最近的 麥肯錫報告發現，75%的大型企業正在投資數字孿生技術以擴充套件其人工智慧解決方案。將數字孿生與人工智慧相結合，有潛力提高大型語言模型的有效性，併為實時監控的人工智慧開闢新的應用，提供重大的商業和運營效益。
什麼是數字孿生？
數字孿生最初是為輔助複雜機械設計而開發，在過去二十年中已經顯著發展。它們透過處理裝置遙測資料，實時跟蹤和分析現場系統，檢測變化的條件，併為運營經理提高情境感知能力。依靠記憶體計算，它們能夠快速發出可操作的警報。除了實時監控，數字孿生還可以模擬航空和物流等複雜系統，透過預測分析支援戰略規劃和運營決策。
將數字孿生與生成式人工智慧整合，為這兩種技術創造了新的機遇：這種協同作用可以提高生成式人工智慧的預測準確性，並增強數字孿生在系統監控和開發中的價值。
利用人工智慧驅動的數字孿生主動識別異常
對於管理複雜現場系統（如交通網路、網路安全系統和智慧城市）的組織來說，持續的實時監控是一項戰略性必需。新出現的問題絕不能被忽視，因為延遲響應可能導致小問題演變成大問題。
用生成式人工智慧增強數字孿生，重新塑造了實時監控對海量實時資料的解讀方式，使得能夠可靠且即時地檢測影響運營的異常情況。生成式人工智慧可以持續檢查數字孿生生成的分析結果，發現新興趨勢並在問題升級前緩解干擾。雖然人工智慧提高了管理者的情境意識，但它還可以指出最佳化運營和提高效率的新機會。
與此同時，數字孿生提供的實時資料限制了生成式人工智慧的輸出，以避免出現不穩定的結果，如幻覺。在檢索增強生成的過程中，人工智慧始終使用關於現場系統的最新資訊來分析行為並提供建議。
透過人工智慧驅動的視覺化轉變資料互動
從數字孿生分析中獲取洞察應該是直觀的，而非技術性的。生成式人工智慧正在重新定義團隊與海量資料集的互動方式，透過支援自然語言驅動的查詢和視覺化。使用者不再需要手動構建複雜查詢，只需描述需求，生成式人工智慧就能立即視覺化相關圖表和查詢結果，提供新的洞察。這種能力簡化了互動，併為決策者提供所需資料。隨著組織處理越來越複雜的現場系統，人工智慧驅動的智慧使他們能夠高效地篩選海量資料池，提取有意義的趨勢，並以更高精度最佳化運營。它消除了技術障礙，實現更快速、資料驅動的具有戰略影響力的決策。
結合機器學習的自動再訓練
數字孿生可以跟蹤眾多個別資料流，並尋找對應物理資料來源的問題。數千甚至數百萬個數字孿生協同工作，可以監控非常大型和複雜的系統。隨著訊息流入，每個數字孿生將其與特定資料來源的已知資訊相結合，並在幾毫秒內分析資料。它可以整合機器學習演算法以輔助分析，發現那些難以用手工編碼演算法描述的微妙問題。經過實時運營資料訓練後，機器學習演算法可以立即識別異常併為運營經理生成警報。
一旦部署用於分析實時遙測資料，機器學習演算法很可能遇到初始訓練集未涵蓋的新情況。它可能無法檢測異常或產生誤報。自動再訓練使演算法能夠在獲得經驗的過程中學習，從而提高效能並適應不斷變化的條件。數字孿生可以協同工作，檢測無效的機器學習響應並構建新的訓練集，以支援自動再訓練。透過引入自動再訓練，企業獲得競爭優勢，實現可靠的實時監控，隨著時間推移持續提供可操作的洞察。
展望未來
將數字孿生技術與生成式人工智慧和機器學習整合，可以透過賦能更好的實時洞察，使管理者能夠做出更快、更明智的決策，從而改變行業監控複雜現場系統的方式。 ScaleOut軟體新發布的數字孿生
第4版增加了使用OpenAI大型語言模型的生成式人工智慧和自動機器學習再訓練功能，朝著全自主運營的目標邁進。
（圖片來源：Unsplash）
本文最初發表於利用人工智慧增強的數字孿生改變實時監控，原文來自人工智慧新聞。
