生成式人工智能能否使数字孪生在能源和公用事业行业成为现实?
数字孪生是物理资产的数字表示形式。它使用真实世界的数据(实时和历史)与工程、模拟或机器学习 (ML) 模型相结合,以增强运营并支持人类决策。
推荐:使用NSDT场景编辑器快速搭建3D应用场景
克服障碍,优化数字孪生优势
要实现数字孪生的优势,您需要数据和逻辑集成层以及基于角色的演示。如图 1 所示,在任何资产密集型行业(如能源和公用事业)中,您必须集成各种数据集,例如:
- OT(实时设备、传感器和物联网数据)
- IT 系统,例如企业资产管理(例如 Maximo 或 SAP)
- 工厂生命周期管理系统
- ERP和各种非结构化数据集,如P&ID,视觉图像和声学数据
对于表示层,您可以利用各种功能,例如 3D 建模、增强现实以及各种基于预测模型的健康评分和关键性指数。在 IBM,我们坚信开放技术是数字孪生的必要基础。
在利用传统的 ML 和 AI 建模技术时,您必须对孤立的 AI 模型进行集中训练,这需要大量的人工监督训练。这是利用在孤立的流程和技术中生成和维护的历史、当前和预测数据的主要障碍。
如图 2 所示,生成式 AI 的使用通过模拟任意数量的物理上可能且同时合理的对象状态并将它们馈送到数字孪生的网络,从而提高了数字孪生的能力。
这些功能有助于持续确定物理对象的状态。例如,热图可以显示由于大量使用空调引起的预期热浪而导致电网瓶颈可能发生的位置(以及如何通过智能切换解决这些问题)。除了开放技术基础之外,模型必须可信并面向业务领域。
资产密集型行业中的生成式 AI 和数字孪生用例
当您在能源和公用事业等资产密集型行业中将生成式 AI 用于数字孪生技术时,各种用例就会成为现实。考虑我们行业客户的一些用例示例:
- 视觉洞察。通过创建各种公用事业资产类别(如塔、变压器和线路)的基础模型,并通过利用大规模视觉图像和适应客户端设置,我们可以利用神经网络架构。我们可以使用它来扩展AI的使用,以识别公用事业资产的异常和损坏,而不是手动查看图像。
- 资产绩效管理。我们基于时间序列数据及其与工作订单、事件预测、运行状况评分、关键性指数、用户手册和其他非结构化数据的关系创建大规模基础模型,以进行异常检测。我们使用这些模型来创建单独的资产孪生,其中包含当前和未来操作可访问的所有历史信息。
- 现场服务。我们利用检索增强生成任务来创建问答功能或多语言对话聊天机器人(基于来自广泛知识库的文档或动态内容),实时提供现场服务帮助。此功能可以极大地影响现场服务人员的绩效,并通过实时回答特定于资产的问题来提高能源服务的可靠性,而无需将最终用户重定向到文档、链接或人工操作员。
生成式人工智能和大型语言模型(LLM)给人工智能领域带来了新的危险,我们并不声称拥有这些新解决方案引入的所有问题的答案。IBM 深知,推动人工智能的信任和透明度不是技术挑战,而是社会技术挑战。
我们看到很大一部分人工智能项目陷入了概念验证,原因从业务战略的错位到对模型结果的不信任。IBM 汇集了丰富的转型经验、行业专业知识以及专有和合作伙伴技术。通过这种技能和合作伙伴关系的结合,IBM 咨询特别™适合帮助企业构建战略和功能,以实施和扩展可信 AI 以实现其目标。
目前,IBM是市场上为数不多的既提供人工智能解决方案又拥有咨询实践的公司之一,致力于帮助客户安全和负责任地使用人工智能。IBM 的生成式 AI 卓越中心可帮助客户实施整个 AI 生命周期,并开发符合道德规范的生成式 AI 解决方案。
利用生成式人工智能的旅程应该:a)由开放技术驱动;b)确保人工智能负责并对其进行治理,以建立对模型的信任;c) 应该授权那些使用您平台的人。我们相信,生成式人工智能可以使能源和公用事业公司实现数字孪生的承诺,因为他们为清洁能源转型而对其数字基础设施进行了现代化改造。通过与 IBM 咨询合作,您可以成为 AI 价值创造者,从而训练、部署和管理数据和 AI 模型。
由3D建模学习工作室 整理翻译,转载请注明出处!