最近的 麦肯锡报告发现，75%的大型企业正在投资数字孪生技术以扩展其人工智能解决方案。将数字孪生与人工智能相结合，有潜力提高大型语言模型的有效性，并为实时监控的人工智能开辟新的应用，提供重大的商业和运营效益。
什么是数字孪生？
数字孪生最初是为辅助复杂机械设计而开发，在过去二十年中已经显著发展。它们通过处理设备遥测数据，实时跟踪和分析现场系统，检测变化的条件，并为运营经理提高情境感知能力。依靠内存计算，它们能够快速发出可操作的警报。除了实时监控，数字孪生还可以模拟航空和物流等复杂系统，通过预测分析支持战略规划和运营决策。
将数字孪生与生成式人工智能整合，为这两种技术创造了新的机遇：这种协同作用可以提高生成式人工智能的预测准确性，并增强数字孪生在系统监控和开发中的价值。
利用人工智能驱动的数字孪生主动识别异常
对于管理复杂现场系统（如交通网络、网络安全系统和智慧城市）的组织来说，持续的实时监控是一项战略性必需。新出现的问题绝不能被忽视，因为延迟响应可能导致小问题演变成大问题。
用生成式人工智能增强数字孪生，重新塑造了实时监控对海量实时数据的解读方式，使得能够可靠且即时地检测影响运营的异常情况。生成式人工智能可以持续检查数字孪生生成的分析结果，发现新兴趋势并在问题升级前缓解干扰。虽然人工智能提高了管理者的情境意识，但它还可以指出优化运营和提高效率的新机会。
与此同时，数字孪生提供的实时数据限制了生成式人工智能的输出，以避免出现不稳定的结果，如幻觉。在检索增强生成的过程中，人工智能始终使用关于现场系统的最新信息来分析行为并提供建议。
通过人工智能驱动的可视化转变数据交互
从数字孪生分析中获取洞察应该是直观的，而非技术性的。生成式人工智能正在重新定义团队与海量数据集的交互方式，通过支持自然语言驱动的查询和可视化。用户不再需要手动构建复杂查询，只需描述需求，生成式人工智能就能立即可视化相关图表和查询结果，提供新的洞察。这种能力简化了交互，并为决策者提供所需数据。随着组织处理越来越复杂的现场系统，人工智能驱动的智能使他们能够高效地筛选海量数据池，提取有意义的趋势，并以更高精度优化运营。它消除了技术障碍，实现更快速、数据驱动的具有战略影响力的决策。
结合机器学习的自动再训练
数字孪生可以跟踪众多个别数据流，并寻找对应物理数据源的问题。数千甚至数百万个数字孪生协同工作，可以监控非常大型和复杂的系统。随着消息流入，每个数字孪生将其与特定数据源的已知信息相结合，并在几毫秒内分析数据。它可以整合机器学习算法以辅助分析，发现那些难以用手工编码算法描述的微妙问题。经过实时运营数据训练后，机器学习算法可以立即识别异常并为运营经理生成警报。
一旦部署用于分析实时遥测数据，机器学习算法很可能遇到初始训练集未涵盖的新情况。它可能无法检测异常或产生误报。自动再训练使算法能够在获得经验的过程中学习，从而提高性能并适应不断变化的条件。数字孪生可以协同工作，检测无效的机器学习响应并构建新的训练集，以支持自动再训练。通过引入自动再训练，企业获得竞争优势，实现可靠的实时监控，随着时间推移持续提供可操作的洞察。
展望未来
将数字孪生技术与生成式人工智能和机器学习整合，可以通过赋能更好的实时洞察，使管理者能够做出更快、更明智的决策，从而改变行业监控复杂现场系统的方式。 ScaleOut软件新发布的数字孪生
第4版增加了使用OpenAI大型语言模型的生成式人工智能和自动机器学习再训练功能，朝着全自主运营的目标迈进。
（图片来源：Unsplash）
本文最初发表于利用人工智能增强的数字孪生改变实时监控，原文来自人工智能新闻。
