Optimiziranje resursa za profitabilnost: Da li je digitalna tehnologija blizanaca neophodna?
Vrijednost svake tehnologije na kraju leži u mogućnosti optimizacije troškova i resursa. Sposobnost preduhitrivanja ishoda daje uzgajivačima hrane prednost predviđanja koja se onda može primijeniti u stvarnom životu. Primjer primjene i komercijalizacije Digital Twin tehnologije u stvarnom životu je mehanizam model koji je razvio Tom De Swaef na Univerzitetu Gantt. Belgijska kompanija 2Grow koristi ovaj model za mjerenje varijacija u protoku vode i debljini stabljike u biljkama paradajza. The ciljevi kompanije smanjiti 20% površine utrošene na biljnu proizvodnju.
It još uvijek nije jasno da li se zajednica trudi da usvoji digitalne blizance u svom poslovanju. Štaviše, može se tvrditi da u većini slučajeva tehnologija digitalnih blizanaca zapravo nije neophodna. Napredak u mašinskom učenju omogućio je predviđanje ključnih događaja bez izgradnje punog modela za koji bi bile potrebne velike količine visokokvalitetnih podataka do kojih je takođe skupo. Kao uzgajivač hrane koji želi da predvidi određena svojstva, fokusiranje na mjerenje i praćenje ključnih promjena može biti sve što je potrebno za izgradnju uspješnog prediktivnog modela. Štaviše, ovo je dramatično pristupačnije, što ga čini dostupnim za proizvođače hrane koji treba da vide trenutni ROI na implementaciju prediktivnih modela.
Na primjer, ako uzgajate krompir, važno je imati indikatore za štetočine kao što je bolest kasne plamenjače, uzrokovana gljivičnim organizmom koji u kratkom periodu može dovesti do propadanja usjeva ako se ne preduzmu odgovarajuće mjere kontrole. Za ovu vrstu međurednih useva na velikim hektarima otvorenog polja, kamere postavljene na sisteme za navodnjavanje sa osovinom mogu efikasno i efektivno identifikovati bolesti ili probleme. Podaci potrebni za stvaranje digitalnog blizanca za otvoreno polje krompira koštali bi čitavo bogatstvo, a kreiranje cijelog modela u takvom obimu da se dobije uvid koji se može dobiti jednostavnijom i pristupačnijom tehnologijom, jednostavno nema smisla.
- Video igrica SimCity se pojavila 90-ih godina kada su igrači postali heroji svog vlastitog grada dok su dizajnirali i digitalno kreirali prekrasnu, užurbanu metropolu. Premotajte naprijed 30 godina i imamo tehnologiju za kreiranje nevjerovatno tačnih digitalnih prikaza stabala, farmi ili voćnjaka iz stvarnog svijeta. Baš kao što u SimCity-u možemo simulirati kako bi se metropola razvijala na osnovu onoga u šta „ulažemo“ unutar igre, sada možemo kreirati simulacije kako će biljka rasti u različitim scenarijima – pomažući nam da fino podesimo poljoprivredne napore s neviđenom dalekovidošću.
- Digitalni blizanac je digitalni prikaz stvari iz stvarnog svijeta. Može se koristiti za daljinsko praćenje prave 'stvari'. Da bi se obezbijedio tačan i realističan surogat za blizanca iz stvarnog svijeta, digitalni blizanac mora biti informiran o podacima putem digitalnog mjerenja stvarnog entiteta. U poljoprivredi to mogu biti podaci koji dolaze putem alata kao što su senzori tla, slike biljaka, vremenski podaci itd.
- Nova digitalna reprezentacija, ili digitalni blizanac, treba da odražava cjelokupni poljoprivredni napor: fizička sredstva, procese, sisteme, resurse, sve. Zauzvrat, ovo nam omogućava da simuliramo, planiramo, analiziramo i poboljšamo poljoprivredne procese u dosad nezamislivom obimu. Međutim, da li je zaista neophodno da uzgajivači hrane implementiraju ovu skupu sofisticiranu tehnologiju – ili mogu dobiti uvid koji im je potreban od pristupačnijih i pristupačnijih senzora koji će im pomoći da prate i predvide ključne rezultate?
Rast i usvajanje digitalnih blizanaca i njihov potencijal u poljoprivredi
Gartner predviđa da će do 2021. godine polovina velikih industrijskih kompanija koristiti digitalni blizanci, što će dovesti do 10% poboljšanja efektivnosti za te organizacije. Međutim, koncept digitalnih blizanaca postoji već decenijama. Više od 30 godina timovi za inženjering proizvoda i procesa koriste 3D prikaze računarski dizajn (CAD) modeli, modeli sredstava i simulacije procesa kako bi se osigurala i potvrdila proizvodnost. Na primjer, NASA je desetljećima vodila složene simulacije svemirskih letjelica. Međutim, inovacije u mašinskom učenju i veštačkoj inteligenciji stavljaju koncept digitalnog blizanca u prvi plan, stvarajući veliku reklamu kao remetilački trend sa širim uticajem u bliskoj budućnosti.
Kada su u pitanju poljoprivredni procesi, korištenje Digital Twins-a kao centralno sredstvo za upravljanje farmama može omogućiti odvajanje fizičkih tokova od njegovog planiranja i kontrole. Kao rezultat toga, farmeri mogu upravljati operacijama na daljinu na osnovu digitalnih informacija (skoro) u realnom vremenu umjesto da se moraju oslanjati na direktno posmatranje i ručne zadatke na licu mjesta. To im omogućava da odmah djeluju u slučaju (očekivanih) odstupanja i da simuliraju efekte intervencija na osnovu podataka iz stvarnog života. Na primjer, digitalni blizanac voćnjaka mogao bi upozoriti voćnjak na prekomjerno navodnjavanje, a da taj farmer ne mora pregledati voćnjak.
Ideja a digitalni voćnjak je izuzetno atraktivan za poljoprivrednike koji razumiju radno intenzivnu prirodu praćenja, predviđanja i kontrole zdravlja voćaka i kvaliteta njihove berbe. Naučnici sa Univerziteta Kvinslend razvili su model za voćnjak sa spororastućim usevima poput manga i makadamije. Ovo može omogućiti korisnicima da brzo isprobaju nove ideje i steknu uvid o tome kako najbolje optimizirati proizvodne sisteme. Istraživači na projektu naglasili su kako ove trenutne simulacije mogu posebno koristiti usjevima koji sporo rastu kao što su voćke.
Postoje specifični slučajevi upotrebe u kojima ima financijskog smisla izgraditi digitalni blizanac, kao što je za uzgoj biljaka, gdje bi vam model mogao omogućiti da rano predvidite da li određena sorta nije komercijalno održiva. Ali u mnogim slučajevima, nema potrebe da razbijete orah maljem.
- Raviv Itzhaky je suosnivač i CTO kompanije Prospera Technologies, vodeći u tehničkoj viziji kompanije o transformaciji načina na koji se hrana uzgaja koristeći nauku o podacima i AI. Svoju stručnost u razvoju algoritama, matematici i mašinskom učenju koristi za rješavanje problema iz stvarnog svijeta. Prije Prospere, Raviv je razvio algoritme u kompaniji za kibernetičku sigurnost BioCatch i radio je kao inženjer za obradu signala u IDF-u. Diplomirao je fiziku i magistrirao primijenjenu fiziku na Hebrejskom univerzitetu.
