處于網絡邊緣的自主數字雙胞胎關于SWIMAI發布的思考

自主智能是所有“物聯網”應用程序的未來。為了驅動這種智能，開發人員正在將“數字孿生”的架構概念推向越來越多的邊緣設備。

從本質上講，數字孿生驅動分析，指導物理實體對其環境進行不斷的調整。顧名思義，數字孿生是反映特定物理實體的數據結構，從而可以通過遠程連接或通過自治的本地操作來幫助管理它們。

本質上，數字孿生描述了擁有物聯網連接的某些物理設備的當前配置，狀態，狀況，行為，位置和其他屬性。它匯總，管理和分析其連接物聯網的物理對象發出的傳感器數據。

它還支持數據驅動功能，例如與該模擬實體相對的閉環仿真，監視，維護，診斷，修復和其他生命周期管理功能。

盡管數字雙胞胎已經在工業物聯網中扎根，但這種做法的適用性并不限于該領域。根據它們的嵌入位置和分析智能技術的復雜程度，數字雙胞胎可以執行許多數據驅動的實時優化功能：

在車間的物理設備上，它們可以預測性地管理設備性能，防止故障并提高效率和吞吐量。

在路由器，控制器和其他網絡設備上，它們可以預測性地優化帶寬，維持服務質量并保證服務水平協議指標。

在訪問設備，群集服務器，存儲區域網絡和其他企業信息技術資產上，它們可以預測性地維護所有組件的高可用性，可靠性和安全性。

在運輸集裝箱，倉儲系統，長途卡車以及其他物流和供應鏈系統上，它們可以預測性地確保實時資產跟蹤，有效處理，質量保證和按時交貨。

在智慧城市基礎設施上，他們可以預測性地確保公共事業，公共交通，應急響應和其他關鍵系統可以預測性地適應不斷變化的天氣，交通和其他條件。

在移動設備上，他們可以預測性地確保智能虛擬助手通過嵌入個性化配置文件信息，環境上下文，興趣圖等來滿足用戶的興趣。

嵌入機器學習智能是數字雙胞胎有效執行傳感器驅動的預測，模式識別和其他算法專長的關鍵。在ML管道中，注入了傳感器的數字孿生提供了訓練數據的關鍵來源，該數據使得能夠不斷調整邊緣嵌入式智能。

考慮到所有這些，Wikibon注意到了數字孿生初創公司SWIM.AI，該公司最近退出了隱身模式，宣布其SWIM EDX解決方案已全面上市。該產品提供了輕量級的駐留設備的ML驅動軟件，該軟件可根據邊緣設備本地收集的傳感器數據即時進行ML驅動的減少，分析和預測。在邊緣設備上本地運行的自訓練數字孿生在網格體系結構中互操作，以支持各種自治，協作和其他邊緣智能方案。

網格管理跨SWIM的數字孿生技術的分布式設備的實時動態狀態信息。 當這些分布式數字雙胞胎了解網狀結構中正常的數據流模式與異常的數據流模式時，他們可以自適應地識別關鍵事件，發現隱藏的模式，預測未來的行為并自主觸發單個或多個協作邊緣設備上的快速動作。

該公告是物聯網基礎設施發展中的一個重要里程碑，在物聯網基礎設施中，更多的AI被嵌入到邊緣設備中，這些設備通過Wikibon所謂的“聯合”方法進行動態的自我培訓。使用實時流數字雙胞胎技術來構建和訓練邊緣駐留ML的操作優勢是不可否認的。其中包括提高ML上下文準確性，減少手動ML培訓的需求以及節省數據帶寬，存儲和云處理成本。

Wikibon最近 在我們每周的“行動項目”電話中討論了數字孿生技術，希望這種基于數字雙胞胎的方法成為日益增長的邊緣智能市場的標準。很高興看到SWIM與許多部門的客戶和合作伙伴緊密合作，以將其動態自適應邊緣智能帶入許多現實世界的基礎架構和應用程序中。