数字孪生可以理解如何优化供应链建模

图数据库专家Neo4j的 Maya Natarajan描述了如何使用基于知识图的数字孪生技术来更好地管理供应链。

越来越多的首席信息官 (CIO) 看到了数字孪生的潜力。数字孪生正在真实世界资产的软件中创建虚拟、高度详细和忠实的复制品，例如工厂或城市的一部分。

然而，许多 CIO 都在努力优化复杂的供应链，尤其是目前。我们的世界已经受到大流行的打击，面临地缘政治紧张局势，这给紧密相连但脆弱的供应链带来了巨大压力。好消息是，知识图谱和数字孪生技术形式的技术可以提供对供应链优化的见解。

知识图谱已经存在了将近 50 年。他们主要在学术界憔悴，直到 2012 年，谷歌宣布在其搜索引擎背后使用知识图谱。从那时起，分析、数据科学、机器学习和人工智能 (AI) 的融合产生了对知识图谱的需求。这是因为他们有能力使这些技术中的每一种都更好、更智能、更具预测性。

最基本的知识图谱是一个相互关联的数据集，富含意义或语义。它允许其用户推理基础数据并将其用于复杂的决策。

知识图之所以有效，是因为它们的图数据库模式。原因在于 SQL 和关系在支持查询方面的固有局限性。

这也取决于您要在供应链环境中使用的数据的特定形状。

从大数据到小而广的数据？

当今世界的数据有各种形式和大小，但 CIO 发现拥有最深刻洞察力的数据绝非易事。包含最深刻见解的数据是复杂的、相互关联的，并且可以是深度分层和递归的。事实上，100 次中有 99 次是隐藏的。在大流行之前，我们曾经谈论过大数据。现在，转向了 Gartner 所称的“小型和广泛”数据。小而宽的数据提供了更多的上下文，尤其是对于机器学习程序，这就是我们需要解决的问题。

事实是 Small and Wide 无法用传统技术进行分析。当这样复杂的数据被摄取到属性图存储中时，数据之间的关系被编码。这些关系为数据提供了第一级上下文。在图表中，这种“动态上下文”意味着图表会随着新信息的动态添加而增长并变得越来越丰富。

对于知识图谱，从存储中读取关系并查询图就像遍历图一样简单。团队可以添加第三个元素，语义，以获得完整的知识图，以及算法和其他工具。事实是，使用图形技术创建丰富的、反应性的复杂性表示非常容易，就像供应链的数字孪生一样。

大流行加剧了供应链缺乏可见性，但也很难获得对供应链的完全可见性，因为它们是复杂的多维连接的数字网络。因此，它们只能真正建模为知识图谱。这是连接从材料到产品、工厂到配送中心和运输的所有方面的最佳工具。知识图提供了上下文，因此可以整体地做出决策，同时考虑到许多相互关联的依赖关系。

用于更好地管理供应链的数字孪生知识图将数据整合在一起并创建连接的虚拟供应链。它使管理人员能够更好地组织、分析和可视化他们的数据。管理人员可以对供应链中的所有产品、供应商和设施，以及它们之间的关系，获得可追踪且深入的了解。

电厂管理

Tata Consulting 的 TCS IP2 电厂管理 SaaS 服务通过采用由知识图推动的数字孪生服务得到了极大的增强，帮助其客户减少了 9% 的排放，降低了燃料利用率，并获得了 600 万美元（5.47 欧元）万）每年的运营节省。这只是一个例子。

还有其他一些知识图谱的例子同样可以明显地提升底线。将供应链或制造数字孪生放入图表中，可以让您在从石油和天然气行业到全国零售分销的所有领域都获得真实世界的保真度。

复杂数据自然建模为知识图谱

从物流和运营，一直到营销销售和服务，复杂供应链用例的数字孪生战争已经在发生。

如果您正在构建供应链数字孪生模型，则应将其建模为知识图谱。这是因为您想要捕获的复杂数据供应链自然而然地更容易建模为知识图谱。为了达成交易，知识图谱提供了构建、管理和查询企业级数字孪生模型所需的灵活性、性能和分析能力。

　　版权及免责声明：凡本网所属版权作品，转载时须获得授权并注明来源“物联之家 - 物联观察新视角,国内领先科技门户”，违者本网将保留追究其相关法律责任的权力。凡转载文章，不代表本网观点和立场。

延伸阅读