디지털 트윈: 디지털 트윈을 사용해야 하는 시기와 이유

[힘힘]

디지털 트윈: 디지털 트윈을 사용해야 하는 시기와 이유

디지털 트윈은 성장과 혁신을 주도할 수 있습니다. 이를 사용하면 회사에 이익이 될 수 있는지 확인하는 방법은 다음과 같습니다.

2024년 4월 30일작성자: Mickael Brossard , Mithun Kamat , Tomás Lajous , Kayvaun Rowshankish 및 Cenk Tunasar

이 블로그 게시물은 디지털 트윈에 관한 3부작 시리즈 중 두 번째 게시물입니다. 첫 번째 게시물에서는 생성 AI와 디지털 트윈이 어떻게 강력한 결합을 이루는지 설명했습니다. 시리즈의 세 번째 게시물에서는 생성 AI와 디지털 트윈을 사용하여 고객 경험을 향상할 수 있는 방법에 대한 심층적인 사례 연구를 살펴보겠습니다.

대부분의 사람들은 디지털 트윈을 고려할 때 혁신적인 신제품을 개발하는 데 사용되는 시각화 및 시뮬레이션 도구를 생각합니다. 해양 석유 플랫폼, 경주용 범선, 고급 자동차 엔진, 호텔, 기차역 등은 고급 디지털 시뮬레이션을 사용하여 설계되고 개선된 것들 중 일부에 불과합니다.

이러한 용도는 디지털 트윈이 달성할 수 있는 것의 일부를 나타냅니다. 디지털 트윈을 디자이너, 엔지니어, 제조업체를 위한 도구라기보다는 거의 모든 조직이 가장 귀중한 자원인 정보를 최적화하여 달성할 수 있는 한계를 지속적으로 확장할 수 있는 실험실로 생각하는 것이 도움이 됩니다. 데이터를 사용하여 실제 상황을 반영함으로써 디지털 트윈을 배포하여 공급망, 대중 교통 시스템 및 조립 라인을 포함한 거의 모든 복잡한 프로세스 또는 시스템을 생성, 미세 조정 또는 완전히 재구성할 수 있습니다.

예를 들어, 한 글로벌 소매업체는 최근 비용 절감, 서비스 최적화, 지속 가능성 향상을 목표로 공급망을 재고하기 시작했습니다. 이는 재고 포지셔닝, 제품 흐름 최적화, 공급 계획, 탄소 배출 등 다양한 핵심 수단을 최적화하는 것과 관련된 복잡한 문제였습니다. 조직의 방대한 양의 실시간 데이터를 활용하여 팀은 글로벌 공급망 운영(제조 시설, 화물 및 화물 운영, 제3자 계약자, 유통 센터로 구성된 광범위한 시스템)의 디지털 트윈을 만들었습니다. 디지털 복제본을 통해 소매업체는 하루에 50개 이상의 시나리오를 테스트하고 공급망을 따라 크고 작은 다양한 선택에 대한 잠재적인 결과를 검토할 수 있었으며 모두 실제 중단 없이 이루어졌습니다. 디지털 트윈에 내장된 최적화 엔진은 그 동안 사용자에게 정보에 입각한 권장 사항을 제공했습니다. 궁극적으로 회사는 일련의 최적화된 결정을 내려 탄소 배출량을 7% 감소시키고 고객 주문이 적시에 접수되도록 5% 개선했습니다.

디지털 트윈은 엄청난 가치를 제공하지만 올바른 상황에서만 가능합니다.

분명히 디지털 트윈은 NASA 엔지니어들이 초기 디지털 모델을 사용하여 아폴로 우주선의 시뮬레이션을 테스트했던 1960년대 이후로 큰 발전을 이루었습니다. 점점 더 많은 조직이 이 기술에 흥미를 갖고 이를 채택할 방법을 모색하고 있다는 것도 분명합니다. 그러나 디지털 트윈이 비즈니스 문제에 대한 일률적인 솔루션이 아니라는 점을 이해하는 것이 중요합니다. 디지털 트윈은 모방하려는 시스템 및 개체만큼 복잡하고 미묘하며 특정 상황에서만 가치를 제공할 수 있습니다. 그렇다면 기업은 디지털 트윈을 언제 어디서 구현할지 어떻게 결정할 수 있습니까? 찾아야 할 몇 가지 주요 특성이 있습니다.

• 높은 비용과 실제 수익이 걸려 있는 고위험 지역. 해결해야 할 문제는 상당한 투자를 보장할 만큼 충분히 관련성이 있어야 합니다. 디지털 트윈을 구축하려면 상당한 노력과 자원이 필요하며 기업은 이러한 노력에서 가치를 얻을 수 있다는 확신을 가져야 합니다.
• 복잡하거나 역동적인 환경. 일부 제품과 시스템은 너무 복잡해서 비효율성과 그 근본 원인을 식별하기 어렵습니다. 예를 들어, 공급망에서 한 요소의 변경은 시간이 지남에 따라 나타나는 2차 또는 3차 효과로 이어질 수 있습니다. 이것이 디지털 트윈의 이점을 누릴 수 있는 상황입니다. 보다 직접적이고 명백한 원인과 결과의 사슬을 특징으로 하는 보다 단순한 환경은 보다 표준적인 형태의 조사 및 분석을 통해 수동으로 최적화될 수 있습니다.
• 고품질 데이터의 가용성. 디지털 트윈은 실제 상대를 정확하게 표현하고 기본 제품, 시스템 또는 프로세스를 시뮬레이션하기 위해 상당한 양의 고품질 데이터가 필요합니다. 문제를 해결하려면 모든 문제 매개변수에 걸쳐 데이터 세트가 강력하고 신뢰할 수 있어야 합니다. 불완전하거나 결함이 있는 데이터는 쌍둥이의 효율성을 약화시키거나 심지어 파멸시킬 수도 있습니다.
• 시뮬레이션되는 환경이 반복됩니다. 디지털 트윈은 다변수 문제를 반복적으로 시뮬레이션하고 최적화하기 위해 사용 및 재사용이 가능하도록 제작되었습니다. 단일 변수의 일회성 최적화를 해결하는 것이 목표라면 최적화 모델이 디지털 트윈보다 더 잘 작동할 것입니다.

이러한 요구 사항이 충족되면 디지털 트윈은 상당한 영향을 미칠 수 있습니다. 예를 들어, 한 선도적인 반도체 제조업체는 느리게 진행되고 비효율적인 설계 및 생산 프로세스에 의존했기 때문에 반복적으로 입찰에서 실패했습니다. 이는 즉각적으로 뚜렷한 근본 원인이 없는 매우 위험하고 복잡한 문제였으며, 바로 디지털 트윈이 해결하는 데 가장 적합한 문제였습니다. 이 회사는 과거 데이터를 사용하여 AI와 기계 학습을 활용하여 잠재적인 설계에 대한 여러 시뮬레이션을 신속하게 실행하는 디지털 트윈을 구축했습니다. 이 프로세스를 통해 출시 기간을 단축하고 최초의 올바른 설계를 최대 25%까지 증가시키는 통찰력이 생성되었습니다. 이전에는 전통적인 방법을 사용하고 몇 시간이 걸렸던 수동 물리 모델에 소요되는 시간이 딥 러닝 대체 모델 생성을 통해 몇 초로 단축되면서 엔지니어링 역량이 20% 향상되었습니다.

기본 전제 조건(실행 가능한 비즈니스 사례, 고품질 데이터, 지속적인 운영 수요 포함)을 충족하더라도 디지털 트윈은 결코 확실한 것이 아닙니다. 디지털 트윈은 여러 가지 이유로 전달에 실패할 수 있습니다. 일반적인 함정 중 하나는 기술 구성 요소의 잘못된 구성으로 인해 디지털 트윈의 시뮬레이션과 통찰력의 정확성과 신뢰성이 손상될 수 있다는 것입니다. 또한 시간이 지남에 따라 시장 상황, 기술 발전 또는 조직 우선순위가 바뀌기 때문에 비즈니스 사례와 디지털 트윈의 장기적인 생존 가능성이 제한될 수 있습니다. 마지막으로, 디지털 트윈에 대한 지속적인 유지 관리 및 업데이트가 부족하면 점진적인 노후화로 이어질 수 있습니다. 이러한 과제는 디지털 트윈 이니셔티브의 지속적인 성공을 보장하기 위한 전체적인 계획, 지속적인 평가, 민첩한 적응 전략의 중요성을 강조합니다.

다음 단계로 나아가기

비즈니스 목표에 대한 명확한 이해와 구현에 대한 세심한 노력을 통해 디지털 트윈은 새로운 가능성의 영역을 열어줄 수 있습니다. 방대한 양의 정형 및 비정형 데이터를 분석하고 사용자 친화적인 인터페이스를 통해 통찰력을 생성하는 능력을 갖춘 생성적 AI의 출현은 그 가능성을 더욱 강화할 것을 약속합니다(이 시리즈의 첫 번째 게시물인 " 디지털 트윈 및 생성적 AI: " 참조). 강력한 페어링 ”). 회사에 성과를 저해하는 복잡하고 까다로운 문제가 있는 경우 이 기술은 고려해 볼 가치가 있습니다.

Mickael Brossard는 McKinsey 파리 사무소의 파트너입니다. Mithun Kamat은 달라스 사무실의 파트너입니다. Tomás Lajous 와 Kayvaun Rowshankish는 뉴욕 사무소의 수석 파트너입니다. Cenk Tunasar는 보스턴사무소의 파트너입니다.

기술로 돌아가기: 앞으로

디지털 트윈과 생성 AI: 강력한 결합

생성적 AI와 디지털 트윈을 함께 사용하면 조직의 운영 방식에 혁명을 일으킬 수 있습니다. Gen AI는 디지털 트윈 배포를 간소화할 수 있고, 디지털 트윈은 Gen AI 출력을 개선하고 검증할 수 있습니다.

2024년 4월 11일작성자: Alex Cosmas , Guilherme Cruz, Sebastian Cubela, Mark Huntington , Sohrab Rahimi 및 Sanchit Tiwari

업계 전반에 걸쳐 많은 조직이 다양한 사용 사례를 지원하기 위해 뚜렷한 가치 제안과 엄청난 가능성을 지닌 두 가지 기술인 디지털 트윈 과 생성 AI(gen AI)를 별도로 구현하고 있습니다. Gen AI는 디지털 트윈의 입력을 구조화하고 출력을 합성할 수 있으며, 디지털 트윈은 Gen AI를 위한 강력한 테스트 및 학습 환경을 제공할 수 있습니다. 이러한 기술을 결합함으로써 조직은 비용을 절감하고 배포를 가속화하며 자체적으로 제공할 수 있는 것보다 훨씬 더 많은 가치를 제공하는 시너지 효과를 창출할 수 있습니다.

공유하다

사이드바

McKinsey의 AI인 QuantumBlack 소개

이 블로그는 디지털 트윈에 관한 3부작 시리즈 중 첫 번째입니다. 향후 게시물에서는 디지털 트윈을 사용해야 하는 시기와 이유를 살펴보고 Gen AI와 디지털 트윈을 사용하여 고객 경험을 향상하는 방법에 대한 심층적인 사례 연구를 탐구할 것입니다.

디지털 트윈과 Gen AI의 가치가 입증되었습니다

이러한 각 기술은 광범위한 산업 및 사용 사례에서 그 가치를 입증했습니다.

디지털 트윈 (전략을 시뮬레이션하고 행동을 최적화하는 자산, 사람 또는 프로세스와 환경의 재사용 가능한 가상 표현)은 조직이 데이터 기반 의사 결정을 개선하는 데 도움이 될 수 있는 강력한 도구입니다. 실제 상황과 결과에 대한 시나리오를 구성함으로써 조기 경보 시스템 역할을 하는 통찰력을 제공하고 사건과 사건 발생 가능성을 예측할 수 있습니다. 또한 설계 및 옵션을 테스트하고 일정 관리, 순서 지정 및 유지 관리를 최적화하여 효율성과 출시 기간을 단축할 수 있는 위험 없는 디지털 실험실을 제공합니다.

Gen AI는 오디오, 코드, 이미지, 텍스트, 시뮬레이션, 비디오 등 콘텐츠를 만드는 데 사용할 수 있는 알고리즘을 설명합니다. 디지털 트윈과 마찬가지로 Gen AI는 다양한 방식으로 비즈니스 프로세스와 활동을 혁신하고 있으며 Gen AI의 새로운 애플리케이션이 매일 구상되고 있습니다. 생산성과 경제적 잠재력에 미치는 영향은 각각 증가합니다.

현재 대기업의 75%가  AI 솔루션 확장을 위해 디지털 트윈에 적극적으로 투자하고 있습니다. 각 기술은 엄청난 잠재력을 갖고 있으며, 이를 함께 활용하면 총 수조 달러의 경제적 가치를 창출할 수 있습니다.

생성적 AI와 디지털 트윈은 서로를 향상시키고 강화합니다.

디지털 트윈과 Gen AI를 결합하여 통찰력을 얻고 각각의 가치를 높일 수 있습니다. 다음은 몇 가지 예입니다.

보편적인 모델

특히 고도로 전문화된 애플리케이션(예: 다중 기계 생산 일정 또는 차량 라우팅)을 위한 디지털 트윈을 구축하는 것은 시간이 많이 걸리고 리소스 집약적일 수 있습니다. 이러한 노력에는 종종 새로운 디지털 트윈 모델의 설계 및 개발이 수반되는데, 이 프로세스에는 6개월 이상이 소요되고 상당한 인건비, 컴퓨팅 및 서버 비용이 발생할 수 있습니다. GitHub와 같은 소프트웨어 개발 플랫폼을 활용하면 LLM(대형 언어 모델)이 디지털 트윈용 코드를 생성하여 개발 프로세스를 가속화하고 효율성을 높일 수 있습니다. 이러한 결과를 생성하는 능력은 흥미로운 전망으로 이어집니다. LLM은 설계를 용이하게 하고 디지털 트윈 프로젝트 전반에 걸쳐 개발자를 위한 출발점 역할을 하는 기본적이고 보편적인 모델인 일반화된 디지털 트윈 솔루션을 만드는 데 사용될 수 있습니다. 산업.

디지털 트윈의 아키텍처는 시계열 그래프의 노드와 에지로 표현될 수 있으므로 그래프 기반 LLM(예: GNN-LM, TextGNN, GIANT 및 SimTeG)이 트윈의 기본 모델을 생성할 수 있습니다. 그런 다음 다양한 시나리오와 산업에 맞게 구축하고 조정할 수 있습니다. 1 예를 들어, 미래의 스마트 시티 환경에서는 교통 시스템, 공공 시설, 환경 센서와 같은 다양한 도시 요소가 LLM에 입력되어 그래프의 노드 간 잠재적인 연결을 식별하고 생성할 수 있습니다. 이는 시간 경과에 따른 상호 작용과 영향을 시뮬레이션하고 예측하기 위한 기반을 마련합니다. 2

데이터 수집, 전송 및 확대

디지털 트윈은 관리하기 어려울 수 있는 다양한 소스의 대용량(종종 실시간) 데이터를 기반으로 발전합니다. LLM은 고급 "임베딩" 기능을 제공합니다. 즉 , 필수 정보를 유지하면서 데이터를 대폭 압축할 수 있습니다. 따라서 디지털 트윈에서 효율적인 데이터 전송 및 처리가 가능합니다. 4 예를 들어 제조 환경에서 Gen AI는 유지 관리 로그, 장비 이미지 및 운영 비디오의 데이터를 구성할 수 있습니다. 디지털 트윈은 이 데이터를 분석하고, 구조화되지 않은 데이터만으로는 명확하지 않을 수 있는 패턴이나 이상 현상을 식별하고, 의사 결정 및 예측 유지 관리 전략을 알릴 수 있습니다. 5

또한 Gen AI 도구는 합성 데이터를 생성하여 디지털 트윈에서 사용하는 데이터 교육 세트를 보완할 수 있습니다. 예를 들어, 유지 관리 로그 집합에는 특정 결함이 포함되지 않을 수 있습니다. Gen AI는 결함이 포함된 합성 데이터 세트를 생성하여 디지털 트윈이 향후 결함을 인식하도록 훈련할 수 있습니다.

상호 작용

디지털 트윈은 자산, 사람 또는 프로세스와 해당 환경에 대한 대량의 데이터를 생성합니다. 다중 모드 LLM(예: Gemini 및 GPT-4V)은 대규모 데이터 세트를 효율적으로 분석 및 해석하고 통찰력을 종합할 수 있습니다. 또한 LLM은 보다 포괄적인 시뮬레이션을 위해 디지털 트윈에 대한 시나리오를 생성할 수 있습니다. 이러한 방식으로 LLM(예: OptiGuide 또는 Vertex)은 시뮬레이터용 인터페이스로 작동하여 사용자가 자연어를 통해 디지털 트윈과 통신할 수 있도록 합니다(예: 질문을 하고 그 대가로 이해할 수 있는 통찰력을 얻음). 6 이 방법은 복잡한 시스템과의 상호 작용을 용이하게 하여 광범위한 기술 전문 지식이 부족한 사용자가 더 쉽게 액세스할 수 있도록 하고 데이터를 기반으로 한 의사 결정을 촉진합니다.

견제와 균형

Gen AI는 디지털 트윈 기능을 향상시킬 뿐만 아니라 디지털 트윈의 실시간 데이터를 추가 컨텍스트의 소스로 사용하여 입력(예: 프롬프트 엔지니어링)을 훨씬 더 동적으로 만듭니다. 강력하고 상황에 맞는 데이터 저장소를 통해 디지털 트윈은 AI가 "학습"하고 프롬프트와 출력의 범위를 넓힐 수 있는 안전한 환경을 제공합니다. 디지털 트윈이 실행하는 "가상" 시뮬레이션을 통해 사용자는 Gen AI를 미세 조정하여 대부분의 LLM이 제공하는 주로 과거를 바라보는 관점과 달리 예측 모델링을 수행할 수 있습니다. 마지막으로, 디지털 트윈 제약 엔진은 Gen AI 기능을 검증하고 Gen AI의 답변이 물리적 한계 또는 기타 제약 조건을 준수하도록 지원하여 가능한 영역으로만 답변을 제한함으로써 Gen AI 정확도를 높일 수 있습니다. 예를 들어, Gen AI 부조종사가 기계 부품을 지원하는 코드를 생성한 후 디지털 트윈은 코드가 배포되기 전에 코드를 검증하여 사전 설정된 매개변수(예: 기계 온도 또는 출력 속도) 내에서 작동하는지 확인할 수 있습니다. 이 기능은 아직 개발 초기 단계에 있지만 다양한 사용 사례에 대한 엄청난 잠재력과 실질적인 미래 가치가 있습니다.

시너지 효과를 얻으려면 특정 위험을 완화해야 합니다.

리더는 명확한 원칙 , 지침 프레임워크, 안전한 사용에 대한 약속을 확립하여 AI 도구와 관련된 위험을 완화할 수 있습니다 . Gen AI 사용에는 부정확성과 편견이 발생할 가능성이 있으므로 도구가 개인 정보 보호 및 규제 데이터에 최적화되어 있는지 확인하는 것이 중요합니다. 개발을 시작하기 전에 제3자의 가치와 보안 조치를 평가하려면 광범위한 노력이 필요합니다. 개발 프로세스 중에 모델의 가정과 단순화를 신중하게 고려하여 출력이 상황에 맞게 처리되도록 하는 것이 중요합니다. 부정확한 모델은 모델 자체가 표시할 가능성이 없는 잘못된 결과를 생성하기 쉽기 때문에 지속적인 모니터링도 중요합니다. 이는 디지털 트윈과 Gen AI가 대용량 및 고품질 데이터를 기반으로 구축되도록 보장함으로써 피할 수 있습니다 . 디지털 트윈을 구축하기 전에 트윈에 대한 명확한 비즈니스 사용 사례와 안전한 고품질 데이터를 확보하는 것이 중요합니다.

생성적 AI는 특히 데이터 개인 정보 보호 및 보안과 관련하여 윤리적 문제를 제기할 수 있습니다. 이러한 위험은 개인 식별 정보(PII)를 처리하는 민감한 산업에서 가장 널리 퍼져 있습니다. 이러한 문제를 해결하려면 데이터 보호에 세심한 주의를 기울이고 교육 데이터를 윤리적으로 소싱해야 합니다. 마찬가지로, AI 도구가 계속 발전하고 발전함에 따라 AI 시스템의 지속적인 학습 및 개발 문화를 유지하는 것이 중요할 것입니다. 정기적인 적응형 교육, 피드백 루프 개선, 사용자 교육은 성공과 법적 및 사회적 표준 준수를 유지하는 데 매우 중요합니다.

---

디지털 트윈과 Gen AI 간의 공생 관계는 확장성, 접근성 및 경제성의 결합을 증가시킵니다. 이 새로운 개척지는 혁신적이고 역동적인 조직이 자신의 이점을 향상시키고 뒤처진 조직이 경쟁을 따라잡을 수 있게 해줄 것입니다.

Alex Cosmas 와 Guilherme Cruz는 McKinsey 뉴욕 사무소의 파트너입니다. Sebastian Cubela는 마이애미 사무실의 파트너입니다. Mark Huntington 은 시카고 사무실의 파트너이며 Sanchit Tiwari 는 선임 수석 데이터 과학자입니다. Sohrab Rahimi는 뉴저지사무소의 파트너 파트너입니다.

1 Jiadi Du 및 Tie Luo, "디지털 트윈 그래프: IoT 지원 세계의 자동화된 도메인 독립적 구성, 융합 및 시뮬레이션", arXiv, 2023년 4월 20일.
2 Chi Han 외, "그래프의 대규모 언어 모델: 종합 조사," arXiv, 2024년 2월 1일.
3 "임베딩", OpenAI, 2024년 3월 25일 액세스.
4 Yongming Wang 외, "6G를 위한 무선 네트워크 디지털 트윈: 핵심 구현자로서의 생성 AI", arXiv, 2023년 11월 29일.
5 Nasser Jazdi 외, "자율 시스템을 향하여: 대규모 언어 모델 에이전트로 강화된 유연한 모듈식 생산 시스템", arXiv, 2023년 7월 24일.
6 Beibin Li 외, "공급망을 위한 대형 언어 모델 최적화,” arXiv, 2023년 7월 13일.