La IA generativa y los gemelos digitales pueden revolucionar el funcionamiento de las organizaciones. La IA generativa podría agilizar el despliegue de gemelos digitales, mientras que los gemelos digitales podrían refinar y validar los resultados de la IA generativa.
Cada una de estas tecnologías ha demostrado su valor en una amplia gama de sectores y casos de uso.
Los gemelos digitales -representaciones virtuales reutilizables de activos, personas o procesos y sus entornos que simulan estrategias y optimizan comportamientos- son una poderosa herramienta que puede ayudar a las organizaciones a mejorar la toma de decisiones basada en datos. Al construir escenarios de situaciones y resultados del mundo real, pueden proporcionar información que sirva como sistema de alerta temprana, prediciendo acontecimientos y la probabilidad de que ocurran. También proporcionan un laboratorio digital libre de riesgos para probar diseños y opciones, mejorando la eficiencia y el tiempo de comercialización, por ejemplo, optimizando la programación, la secuenciación y el mantenimiento.
Gen AI describe algoritmos que pueden utilizarse para crear contenidos, como audio, código, imágenes, texto, simulaciones y vídeos. Al igual que ocurre con los gemelos digitales, la IA gen está revolucionando los procesos y actividades empresariales de múltiples maneras, y cada día se conciben nuevas aplicaciones de IA gen; el impacto en la productividad y el potencial económico se multiplica con cada una de ellas.
En la actualidad, el 75% de las grandes empresas están invirtiendo activamente en gemelos digitales para ampliar las soluciones de IA. Cada tecnología tiene un potencial inmenso, y juntas podrían desbloquear billones en valor económico total.
La IA generativa y los gemelos digitales se elevan y refuerzan mutuamente.
Los gemelos digitales y la IA generativa pueden utilizarse en combinación para desbloquear conocimientos y elevar su valor respectivo. He aquí algunos ejemplos.
Un modelo universal
Construir un gemelo digital, especialmente para aplicaciones muy especializadas (como la programación de la producción multimáquina o el enrutamiento de vehículos), puede llevar mucho tiempo y consumir muchos recursos. A menudo, el esfuerzo implica diseñar y desarrollar nuevos modelos de gemelos digitales, un proceso que puede durar seis meses o más e incurrir en importantes costes de mano de obra, informática y servidores. Aprovechando una plataforma de desarrollo de software como GitHub, los grandes modelos lingüísticos (LLM) pueden crear código para el gemelo digital, lo que acelera el proceso de desarrollo y aumenta la eficacia. Esta capacidad de generar tales resultados conduce a una perspectiva apasionante: Los LLM podrían utilizarse para crear una solución de gemelo digital generalizada -un modelo universal fundacional- que facilite el diseño y sirva de punto de partida para desarrolladores de proyectos de gemelos digitales e incluso de sectores.
La arquitectura de un gemelo digital puede representarse como nodos y aristas en un grafo de series temporales, lo que permite a los LLM basados en grafos (como GNN-LM, TextGNN, GIANT y SimTeG) crear un modelo básico de gemelo, cuyo diseño puede ampliarse y adaptarse a diversos escenarios e industrias.1 Por ejemplo, en el contexto de una futura ciudad inteligente, diversos elementos urbanos -como sistemas de tráfico, servicios públicos y sensores medioambientales- podrían alimentar a los LLM, que podrían identificar y crear conexiones potenciales entre nodos en un grafo. Esto sentaría las bases para simular y predecir interacciones e impactos a lo largo del tiempo.2
Recogida, transferencia y aumento de datos
Los gemelos digitales se nutren de grandes volúmenes de datos (a menudo en tiempo real) procedentes de diversas fuentes, cuya gestión puede resultar complicada. Los LLM ofrecen capacidades avanzadas de "incrustación",3 lo que significa que pueden comprimir los datos de forma significativa conservando la información esencial. En un entorno de fabricación, por ejemplo, la inteligencia artificial genérica podría organizar los datos de los registros de mantenimiento, las imágenes de los equipos y los vídeos operativos. Un gemelo digital podría analizar estos datos, identificar patrones o anomalías que podrían no ser evidentes a partir de datos no estructurados por sí solos, e informar la toma de decisiones y las estrategias de mantenimiento predictivo.5
Además, las herramientas de IA genérica pueden complementar los conjuntos de datos de entrenamiento utilizados por los gemelos digitales mediante la creación de datos sintéticos. Por ejemplo, un conjunto de registros de mantenimiento puede no incluir un defecto concreto. Gen AI podría crear un conjunto de datos sintéticos que incluya el defecto para que el gemelo digital esté entrenado para reconocerlo en el futuro.
Interfaz
Los gemelos digitales generan un gran volumen de datos sobre activos, personas o procesos y sus entornos. Los LLM multimodales (como Gemini y GPT-4V) pueden analizar e interpretar eficazmente grandes conjuntos de datos y sintetizar conocimientos. Además, los LLM pueden generar escenarios más completos para que el gemelo digital los simule. De este modo, los LLM (como OptiGuide o Vertex) pueden funcionar como una interfaz para los simuladores, permitiendo a los usuarios comunicarse con los gemelos digitales a través del lenguaje natural (por ejemplo, haciendo preguntas y recibiendo a cambio ideas comprensibles).6 Este método facilita la interacción con un sistema complejo, haciéndolo más accesible a los usuarios que carecen de amplios conocimientos técnicos, y facilita la toma de decisiones basada en datos.
Controles y equilibrios
Gen AI no sólo mejora las capacidades de los gemelos digitales, sino que también utiliza los datos en tiempo real de los gemelos digitales como fuente de contexto adicional, lo que hace que las entradas (como la ingeniería rápida) sean mucho más dinámicas. Con almacenes de datos sólidos y contextualizados, los gemelos digitales proporcionan un entorno seguro en el que Gen AI puede "aprender" y ampliar el alcance de las indicaciones y los resultados. Mediante simulaciones "hipotéticas" ejecutadas por gemelos digitales, los usuarios pueden afinar la IA gen y permitirle realizar modelos predictivos, a diferencia de la visión retrospectiva que ofrecen la mayoría de los LLM. Por último, el motor de restricciones de los gemelos digitales puede validar las capacidades de la IA gen y aumentar su precisión limitando las respuestas únicamente a las regiones factibles, lo que ayuda a que las respuestas de la IA gen se adhieran a los límites físicos u otras restricciones. Por ejemplo, después de que los copilotos de gen AI generen un código para apoyar una pieza de maquinaria, el gemelo digital puede validar el código antes de que se despliegue para garantizar que funciona dentro de los parámetros preestablecidos (como la temperatura de la maquinaria o la velocidad de salida). Aunque esta capacidad aún se encuentra en las primeras fases de desarrollo, existe un inmenso potencial y un valor futuro sustancial para una amplia variedad de casos de uso.
Para aprovechar las sinergias hay que mitigar ciertos riesgos
Los líderes pueden mitigar los riesgos asociados a las herramientas de IA estableciendo unos principios claros, un marco de orientación y un compromiso de uso seguro. El uso genérico de la IA conlleva un potencial de imprecisiones y sesgos, por lo que es importante garantizar que las herramientas estén optimizadas para la privacidad y los datos regulados. Es necesaria una amplia diligencia para evaluar los valores y las medidas de seguridad de terceros antes de iniciar el desarrollo. Durante el proceso de desarrollo, es importante considerar cuidadosamente los supuestos y simplificaciones de los modelos para garantizar que los resultados estén contextualizados. La supervisión continua también es fundamental porque los modelos imprecisos son propensos a producir resultados engañosos que es poco probable que el propio modelo señale. Esto puede evitarse garantizando que los gemelos digitales y la IA genérica se construyan sobre una base de datos de gran volumen y alta calidad. Antes de crear un gemelo digital, es importante tener un caso de uso empresarial claro para el gemelo y disponer de datos seguros y de calidad.
La IA generativa puede plantear problemas éticos, sobre todo en lo que respecta a la privacidad y la seguridad de los datos. Estos riesgos son más frecuentes en sectores sensibles que manejan información personal identificable (IPI). Para hacer frente a estos retos es necesario prestar especial atención a la protección de los datos y a la obtención ética de los datos de entrenamiento. Del mismo modo, mantener una cultura de aprendizaje y desarrollo continuos de los sistemas de IA será importante a medida que las herramientas de IA sigan evolucionando y avanzando. La formación adaptativa periódica, la mejora de los circuitos de retroalimentación y la educación de los usuarios son fundamentales para el éxito y el cumplimiento de las normas legales y sociales.
La relación simbiótica entre los gemelos digitales y la IA gen aumenta su escalabilidad, accesibilidad y asequibilidad combinadas. Esta nueva frontera permitirá a las organizaciones innovadoras y dinámicas mejorar su ventaja y permitirá a las organizaciones rezagadas alcanzar a la competencia.
