Verschiedene Modelle
Für die Implementierung eines digitalen Zwillings können verschiedene Modelltypen gewählt werden. Sie unterscheiden sich vor allem bei ihrer Modellgenauigkeit, der Modelltransparenz und ihrer Komplexität. Welches Modell sich für welchen Anwendungsfall eignet, ist nicht pauschal zu beantworten und muss im Einzelfall bestimmt werden.
Das mathematisch-physikalische Modell bietet die Möglichkeit, auf Basis weniger Lerndaten und fester Regeln Einblicke in Prozesse zu gewinnen. Die Ergebnisse, die durch eine mathematische Funktion oder einen Computeralgorithmus dargestellt werden, sind zuverlässig, verständlich und in der Regel kostengünstig im Betrieb. Allerdings ist die Entwicklung des Modells aufwendiger und die Prozesse, auf die es angewendet werden kann, hängen vom eingebrachten Domänenwissen ab.
Dynamischer und anpassungsfähiger sind KI-Modellierungen. Die Methode ist zudem kostengünstiger in der Entwicklung und erfordert weniger Vorwissen zur spezifischen Aufgabe. Für Anwendungsfälle, zu denen eine große Datenbasis vorliegt, ist sie besonders geeignet. Es gilt, je mehr Daten, desto genauer die Ergebnisse. In der Modellkomplexität, die durch die großen Datenmengen erreicht werden kann, liegt jedoch zugleich der Schwachpunkt. Die Ergebnisse von KI-Modellierungen sind zwar in der Regel sehr genau, die zugrundeliegende Entscheidungslogik bleibt jedoch häufig im Dunkeln und schränkt daher die Ableitung von Management- und Strategieentscheidungen ein Stück weit ein.
Allerdings gibt es auch Kombinationen aus beiden Modelltypen. Dafür wird zunächst ein mathematisches Modell entwickelt, das auf Basis vorhandenen Domänenwissens die Prozesse grob erfasst. Im nächsten Schritt wird dieses Modell durch eine KI erweitert. Die KI korrigiert Abweichungen, schließt Lücken und liefert genauere und transparentere Ergebnisse. Je trainierter das Modell ist, desto genauer die Erkenntnisse. Entwicklungskosten und -aufwand sind dabei leicht erhöht, die Wartungskosten dafür oft geringer.
Prozesse verstehen
Der Erfolg der Implementierung hängt unabhängig vom Modell davon ab, wie tief das Verständnis der zugrundeliegenden Prozesse ist und wie viele Daten, etwa Domänenwissen sowie empirische Daten und Sensordaten vorhanden sind. Dafür muss eine Konnektivität zwischen einzelnen Objekten bestehen und Betrieb bzw. Wartung steuerungsfähig sein. Unternehmen, die Mut zum Experimentieren, ein agiles Mindset, geeignete Hard- und Prozessinfrastrukturen und eine robuste Police in den Bereichen Sustainability und Digital Responsibility mitbringen, sind gerüstet, die Vision des digitalen Zwillings voranzubringen. Im Ergebnis kommen diese Firmen dem Zielbild eines datengetriebenen Unternehmens näher, das mit positiven Kosten-, Zeit- und Nachhaltigkeitseffekten verbunden ist.
www.mhp.com