Видение концепции Цифровой Двойник в терминах «Индустрии 5.0». Агентный планировщик и симулятор

Вводная

Если разбираться в тонкостях применимости понятия цифровой двойник к разным сущностям от человека до планеты, то любой заинтересованный человек будет активно защищать – применимость, а незаинтересованный скорее всего будет говорить про – неприменимость. Для себя я определил интересные области применимости ЦД, это сущности которые имеют под собой процессы планирования. Вначале попробуем разобраться с терминологией Индустрии 4.0, те самые хайповые определения, в них я не буду затрагивать AR/VR и аддитивные технологии (3д печать) – каждый раз себе представляю человека сидящего в шлеме VR перед 3Д принтером =)

Терминология

IIoT платформа собирает Big data
IioT даёт данные для ЦД
ЦД нужен для единой удобной точки доступа к оперативным данным и данным предиктивного анализа работы тех самых обученных ML и нейронок. (Вполне резонный вопрос напрашивается – если в Scada на мнемосхемы выводить результаты работы предиктивной модели, станет ли она от этого ЦД?)
Big data нужна для ML ( обучение ^[1] простых и сложных алгоритмов ИИ ( scikit-learn, boosting, нейроночки, deep learning, трансформеры, LLM)
Обученные модели могут использоваться и как отдельные ИИ агенты и как блоки с входами и выходами в имитационных моделях.

ЦД. Имитационные модели > (симуляторы)

Всевозможные виды компаний имеющих планирования, можно разделить на такие основные блоки (процессов) которые могут быть интересны в создании имитационных моделей и единого ЦД Компани:

• Продажи

• Бюджетирование

• Кадры (HR процессы)

• Снабжение (логистика)

• Отгрузка (логистика

• Когда снабжение отгрузка сложные – превращается в управление цепочками поставок

• Складская логистика

• Производство

• Контроль качества

• Обслуживание и ремонты

Каждая из них может описываться отдельной имитационной моделью, имеющей связи с другими. С одной стороны это так называемое интегрированное планирование. А с другой симулятор компании.
Имитационная модель может строиться как человекочитаемыми блоками, так и черными ящиками ввиде отдельных мини-моделек ML/DS соединённых последовательно. Иногда их называют гибридными моделями, иногда суррогатными:
https://habr.com/ru/companies/etmc_exponenta/articles/663578/
^[2] ML/DS модельки могут заменять как небольшие блоки имитационной модели, так и условно весь блок Продаж целиком и выдавать некие результаты в ответ на входящие данные.
Построив различные имитационные модели, мы получаем симуляторы разного уровня интегрированности, вплоть до симулятора компании. И можем меняя различные стартовые значения моделей производить симуляции сценариев “что если”.
Сообственно для валидации м улучшения качества работы имитационных моделей и нужны фактические данные. Чтобы понимать где ошибка ^[3]. План-факт анализ. Цикл Деминга для повышения качества имитационных моделей(симуляторов)

ЦД. Планирование

Вручную перебирать варианты “что-если” конечно интересно, но скорее всего крайне утомительно, особенно если это интегрированная имитационная модель.
Тут то и появляется возможность для автоматизации и далее автономизации процесса при помощи мультиагентов.
Тут нужно в очередной раз разделить понятия агент ИИ и просто агент. ИИ агент это некий сложный алгоритм который тяжел с точки зрения ^[4] используемых вычислительных ресурсов и способен выполнять сложные действия (аналогия с RPA роботами автомитации процессов). Просто агенты это лёгкие с точки зрения ресурсов сущности, которые придают сущностям планирования некую разумность. То есть заказы, ресурсы и задачи выступают не как некое множество над которыми производят действия какие то центральные сущности. А у каждого заказа, ресурса и задачи появляется свой индивидуальный простой агент, с несложной логикой ^[5].
У заказов появляются агенты, агенты заказов создают агенты ресурсов и задач потребностей ^[6], а у станков, роботов и других объектов необходимых для решения задач – появляются агенты возможностей.
Далее эти агенты начинают производить аукционы и переговоры используя при этом внутреннюю виртуальную или реальную валюту. Перестраивают расписания если агент заказа видит что может продать купленные ресурсы другому агенту заказа. По каждой договоренности появляется контракт.
https://www.kg.ru/library/articles/smart-factory/ ^[7]

ЦД. Планировщик + симулятор

Видов аукционов и поведения ^[8] агентов существует большое множество (ниже добавил список книг с теорией). Как из них выбрать лучшие? Как найти универсальный или какой то набор определенных аукционов и поведения ^[9] агентов для разных блоков даёт лучшие результаты?

Для всего этого нужен непрерывный цикл тот самый Деминга, только мы запускаем в отличие от классического план-факт анализа – живую систему которая старается максимизировать метрики в нее заложенные. Различные алгоритмы и подходы над запуском настроек правил симуляции. Получение результатов, оценка, изменение настроек и новый запуск

Геймеры – это новая нефть

Ещё одним возможным способом поиска решений кроме использования алгоритмов – является реализация игр для простых пользователей, любящих сложные симуляторы, с возможностью получать реальные деньги или пускай даже крипту, за нахождение лучших результатов. Человек отыгрывает своего рода роль директора компании с использованием реальных настроек алгоритмов описанных выше, но с добавлением игровых моментов вроде 3д объектов и всяких случайных событий, чтобы это было все же игрой и в нее было интересно играть. Эдакий Digital Twin Tycoon =)
Поиск решений при помощи лояльных пользователей продукта.

Литература

• An introduction to multiagent systems – Michael Woodridge

• Multiagent systems (algorithmic, game-theoretic and logical foundations) – Yoav Shoham

• Как управлять сложными системами – Ржевский, Скобелев

• Статьи по теме https://www.kg.ru/library/articles/ ^[10]