Использование "цифровых двойников" для трансформации экономики

Размещено на http://www.allbest.ru/

ИСПОЛЬЗОВАНИЕ «ЦИФРОВЫХ ДВОЙНИКОВ» ДЛЯ ТРАНСФОРМАЦИИ ЭКОНОМИКИ

Данилова Евгения Геннадьевна,

магистрант 2 курса, Высшая школа государственного администрирования, МГУ имени М.В. Ломоносова, г. Москва

Аннотация

В статье описывается подход к созданию «цифровых двойников» в контексте цифровой трансформации. Предмет исследования: принципы использования «цифровых двойников» для трансформации экономики. Цель работы: раскрыть актуальность использования цифровых двойников. Приоритетными задачами определены: проанализировать предпосылки создания «цифровых двойников», детерминировать их, доказать эффективность их применения. Сделан вывод о том, что «цифровые двойники» позволяют наладить эффективные связи между всеми участниками производства товаров и поддержки услуг.

Ключевые слова: «цифровые двойники», цифровая трансформация, цифровая экономика, искусственный интеллект.

Abstract

USING «DIGITAL TWINS» FOR ECONOMIC TRANSFORMATION

the approach to creating «digital twins» amid digital transformation is described in the article. The principles of using «digital twins» for economic transformation serve as the research subject. The research aims to stress the relevance of using digital twins. The priority tasks are: to analyze the prerequisites for the creating «digital twins», to determine them, to prove their application efficiency. It is concluded that «digital twins» allow to establish effective links between all participants in the production of goods and services support.

Key words: «digital twins», digital economy, digital transformation, artificial intelligence.

Один из важнейших компонентов перспективной экономики - «цифровой двойник», служащий адекватной моделью реального объекта, в котором протекают процессы различной природы. Функции «цифрового двойника» направлены, в том числе на моделирование изменений реального объекта, которое требует минимальных затрат и не порождает риски. В данной работе рассматриваются принципы использования «цифровых двойников» для трансформации экономики.

Концептуальный подход к формированию «цифрового двойника»

Переход к цифровой экономике подразумевает решения ряда задач, относящихся зачастую к междисциплинарным проблемам [1]. При этом изучаемый объект или процесс, как правило, должен рассматриваться с точки зрения базовых положений теории сложных систем [2]. Этапы исследования сложной системы представимы при помощи модели, показанной на рисунке 1 [3]. В процессе проводимых исследований неизбежно возникает совокупность ошибок, обозначенных для рассматриваемой модели, как е_г, е₂,..., е₆.

технология экономика цифровой двойник

Рис. 1. Этапы исследования сложной системы

Современная экономика требует снижения уровня ошибок, которые влияют на качественные показатели производимых товаров и предоставляемых услуг. В перечень качественных показателей входят и метрики надежности, также весьма важные для с точки зрения всех потребителей товаров и услуг.

Для минимизации ошибок вида s_i, s₂,..., s₆ может быть использована идея создания так называемых «цифровых двойников», предусмотренная концепцией dia$par [4]. Такой подход не исключает использование других методов, направленных на снижение ошибок. Тем не менее, «цифровые двойники» имеют ряд важных преимуществ, анализируемых в данной работе.

Общие принципы концепции dia$par, основанной на создании «цифровых двойников», приведены на рисунке 2 [4]. Рассматриваемый пример связан с анализом операционной системы предприятия, но варианты использования концепции dia$par включают более широкий спектр возможных приложений.

В левой части модели показано изучаемое предприятие, названное в рассматриваемой концепции «dia$par.Enterprise». В правой части предложенной модели изображен «цифровой двойник» предприятия. Ему присвоено название «dia$par.Matrix». Важным компонентом модели служит ее центральный элемент - виртуализатор, получивший название «dia$par.Mirror». Обычно он реализуется на платформе IEM (Intelligent Enterprise Managing), выполняющей функции интеллектуального управления предприятием.

Требования к платформе 1ЕМ различаются для ее внешнего и внутреннего контуров [4]. Требования к внешнему контуру определяются такой совокупности атрибутов:

1. Упорядоченность. Упорядоченность требует стандартизации всех без исключения бизнес-процессов, вводимых в контур системы.

2. Симметрия. Абстракция 1ЕМ-системы реализует симметричную, взаимно-однозначную проекцию реального предприятия, его виртуальную модель, эволюционирующую синхронно с управляемым предприятием. Все значащие параметры предприятия регистрируются виртуальной моделью, и наоборот, изменения параметров виртуальной модели отражаются в реальном предприятии в режиме реального времени.

Рис. 2. Концепция - создание «цифровых двойников»

3. Целостность. Целостность гарантирует достоверность данных 1ЕМ в математическом смысле: либо достоверны все данные системы, либо они недостоверны все сразу.

4. Замкнутость. Вся интерпретируемая информация о ходе исполнения бизнес-процессов предприятия регистрируется в ГБМ-системе. Предприятие функционирует внутри плотной информационной оболочки, поглощающей всю информацию о значимых событиях.

5. Универсальность. Универсальность функциональности 1ЕМ: для решения любой формализуемой задачи в рамках управления организационными процессами, заменяя все остальные частные системы. Требования к внутреннему контуру определяются такой совокупности атрибутов:

6. Инвариантность. Инвариантность 1ЕМ-платформы - наиболее тяжелой части 1ЕМ-системы, реализующей самый сложный функционал, призвана существенно облегчить как собственно поддержку эксплуатируемой системы, так и прикладную разработку для нее.

7. Открытость. Пространство бизнес-логики полностью открыто разработчику прикладных программ.

8. Изменяемость. Пространство бизнес-логики - полностью открытая и произвольно модифицируемая и дополняемая область 1ЕМ. Конфигурация бизнес-логики каждой эксплуатируемой ГЕМ-системы уникальна, и адаптирована к потребностям конкретного предприятия.

В современной практике известны исторические аналоги «цифрового двойника». Среди предшественников «цифрового двойника» следует выделить два основных решения:

- первый, конструкции (макеты) для натурного моделирования;

- второй, имитационные модели.

Натурным моделированием называют проведение исследования на реальном объекте с последующей обработкой результатов эксперимента на основе теории подобия. Натурное моделирование подразделяется на научный эксперимент, комплексные испытания и производственный эксперимент. Научный эксперимент характеризуется широким использованием средств автоматизации, применением весьма разнообразных средств обработки информации, возможностью вмешательства человека в процесс проведения эксперимента.

Одна из разновидностей эксперимента - комплексные испытания, в процессе которых вследствие повторения испытаний объектов в целом (или больших частей системы) выявляются общие закономерности о характеристиках качества, надежности этих объектов. В этом случае моделирование осуществляется путем обработки и обобщения сведений о группе однородных явлений. Наряду со специально организованными испытаниями возможна реализация натурного моделирования путем обобщения опыта, накопленного в ходе производственного процесса, то есть можно говорить о производственном эксперименте.

Здесь на базе теории подобия обрабатывают статистический материал по производственному процессу и получают его обобщенные характеристики. Необходимо помнить про отличие эксперимента от реального протекания процесса. Оно заключается в том, что в эксперименте могут появиться отдельные критические ситуации и определиться границы устойчивости процесса. В ходе эксперимента вводятся новые факторы, возмущающие воздействия в процесс функционирования объекта.

Конструкции для натурного моделирования отличаются от своего оригинала масштабом (например, при изучении устойчивости телевизионной башни естественно использует макет меньших размеров), длительностью протекания процесса (в ядерной физике процессы могут длиться наносекунды, а в макете используется время, удобное для ученых) и другими характеристиками.

Имитационное моделирование основано на составлении компьютерной программы, которая позволяет учесть основные свойства исследуемого объекта и окружающей среды. Первые средства имитационного моделирования не позволяли учитывать ряд важных характеристик исследуемого объекта и окружающей среды. В настоящее время созданы и внедрены в практику пакеты программ, которые позволяют существенно приблизить имитационную модель к исследуемому объекту.

Натурное моделирование, как правило, дает более точные результаты. Преимуществом имитационного моделирования считается снижение затрат на изучение объекта, а также экономия времени исследований.

В некоторых случаях натурное и имитационное моделирование используются совместно, что обычно повышает ценность полученных результатов. Применение «цифровых двойников» позволят использовать положительные свойства обоих методов моделирования. Кроме того, «цифровые двойники» могут участвовать в формировании новых знаний как об исследуемом объекте, так и применительно к окружающей среде.

В связи с актуальностью проблемы исследовательский интерес фокусируется на изучении эффективности применения «цифровых двойников». Формально - с точки зрения математики, «цифровой двойник» предназначен для минимизации ошибок вида ei, S2,..., ев. Это достигается тем, что «цифровой двойник» в максимальной степени отражает свойства исследуемого объекта без создания физической конструкции (макета). В то же время, значительно расширяется перечень тех операций, которые могут быть реализованы при работе с «цифровым двойником», то есть повышается эффективность результатов, которые ранее достигались за счет имитационного моделирования.

Более существенно то, что для «цифровых двойников» могут использовать самые современные информационные технологии, качественно повышающие ценность получаемой информации [5 -7]. К таким технологиям, в первую очередь, относятся:

а) обработка больших объемов данных (Big Data);

б) получение новых данных из доступной информации (Data Mining).

Большие данные позволяют увидеть и понять связи между фрагментами информации, которые до недавнего времени специалисты только пытались уловить. По мнению Д. Йонаса, эксперта компании IBM по большим данным, нужно позволить данным «говорить» [8, 9]. Это может показаться несколько тривиальным, так как уже с древних времен люди воспринимали данные в виде обычных ежедневных наблюдений, а последние несколько столетий - в виде формальных количественных единиц, которые можно обрабатывать с помощью сложнейших алгоритмов.

В цифровую эпоху стало проще и быстрее обрабатывать данные и мгновенно рассчитывать миллионы чисел. Но если речь идет о данных, которые «говорят», имеется в виду нечто большее. Большие данные диктуют три основных шага к новому образу мышления. Они взаимосвязаны и тем самым подпитывают друг друга:

- первый, способность анализировать все данные, а не довольствоваться их частью или статистическими выборками;

- второй, готовность иметь дело с неупорядоченными данными в ущерб точности;

- третий, изменение образа мыслей; это значит - доверять корреляциям, а не гнаться за труднодостижимой причинностью.

Аналитикам, которые работают с обычными выборками, трудно свыкнуться с беспорядочностью, которую они всю жизнь стремились предотвратить или искоренить. Статистики используют целый набор стратегий в целях снижения частоты появления ошибок при сборе выборок, а также для проверки выборок на наличие потенциальных систематических ошибок перед объявлением результатов. Этот набор стратегий включает в себя сбор выборок, который осуществляется специально обученными специалистами в соответствии с точным протоколом.

Реализация стратегий, направленных на сокращение числа ошибок, - дорогостоящая работа, даже при ограниченном количестве наборов данных. Что немаловажно, эти стратегии становятся невозможными в случае сбора данных в полном объеме - не только из-за чрезмерной стоимости, но и потому, что при таком масштабе вряд ли удастся равномерно соблюсти строгие стандарты сбора. И даже исключение человеческого фактора не решило бы проблему.

Таким образом, возникает реальная возможность оперировать при проведении исследований не только выборками, но и генеральной совокупностью [10], то есть всеми доступным данным, если такой подход представляется целесообразным. В результате заметно повышает ценность получаемых выводов. Кроме того, такой подход позволяет ввести так называемую таргетированную (целенаправленную) передачу информации, сформированную с учетом особенности исследуемого объекта или процесса.

Технологию «Data Mining» иногда определяют следующим образом [11]: «собирательное название, используемое для обозначения совокупности методов обнаружения в данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности».

Классическая задача применения технологии «Data Mining» ставится следующим образом:

- во-первых, имеется достаточно крупная база данных;

- во-вторых, предполагается, что в базе данных находятся некие «скрытые знания».

Необходимо разработать методы обнаружения знаний, скрытых в больших объёмах исходных «сырых» данных. В текущих условиях глобальной конкуренции именно найденные закономерности (знания) могут быть источником дополнительного конкурентного преимущества.

Что означает «скрытые знания»? Это должны быть обязательно знания:

а) ранее неизвестные - то есть такие знания, которые должны быть новыми (а не подтверждающими какие-то ранее полученные сведения);

б) нетривиальные - то есть такие, которые нельзя просто так увидеть (при непосредственном визуальном анализе данных или при вычислении простых статистических характеристик);

в) практически полезные - то есть такие знания, которые представляют ценность для исследователя или потребителя;

г) доступные для интерпретации - то есть такие знания, которые легко представить в наглядной для пользователя форме и легко объяснить в терминах предметной области.

Эти требования во многом определяют суть методов «Data Mining» и то, в каком виде и в каком соотношении в технологии «Data Mining» используются системы управления базами данных, статистические методы анализа и методы искусственного интеллекта. Применение технологии «Data Mining» тесно связано с реализацией систем искусственного интеллекта [12].

В современных условиях все более становится распространенной практика использования «цифровых двойников». На рисунке 3 показан цифровой двойник, в котором могут размещать информацию и пользоваться ею все участники рынка (в широком смысле этого термина) товаров и услуг.

В нижней части модели изображены пять участников рынка товаров и услуг, условно названных так: Разработчик, Производитель, Продавец, Покупатель и Ремонтник. Размещение информации может осуществляться автоматически и вручную. Такие же возможности характерны и для использования информации.

Рис. 3. Информационные каналы «цифрового двойника»

В нижней части рисунка 3 показаны два информационных канала, создаваемых при помощи «цифрового двойника». Информационный канал I устанавливается между Разработчиком и Покупателем. Между Производителем и Ремонтником создается информационный канал II. Для пяти участников рынка товаров и услуг может быть создано десять информационных каналов. Если необходимо выделить п участников рынка товаров и услуг, то максимально возможное количество информационных каналов определяется, согласно правилам комбинаторики, как 0,5» п»(п-1).

Наличие эффективных информационных каналов позволит повысить качество товаров и услуг. Кроме того, может быть получен значительный экономический эффект за счет автоматизации процессов сбора и обработки актуальной информации.

Таким образом, в настоящее время новые информационные технологии рассматриваются как средства, которые обеспечат быстрое развитие экономики, включая сферу услуг. Однако не исключено, что потенциальные возможности ряда новых информационных технологий преувеличены. Такая «эйфория» свойственна большей части инноваций, о чем свидетельствует история развития науки и техники.

Тем не менее, от каждой новой технологии остается ее «рациональное зерно». Таким «рациональным зерном» будут «цифровые двойники» - элементы концепции diaSpar. Они позволяют наладить эффективные связи между всеми участниками производства товаров и поддержки услуг.

Список источников

1. Выявление приоритетных научных направлений: междисциплинарный подход. //Отв. ред. И.Я. Кобринская, В.И. Тищенко. - М.: ИМЭМО РАН, 2016, 181 с.

2. Семенов С.С. Оценка качества и технического уровня сложных систем. Практика применения метода экспертных оценок. - М.: URSS, 2015, 352 с.

3. Мышкис А.Д. Элементы теории математических моделей. - М.: Книжный дом "Либриком", 2011, 192 с.

4. Erl T., Khattak W., Buhler P. Big Data Fundamentals: Concepts, Drivers & Techniques. - Prentice Hall, 2015, 218 p.

5. Han J., Kamber M., Pei J. Data Mining. Concept and Techniques. - Morgan Kaufmann Publishers, 2011, 703 p.

6. Thomas R.W., Friend D.H., DaSilva L.A., MacKenzie A.B. Cognitive Networks: Adap tation and Learning to Achieve End-to-end Performance Objectives. - IEEE Communications Magazine, Vol. 44, №12, 2006, pp. 51-57.

7. Васильев В. Таргетированная информация и защита персональных данных. - PC Week, 10 ноября 2011.

8. Вентцель Е.С. Теория вероятностей. - М.: издательский центр "Академия", 2005, 576 с.

9. Душкин Р.В. Искусственный интеллект. - СПб: ДМК Пресс, 2019, 280 с.

Размещено на Allbest.ru