处于网络边缘的自主数字双胞胎关于SWIMAI发布的思考

自主智能是所有“物联网”应用程序的未来。为了驱动这种智能，开发人员正在将“数字孪生”的架构概念推向越来越多的边缘设备。

从本质上讲，数字孪生驱动分析，指导物理实体对其环境进行不断的调整。顾名思义，数字孪生是反映特定物理实体的数据结构，从而可以通过远程连接或通过自治的本地操作来帮助管理它们。

本质上，数字孪生描述了拥有物联网连接的某些物理设备的当前配置，状态，状况，行为，位置和其他属性。它汇总，管理和分析其连接物联网的物理对象发出的传感器数据。

它还支持数据驱动功能，例如与该模拟实体相对的闭环仿真，监视，维护，诊断，修复和其他生命周期管理功能。

尽管数字双胞胎已经在工业物联网中扎根，但这种做法的适用性并不限于该领域。根据它们的嵌入位置和分析智能技术的复杂程度，数字双胞胎可以执行许多数据驱动的实时优化功能：

在车间的物理设备上，它们可以预测性地管理设备性能，防止故障并提高效率和吞吐量。

在路由器，控制器和其他网络设备上，它们可以预测性地优化带宽，维持服务质量并保证服务水平协议指标。

在访问设备，群集服务器，存储区域网络和其他企业信息技术资产上，它们可以预测性地维护所有组件的高可用性，可靠性和安全性。

在运输集装箱，仓储系统，长途卡车以及其他物流和供应链系统上，它们可以预测性地确保实时资产跟踪，有效处理，质量保证和按时交货。

在智慧城市基础设施上，他们可以预测性地确保公共事业，公共交通，应急响应和其他关键系统可以预测性地适应不断变化的天气，交通和其他条件。

在移动设备上，他们可以预测性地确保智能虚拟助手通过嵌入个性化配置文件信息，环境上下文，兴趣图等来满足用户的兴趣。

嵌入机器学习智能是数字双胞胎有效执行传感器驱动的预测，模式识别和其他算法专长的关键。在ML管道中，注入了传感器的数字孪生提供了训练数据的关键来源，该数据使得能够不断调整边缘嵌入式智能。

考虑到所有这些，Wikibon注意到了数字孪生初创公司SWIM.AI，该公司最近退出了隐身模式，宣布其SWIM EDX解决方案已全面上市。该产品提供了轻量级的驻留设备的ML驱动软件，该软件可根据边缘设备本地收集的传感器数据即时进行ML驱动的减少，分析和预测。在边缘设备上本地运行的自训练数字孪生在网格体系结构中互操作，以支持各种自治，协作和其他边缘智能方案。

网格管理跨SWIM的数字孪生技术的分布式设备的实时动态状态信息。 当这些分布式数字双胞胎了解网状结构中正常的数据流模式与异常的数据流模式时，他们可以自适应地识别关键事件，发现隐藏的模式，预测未来的行为并自主触发单个或多个协作边缘设备上的快速动作。

该公告是物联网基础设施发展中的一个重要里程碑，在物联网基础设施中，更多的AI被嵌入到边缘设备中，这些设备通过Wikibon所谓的“联合”方法进行动态的自我培训。使用实时流数字双胞胎技术来构建和训练边缘驻留ML的操作优势是不可否认的。其中包括提高ML上下文准确性，减少手动ML培训的需求以及节省数据带宽，存储和云处理成本。

Wikibon最近 在我们每周的“行动项目”电话中讨论了数字孪生技术，希望这种基于数字双胞胎的方法成为日益增长的边缘智能市场的标准。很高兴看到SWIM与许多部门的客户和合作伙伴紧密合作，以将其动态自适应边缘智能带入许多现实世界的基础架构和应用程序中。