Amazon Web Services ブログ

AWS のデジタルツイン:ビジネスの価値と成果を解き放つ

このブログは、Adam Rasheed、Seibou Gounteni、David Sauerwein によって書かれた Digital Twins on AWS: Unlocking business value and outcomes を翻訳したものです。

毎日、お客様から、デジタルツインを実装して、運用、製品の提供、およびエンドユーザーに提供されるビジネス価値を向上させたいという要望を聞いています。ツインの概念は新しいものではなく、 宇宙計画の初期にまでさかのぼります。1960 年代のアポロ 13 号のミッションは、ツインを使用して損傷した宇宙船の状態をモデル化し、宇宙飛行士を安全に地球に帰還する上で必要な問題解決を行う初期のユースケースになります。最近では、 製品ライフサイクル管理(PLM)に適用されるデジタルツインのコアアイデアは、2000 年代を通じてコンセプトを開発した Grieves と、2010 年にデジタルツインという用語を生み出した Vickers に一般的に起因しています。今日のお客様は、複雑な機器のエンジニアリング設計、3D 没入型環境、予知保全、産業施設の運用、精密医療、デジタル農業、製造、都市計画、そして最近ではメタバースタイプのアプリケーションなど、幅広いアプリケーションにデジタルツインを導入しようとしています。
ただし、課題は、デジタルツインという用語が仮想モデル、エンジニアリングシミュレーション、CAD モデル、IoT ダッシュボード、ゲーム環境などの従来の方法を説明するために広く適用されることが多いことです。これは、既存の方法の名前を変更するだけで新しいビジネス価値がどのように促進されるかを考えている顧客に混乱を引き起こしました。明確にするために、デジタルツインは、従来の方法の単なる新しいマーケティング用語ではなく、大規模なコンピューティング、モデリング方法、および IoT 接続の収束によって過去数年間でのみ実現可能になった新しいテクノロジーです。デジタルツインのジャーニーに出るとき、まず最初に始めるのは、デジタルツインとは何か、既存のモデリング手法をデジタルツインに統合する方法や、ビジネスユースケースから逆算して、ソリューションに適切なテクノロジーの導入方法を理解することです。

お客様がこのスペースをナビゲートできるように、実践者がユースケースを理解し、求めているビジネス価値を達成できるようにするフレームワークを開発しました。このフレームワークの最初のパートではデジタルツインの簡潔な定義、2 番目のパートは顧客がユースケースを分類してサービス、テクノロジー、データ、そしてデジタルツインを大規模に構築および展開するために必要なモデルを理解するのに役立つレベリングインデックスとなっています。
ブログシリーズのこの最初のパートでは、デジタルツインについて説明するための定義とレベリングインデックスに焦点を当て、各レベルのユースケースの例を示します。以降のブログでは、電気自動車の例を使って、各レベルを詳細に説明します。

デジタルツインの定義

お客様のデジタルツインの解釈を理解する中で、単一の物理コンポーネントの分析、機器の予知保全、プロセスのパフォーマンスの最適化、自動オペレーションを備えた工場の 3D 仮想ウォークスルー、およびその間のすべてなど、さまざまな概念を見つけました。これらすべてのアイデアに共通しているのは、デジタルツインは、現実世界の何かのデジタル表現で構成され、ライブデータで更新され、ビジネスの成果を促進するというものです。このような背景から、デジタルツインを次のように定義します。

デジタルツイン(DT)は、個々の物理システムの生きたデジタル表現であり、データで動的に更新されて、物理システムの実際の構造、状態、および動作を模倣し、ビジネスの成果を促進します。

デジタルツインの 4 つの重要な要素は、物理システム、デジタル表現、物理システムとデジタル表現の間の接続、およびビジネスの成果です。最初の要素である物理システム自体は、個々の物理エンティティ、物理エンティティの集合、物理プロセス、または人でさえあり得ます。また、生物学的、化学的、生態学的、またはその他のシステムである可能性があるため、産業システムである必要はありません。2 つ目は、モデル自体であるデジタル表現です。この場合、モデルとは、物理システムの構造(または構成)を表すために必要なデータモデルなどのデータの集合または、物理システムの現在の状態を表すのに役立つ IoT データダッシュボードだけを意味するのではありません。シミュレーションなどの物理システムの動作をエミュレートするモデルを意味します。これにより、入力を与えると、モデルは応答出力を返します。これは、3 番目の要素である接続性につながります。これは “living” という言及によって強調されています。デジタルツインになるには、モデルを物理システム(センサーなど)からのデータで定期的に更新する必要があります。検証済みのモデルは、ある時点での物理システムの動作のスナップショットを提供しますが、デジタルツインは、物理システムの動作が元の時間から大幅に変化するタイムスケールにモデルを拡張します。更新の頻度は、根本的な現象が発生する速度によって決まります。一部のユースケースではほぼリアルタイムの更新が必要ですが、他のユースケースでは週次の更新で十分です。最後に、デジタルツインは、特定の結果、つまりある種の経済的またはビジネス的価値を推進する必要があります。

デジタルツインと従来の 3D モデリング(CAD)、物理ベースのシミュレーション、仮想世界(3D/AR/VR)、ストリーミングセンサーデータの IoT ダッシュボード、現実的なゲーム環境などの既存のモデリング手法との主な違いは、デジタルシステムと物理システム間の情報の流れです。よくある誤解は、より複雑で忠実度の高い仮想表現がデジタルツインを作るものであるというものです。むしろ、重要なのは定期的な更新であり、ライフサイクル全体でのデータの収集方法とデジタルツインの構築方法に直接影響します。デジタルツインは、システムの新しい観測によって、システムの現在の状態を理解し、それ自体から学び、更新する(または更新可能にする)ために、データストリームを消費する必要があります。そして、システムの現在および将来の動作を予測できるようになります。

たとえば、ガスタービンブレードのデジタルツインは、温度と圧力の IoT データを取り込んで、オペレーション最中には観測できない数量である亀裂の長さを予測します。定期的なメンテナンスによる視覚的なボアスコープ検査の結果は、デジタルツインの更新に使用されます。次に、デジタルツインを使用して、さまざまな操作条件とメンテナンスシナリオでの亀裂成長率と残りの耐用年数(RUL)を予測し、オペレーターが最適な(交換部品の)発送スケジュールとメンテナンスプランを選択できるようにします。亀裂の長さや RUL などのデジタルツインからの出力は、ダッシュボード、亀裂をその場で示す 3D レンダリング、またはその他のコンテキスト関連の方法でユーザーに表示できます。CAD モデル、IoT ダッシュボード、3D レンダリング/没入型ウォークスルー、およびゲーム環境は、それ自体がデジタルツインではありません。これらは、デジタルツインソリューションの有用な視覚化ビルディングブロックを表しており、多くの場合、顧客のデジタルツインジャーニーの最初のステップを表しています。

なぜ今、デジタルツインの時代なのか?

デジタルツインの定義として、デジタルツインを大規模に開発および展開するために必要な 4 つの主要なテクノロジー(物理システムからのデータ、IoT 接続、モデリング手法、大規模コンピューティング)の理解から始めましょう。

最初の技術は測定と関係があります。特に IoT センサーでは、2010 年から 2020 年にかけて平均コストが 50% 低下しました。そして低下し続けています。わずか 10 年前は計測が高額でしたが、今ではコモディティ化しつつあります。これにより、さらに多くのデータを収集するセンサーが増え続けます。2 つ目は、このデータを送信して分析およびアクションを実行できるようにする機能です。ワイヤレス接続をプロキシとして見ると、2010 年には、1Mbps 未満の 3G がデファクトスタンダードでした。2010 年代を通じて、100Mbps の 4G100 Mbps で 4G に置き換えられ、現在では 10Gbps で 5G が標準になりつつあります。これは、伝送速度が 10000 倍以上向上しています。また、10 Gbps は、ほぼリアルタイム(<10ms のレイテンシ)で IoT データを収集するのに十分な速度であるため、IoT デバイスのマイルストーンしきい値になります。

デジタルツインの価値は、このデータを使用して実用的な洞察を導き出すことです。これは、モデリングと大規模なコンピューティングによって達成され、3 番目と 4 番目の主要なテクノロジーを表しています。ここでの「モデル」という用語は、複数のコンテキストで使用されます。将来の状態の予測や what-if シナリオプランニングを含むアプリケーションでは、流体の流れ、構造変形、生化学的プロセス、天気、およびロジスティクスのようなさまざまな現象(その振る舞い)を予測するための科学的モデリング手法が必要です。機械学習、ハイパフォーマンスコンピューティング、物理学に着想を得たニューラルネットワークなどのハイブリッドアプローチなどの方法は、利用可能な計算能力のために大規模に展開することが実用的になりつつあります。別のタイプのモデリングは、視覚化と現実的な没入型環境の作成に使用されます。過去 10 年間で、3D コンテンツを作成および操作するための空間コンピューティングのアルゴリズムの進歩により、没入型拡張現実、仮想現実、およびメタバースが可能になりました。

最後に、大規模コンピューティングの能力はクラウドによって大幅に実現されました。チップレベル自体だけでなく、チップをすべて接続して大規模にスケーラブルなクラウドコンピューティングを実現することで、大規模なオンデマンドコンピューティングがコモディティになりつつあるところまで、コンピューティング能力が飛躍的に向上することを確認しました。もはや政府や大企業に限らず、今では小さな新興企業や個人でさえ、必要なコンピューティングにアクセスして、革新、新製品やサービスの発明、そして私たちの日常生活の向上を実現できます。

レベリングインデックスでデジタルツインのユースケースにコンテキストを置く

お客様との話し合いの中で、さまざまな AWS サービス、テクノロジー、およびそれらを有効にするために必要なデータを必要とする幅広いユースケースが見つかりました。お客様がこのスペースをナビゲートできるように、4 レベル(1. Descriptive, 2. Informative, 3. Predictive, and 4. Living)のデジタルツインレベリングインデックスを開発しました。レベル 4 は、前述の定義と一致しています。レベル 1 から 3 は、さまざまなレベルの複雑さを持つさまざまなユースケースに適用され、それぞれが独自のビジネス価値を推進します。多くの点で、このレベリングインデックスは、L0 から L5 システムを使用する自動運転車の分野で見られるものに類似しています。ここで、L0 はマニュアル運転、L1 はクルーズコントロール、L5 はハンドルなしの本当の自動運転車です。顧客として、ユースケースを適切なレベルにマッピングすることは、ビジネス価値を加速し、将来の成長のためのロードマップを提供できる特定のサービスとパターンを理解するのに役立ちます。

L1 Descriptive は、エンジニアリング設計と物理システム(その構造)の視覚的表現に焦点を当てています。これは、2D エンジニアリング図(プロセス図や P&ID 図など)、ビルディングインフォメーションモデル(BIM)、または複雑で忠実度の高い 3D /AR/VR モデルの場合があります。また、1 次元分析、システムダイナミクス、数値流体力学、構造力学などのエンジニアリング解析も含まれます。目的は、物理システムとそのコンポーネントの設計を理解することです。

一般的なユースケースには、新しい設計の評価、ブラウンフィールドサイトの再構成の評価、およびさまざまなシナリオでの人材育成が含まれます。例として、L1 には、風力タービンのシステム分析、ブレード上の気流の CFD 分析、および風力タービン内部の 3D/VR レンダリングまたは没入型ウォークスルーが含まれます。エンジニアリング分析のユースケースについては、最適化された EC2 インスタンス(Hpc6a、C5n、C6i、P4dなど)の計算に加えて、AWS BatchAWS ParallelClusterElastic Fabric Adapter(EFA)Amazon FSx For LustreNICE EnginFrameNICE DCV などの主要な AWS ハイパフォーマンスコンピューティング(HPC)関連のサービスとソリューションがあります。没入型(AR / VR)のユースケースでは、お客様は 3D アセット管理や AR/VR トレーニング(MotiveInnoactive)、AR ワーカーアシスト(Scope AR)、没入型コラボレーション(Cavrnus)、XR ストリーミング(HoloLightNVIDIA CloudXR)、ロケーションベースのエクスペリエンス(Immersal)のためのパートナーソリューションがあります。

L2 Informative は、IoT センサーと物理システムからのメンテナンスデータの統合と、2D ダッシュボードや 3D コンテキスト視覚化(状態など)などのコンテキスト関連の方法でエンドユーザーに表示することに重点を置いています。これにより、エンドユーザーは物理システムの現在の状態を理解でき、アラームをトリガーするための簡単な分析を含めることができます。産業界では、これは、アセット構成、保守履歴そして、統一されたインターフェースに今後の作業指示を表示するために、エンタープライズ・アセット管理(EAM)またはエンタープライズ・リソース・プランニング(ERP)システムと統合された IoT およびアセット管理のドメインです。

一般的なユースケースは、リアルタイムの監視とアラーム、根本原因分析、および人材育成です。例として、L2 には、風力タービンの運転中にルールベースのアラームを使用してギアボックスの温度データを表示する IoT ダッシュボードまたは 3D レンダリングが含まれています。もう1つの例は、モバイルデバイス/タブレットを使用したり、修理中にARメガネを着用したりする技術者向けの、エンジニアリングデータとサービス履歴の拡張現実(AR)オーバーレイと、さらなる支援を提供するリモートの専門家に彼らが見ているものを遠隔からリアルタイムで見せる能力です。これは未来的に聞こえるかもしれませんが、今日起こっていいて、AWS パートナーの 1 つである Scope AR と協力して、この拡張現実の視覚的知識機能を航空宇宙、エネルギー、製造、ヘルスケア業界のエンドカスタマーに提供しています。L2 Informative アプリケーションの構築を検討している場合、主要な AWS サービスには AWS IoT TwinMakerAWS IoT CoreAWS IoT GreengrassAWS IoT SiteWiseAWS IoT AnalyticsAmazon QuickSightAmazon TextractAmazon RekognitionAmazon DynamoDB そして Amazon S3 が含まれます。

L3 Predictive は、未計測値の予測に焦点を当てています(たとえば、仮想センサー、機械学習ベースの異常検出)また、予測モデルを使用して、将来の動作が過去の動作と同じである継続的なオペレーションの下での将来の状態を理解します。これらのモデルは、科学的な第一原理、純粋にデータ駆動型(AI / ML などを使用)、もしくは 2 つのハイブリッドのいずれかに基づくことができます。

一般的なユースケースには、運用計画と予知保全(アセットパフォーマンス管理)、およびフリート管理が含まれます。例として、L3 には、ヘルス(仮想センサー)などの量を予測し、継続的な操作での残存有効期間(RUL)を予測するハイブリッドモデルが含まれています。モデルからの予測は、L1 からのコンテキスト関連の視覚化(2D ダッシュボード / 3D / AR / VR など)で表示できます。ユニークな例は農産物市場です。AWS は、お客様の 1 つである Descartes Labs をサポートしています。Descartes Labs は、衛星画像を使用して大陸規模で作物の健康状態を分析し、価格、需要と供給、その他の市場データを組み合わせて商品市場の予測を作成します。これらの予測は、エンドカスタマーが最適なヘッジまたは取引戦略を決定するために使用されます。これは、数百万ドルの節約または取引利益に簡単に変換できます。L3 Predictive アプリケーションを構築する場合、主要な AWS サービスには、産業用 AI ポートフォリオ(Amazon Lookout For EquipmentAmazon Lookout for VisionAmazon MonitronAWS Panorama)が含まれます。また、AWS High Performance Computing(HPC)関連のサービスAmazon SageMakerAWS Deep Learning AMI も同様に含まれ、さらに AWS Deep Learning Containers を使用して、独自のカスタム機械学習モデルを構築およびデプロイします。

L4 Living は、更新可能なモデルに焦点を当てて、必要に応じてフリートレベルに集約できる、個々のエンティティレベルで実用的なインサイトを推進します。L4 レベルは、デジタルツインの完全な定義と一致する、デジタルツインジャーニーの集大成を表しています。L3 Predictive と L4 Living の主な違いは、物理エンティティと環境からのデータに基づいてモデル自体を更新できることです。ビジネスの観点から、L4 デジタルツインのモデル更新機能は、物理システムの動作が大幅に変化するタイムスケールにその用途を拡張します。一方、L3 デジタルツインは、ある瞬間(またはその後の非常に短いタイムスケール)の予測に役立ちます。理解する 1 つの方法は、物理システムの変化がトレーニングデータセットに含まれていないため、履歴データでトレーニングされた予測モデルは、定義上、デプロイされた日には不正確であるということです。この不正確なモデルを前方予測に使用すると、実際には、エラーが大きく伝播し、時間の経過とともに予測が役に立たなくなります。

一般的なユースケースには、シナリオ(”what-if”)分析と、実行する最善のアクションに関する規範的なガイダンスが含まれます。例として、L4 には、予測の不確実性とともに風力タービンギアボックス RUL の予測が含まれています。モデル内のパラメーター(シャフトのミスアライメント、ベアリングの摩耗、潤滑膜厚など)は、IoT データに基づいて更新され、新品のときの初期状態ではなく、劣化した状態を正確に反映します。L4 Living デジタルツインの構築は、さまざまな確率的推定方法(今後のブログで説明します)を使用して行うのが最適です。必要なコア AWS サービスは、 Amazon EC2Amazon S3Amazon DynamoDBAWS LambdaAmazon SageMaker AWS Deep Learning AMI、そして AWS Deep Learning Container です。

デジタルツインの次は?

今日、お客様の多くはまだデジタルツインの旅の初期段階にあります。彼らは、異なるソース間でデータを接続し、ダッシュボードまたは没入型環境(L2 DT)でそのデータをコンテキストに応じて視覚化できるように懸命に取り組んでいます。現在まで、最初のアプリケーションは高度にカスタマイズされており、ジェットエンジン、発電所、産業施設の運用など、価値の高いユースケースにのみ経済的に意味があります。今後数年間で、AWS IoT TwinMaker などのサービスがコストを削減し、デプロイを簡素化することを期待しています。このコモディティ化により、日常のコンテキスト視覚化の幅広いユースケースで採用が促進されます。並行して、高度な予測モデリング手法(L4 DT)が、対象となる高価値のユースケースでより簡単に利用できるようになることも期待されます。現在、これらの方法は学術文献で利用可能であり、ニッチな R&D チームによって使用されています。最終的には、これらの方法も主流になり、日常のユースケースに簡単に適用できるようになり、誰でも L4 living デジタルツインを作成できるようになります。この L4 DT ジャーニーを開始するために、お客様が探索を開始できるように、オープンソースのコードを公開し、今後のブログで説明します。

まとめ

このブログでは、デジタルツインの AWS 定義の概要と、お客様がユースケースを分類するのに役立つ L1 – L4 レベリングインデックスを提供しました。今後のブログでは、電気自動車(EV)の例を紹介して、L1 DescriptiveL2 Informative、L3 Predictive、および L4 Living デジタルツインを紹介します。

著者について

Adam Rasheed 博士は、AWS の自律コンピューティングの責任者であり、自律システムの HPC-ML ワークフローの新しい市場を開発しています。彼は、航空、エネルギー、石油およびガス、再生可能エネルギー業界でのデジタルツインの開発を含む、産業分野とデジタル分野の両方にまたがる中期ステージの開発で 25 年以上の経験があります。Rasheed 博士はカリフォルニア工科大学で博士号を取得しました。そこでは、実験的な超高速大気熱力学(軌道再突入加熱)を研究しました。MIT Technology Review Magazine によって「世界のトップ 35 イノベーター」の 1 人として認められ、航空学における初期のキャリア貢献に対して業界賞である AIAA ローレンススペリー賞も受賞しました。彼は、産業分析、運用最適化、人工リフト、パルスデトネーション、超音波、衝撃波誘起混合、宇宙医学、およびイノベーションに関連する 32 以上の特許と 125 以上の技術出版物を発行しています。

このブログはソリューションアーキテクトの戸塚智哉が翻訳しました。