Оптимизација ресурса за профитабилност: Да ли је дигитална технологија близанаца неопходна?
Вредност сваке технологије на крају лежи у способности оптимизације трошкова и ресурса. Способност да предупреде исходе даје произвођачима хране предност предвиђања која се онда може применити у стварном животу. Пример примене и комерцијализације Дигитал Твин технологије у стварном животу је механизам модел који је развио Том Де Сваеф на Универзитету Гант. Белгијска компанија 2Гров користи овај модел за мерење варијација у протоку воде и дебљини стабљике у биљкама парадајза. Тхе циљеви компаније да се смањи 20% површине утрошене на биљну производњу.
It још увек није јасно да ли се заједница труди да усвоји дигиталне близанце у својим операцијама. Штавише, може се тврдити да у већини случајева технологија дигиталних близанаца заправо није неопходна. Напредак у машинском учењу омогућио је предвиђање кључних догађаја без изградње пуног модела који би захтевао велике количине висококвалитетних података које је такође скупо. Као узгајивач хране који жели да предвиди одређена својства, фокусирање на мерење и праћење кључних промена може бити све што је потребно за изградњу успешног предиктивног модела. Штавише, ово је драматично приступачније, што га чини доступним за произвођаче хране који треба да виде тренутни РОИ на имплементацију предиктивних модела.
На пример, ако узгајате кромпир, важно је да имате индикаторе за штеточине као што је болест касне пламењаче, узрокована организмом сличним гљивама, који у кратком периоду може довести до пропадања усева ако се не предузму одговарајуће мере контроле. За ову врсту међуредних усева на великим хектарима отвореног поља, камере постављене на системе за наводњавање са осовином могу ефикасно и ефективно идентификовати болести или проблеме. Подаци потребни за креирање дигиталног близанца за отворено поље кромпира коштали би богатство, а стварање читавог модела у таквом обиму да би се стекли увиди који се могу добити једноставнијом и приступачнијом технологијом, једноставно нема смисла.
- Видео игра СимЦити се појавила 90-их година када су играчи постали хероји свог сопственог града док су дизајнирали и дигитално креирали прелепу, ужурбану метрополу. Премотајте унапред 30 година и имамо технологију за креирање невероватно тачних дигиталних приказа дрвећа, фарми или воћњака из стварног света. Баш као што у СимЦити-у можемо да симулирамо како би се метропола развијала на основу онога у шта „улажемо“ у игри, сада можемо да креирамо симулације како ће биљка расти у различитим сценаријима — помажући нам да фино подесимо пољопривредне напоре са невиђеним предвиђањем.
- Дигитални близанац је дигитални приказ ствари из стварног света. Може се користити за даљинско праћење праве 'ствари'. Да би се обезбедио тачан и реалистичан сурогат за близанца у стварном свету, дигитални близанац мора бити информисан о подацима путем дигиталног мерења стварног ентитета. У пољопривреди то могу бити подаци који долазе путем алата као што су сензори тла, слике биљака, временски подаци итд.
- Нова дигитална репрезентација, или дигитални близанац, треба да одражава целокупни пољопривредни напор: физичка средства, процесе, системе, ресурсе, све. Заузврат, ово нам омогућава да симулирамо, планирамо, анализирамо и побољшамо пољопривредне процесе у раније незамисливим размерама. Међутим, да ли је заиста неопходно да узгајивачи хране имплементирају ову скупу софистицирану технологију – или могу добити увид који им је потребан од приступачнијих и приступачнијих сензора који ће им помоћи да прате и предвиде кључне резултате?
Раст и усвајање дигиталних близанаца и њихов потенцијал у пољопривреди
Гартнер предвиђа да ће до 2021. године половина великих индустријских компанија користити дигитални близанци, што ће значити побољшање ефикасности за те организације од 10%. Међутим, концепт дигиталних близанаца постоји већ деценијама. Више од 30 година тимови за инжењеринг производа и процеса користе 3Д приказе дизајн помоћу рачунара (ЦАД) модели, модели средстава и симулације процеса да би се осигурала и валидирала производност. На пример, НАСА је деценијама водила сложене симулације свемирских летелица. Међутим, иновације у машинском учењу и вештачкој интелигенцији стављају концепт дигиталног близанца у први план, стварајући велику рекламу као реметилачки тренд са ширим утицајем у блиској будућности.
Када су у питању пољопривредни процеси, коришћење дигиталних близанаца као централно средство за управљање газдинством може омогућити раздвајање физичких токова од његовог планирања и контроле. Као резултат тога, фармери могу даљински управљати операцијама на основу дигиталних информација (скоро) у реалном времену уместо да се морају ослањати на директно посматрање и ручне задатке на лицу места. То им омогућава да одмах реагују у случају (очекиваних) одступања и да симулирају ефекте интервенција на основу података из стварног живота. На пример, дигитални близанац воћњака може упозорити воћњак на прекомерно наводњавање, а да тај фармер не мора да прегледа воћњак.
Идеја а дигитални воћњак је изузетно атрактиван за пољопривреднике који разумеју радно интензивну природу праћења, предвиђања и контроле здравља воћака и квалитета њихове бербе. Научници са Универзитета Квинсленд развили су модел за воћњак са спорорастућим усевима попут манга и макадамије. Ово може омогућити корисницима да брзо испробају нове идеје и стекну увид о томе како најбоље оптимизовати производне системе. Истраживачи на пројекту нагласили су како ове тренутне симулације могу посебно користити усевима који споро расту као што су воћке.
Постоје специфични случајеви употребе у којима има финансијског смисла изградити дигитални близанац, на пример за оплемењивање биљака, где би модел могао да вам омогући да рано предвидите да ли одређена сорта није комерцијално одржива. Али у многим случајевима, нема потребе да разбијете орах маљем.
- Равив Итзхаки је суоснивач и технички директор Проспера Тецхнологиес, водећи у техничкој визији компаније о трансформацији начина на који се храна узгаја коришћењем науке о подацима и вештачке интелигенције. Своју стручност у развоју алгоритама, математици и машинском учењу користи за решавање проблема из стварног света. Пре Проспере, Равив је развио алгоритме у компанији за сајбер безбедност БиоЦатцх и радио је као инжењер за обраду сигнала у ИДФ-у. Дипломирао је физику и магистрирао примењену физику на Хебрејском универзитету.