장하여 2027년까지 735억 달러에 도달할 것으로 예상된다. 관심은 분명히 있지만, 실제로 채택이 이어졌을까?
답은 복잡하다. 디지털 트윈 기술과 그 사용 사례는 엄청나게 발전했지만, 디지털 트윈을 대규모로 채택하려면 과제를 해결해야 한다.
디지털 트윈의 진화
디지털 트윈 기술의 진정한 도입은 최근까지 자산을 단순히 표현하는 것 이상의 지능이 부족했기 때문에 느렸다. 더 가치 있는 것은 동작을 정확하게 시뮬레이션, 예측 및 제어하는 기능이다. 디지털 트윈은 또한 맞춤형이었으며 유사한 자산의 동작에서 전역적으로 학습할 수 있는 기능이 부족했다. 통찰력은 분산되어 있었고 항상 더 광범위한 조직의 요구 사항에 적용되지 않아 수익률이 낮은 막대한 투자였다.
그럼에도 불구하고 디지털 트윈의 일부 초기 도입자에는 제조, 소매, 의료 및 자동차 산업이 포함되며, 이들은 통제된 환경에서 새로운 시설, 구성 및 프로세스를 테스트할 수 있었다.
새로운 AI 기반 접근 방식을 통해 "디지털 트윈"에서 AI 기반 "시뮬레이션" 및 "에이전시"로 빠르게 전환되어 사용 사례가 극적으로 확대되고 광범위한 채택이 촉진될 것이다. 이러한 사용 범주를 살펴보겠다:
●표현 - 디지털 트윈의 초기 반복은 자산의 간단한 디지털 표현이었으며, 특정 작업의 설계 및 실행을 개선하기 위한 특정 틈새 사용 사례를 넘어서는 특별히 유용하지 않았다. 본질적으로 이는 디지털 트윈 기술의 "복제" 상태이다.
●시뮬레이션 - 오늘날 디지털 트윈은 표현에서 시뮬레이션으로 진화하고 있으며, 이는 더 광범위한 사용 사례에 도움이 된다. 시뮬레이션은 디지털 트윈이 자산이나 환경을 미러링할 뿐만 아니라 미래 시나리오를 정확하게 시뮬레이션한다는 것을 의미한다. 이 단계에서는 다른 유사한 프로세스의 데이터에서 학습하여 의미 있는 통찰력을 얻을 수 있다. 시뮬레이션 트윈은 AI 알고리즘을 사용하여 생산 결과를 시뮬레이션하고, 최적의 기계 설정을 권장하며, 생산 팀이 제조 환경에서 개선된 비즈니스 목표를 향해 나아갈 수 있도록 안내한다.
●에이전시 - 시뮬레이션 이후의 다음 진화는 에이전시로, 자산, 프로세스 및 생산의 전체 부분이 자율적으로 계획하고 행동할 수 있도록 한다. 이 단계에서는 복잡한 결정을 내리고 사람들과 협력하여 보다 지속 가능한 생산을 추진한다. 이것이 디지털 트윈 에이전트 단계이다.
단계 간 이동에는 다양한 수준의 지원 기술이 필요하며, 조직이 디지털 트윈의 최대 효과와 ROI를 달성할 수 있는 올바른 기술 스택을 보유하는 것이 가장 중요하다.
디지털 트윈을 위한 기초 기술
표현에서 시뮬레이션으로, 그리고 궁극적으로 에이전시로 이동하기 전에 적절한 기초 기술이 있어야 한다.
다시 제조를 예로 들면, 주어진 프로세스나 공장 환경의 디지털 시뮬레이션을 만들고자 하는 조직은 신뢰할 수 있는 온라인 감지 기능이 있어야 한다. 이러한 센서는 여정의 다양한 중요한 단계에서 입력 및 출력에서 데이터를 공급하여 시뮬레이션을 알리는 강력한 통찰력을 제공한다. 이러한 데이터의 상당 부분은 쉽게 사용할 수 있으며, 출력(예: 종이)에 대한 고품질 온라인 측정을 하는 프로세스 제조업체를 보았지만 입력(예: 종이 펄프 생산에 사용되는 목재 섬유)에 대한 감지 측정에는 일반적으로 차이가 있다.
이를 피하기 위해 제조 팀은 달성하려는 시뮬레이션과 관련된 다양한 입력, 기계 및 시스템과 함께 프로세스 전체의 각 단계의 다양한 매개변수를 명확하게 정의해야 한다. 이를 위해서는 여러 기능의 전문가를 활용하여 모델의 모든 측면을 설명해야 하며, 그러면 시뮬레이션을 구동하기에 데이터가 충분히 강력해지는 데 도움이 된다.
연결성과 비교
완전히 고립된 디지털 트윈은 유사한 시나리오에서 다른 모델로부터 얻은 학습을 놓치고 있다. 디지털 트윈 자체에 기여하는 모델은 다른 유사한 모델과 디지털 트윈의 데이터를 공급받아 조사 중인 로컬 프로세스 내에서가 아니라 전역적으로 "훌륭함" 또는 최적이 어떤 것인지 보여줘야 한다.
결과적으로 디지털 트윈에는 대규모 클라우드 구성 요소가 필요하며, 그렇지 않으면 조직은 이 기술이 제공하는 모든 약속의 모습을 잃을 위험이 있다.
동전의 다른 측면은 디지털 트윈이 클라우드 기술에만 의존해서는 안 된다는 것이다. 클라우드의 지연 시간은 실시간 데이터 및 실시간 지침 수집과 같은 요소에 장애물을 만들 수 있기 때문이다. 기계 고장을 방지하기 위한 시뮬레이션을 수행하여 부품이 제대로 작동하지 않고 전체 기계가 정지한 후에야 끊어진 벨트를 감지하는 것은 얼마나 무의미한지 생각해 보자.
이러한 과제를 극복하려면 에지 AI 지원 구성 요소를 추가하는 것이 현명할 수 있다. 이렇게 하면 시뮬레이션 중인 프로세스에 최대한 가깝게 데이터를 캡처할 수 있다.
배포 및 관리와 관련된 잠재적인 문제점
AI 기반 시뮬레이션 트윈에 필요한 데이터를 수집할 수 있는 적절한 기술 스택과 인프라를 갖추는 것 외에도 신뢰는 배포에 대한 중요한 장애물로 남아 있다. 런던의 택시 운전사는 도시 지도와 모든 지름길을 알고 있을 수 있지만 GPS는 일반적으로 교통 데이터를 고려하여 운전자에게 더 정확한 경로를 제공한다. 마찬가지로 엔지니어와 제조 전문가는 자신의 역량에 대한 자신감을 충분히 얻기 위해 정확하고 안전한 시뮬레이션을 경험해야 한다.
신뢰를 얻는 데는 시간이 걸리지만 모델과 디지털 트윈에 공급하는 데이터에 대한 투명성을 통해 이 프로세스를 가속화할 수 있다. 조직은 팀이 이 강력한 기술에서 얻은 통찰력을 신뢰하도록 하는 데 필요한 사고방식의 전환에 대해 전략적으로 생각해야 하며, 그렇지 않으면 ROI를 놓칠 위험이 있다.
에이전시로 가는 길
디지털 트윈의 약속에도 불구하고 채택은 비교적 느렸다. 최근까지는 말이다. AI 기반 모델을 도입하면 다른 모델의 통찰력을 연결하여 고유한 학습을 구축함으로써 디지털 트윈을 표현에서 시뮬레이션으로 전환할 수 있다.
투자와 신뢰가 증가함에 따라 디지털 트윈은 결국 에이전시 지위에 도달하고 스스로 복잡한 결정을 내릴 수 있게 될 것이다. 진정한 가치는 아직 밝혀지지 않았지만 디지털 트윈은 제조에서 헬스케어, 리테일로 산업을 변화시킬 잠재력을 가지고 있다.