Mengoptimalkan Sumber Daya untuk Profitabilitas: Apakah Digital Twin Tech Diperlukan?
Nilai teknologi apapun pada akhirnya terletak pada kemampuan untuk mengoptimalkan biaya dan sumber daya. Memiliki kemampuan untuk mendahului hasil memberi petani makanan manfaat pandangan ke depan yang kemudian dapat diterapkan dalam kehidupan nyata. Contoh aplikasi kehidupan nyata dan komersialisasi teknologi Digital Twin adalah mekanistik model yang dikembangkan oleh Tom De Swaef di Universitas Gant. Perusahaan Belgia 2Grow memanfaatkan model ini untuk mengukur variasi aliran air dan ketebalan batang pada tanaman tomat. Itu tujuan perusahaan untuk mengurangi 20% luas permukaan yang dihabiskan untuk produksi tanaman.
It masih belum jelas apakah masyarakat melakukan upaya untuk mengadopsi kembar digital dalam operasinya. Terlebih lagi, dapat dikatakan bahwa dalam banyak kasus teknologi kembar digital sebenarnya tidak diperlukan. Kemajuan dalam pembelajaran mesin telah memungkinkan untuk memprediksi peristiwa penting tanpa membangun model lengkap yang akan membutuhkan sejumlah besar data berkualitas tinggi yang juga mahal untuk didapatkan. Sebagai penanam makanan yang ingin memprediksi sifat-sifat tertentu, fokus pada pengukuran dan pemantauan perubahan kunci mungkin adalah semua yang diperlukan untuk membangun model prediksi yang sukses. Terlebih lagi, ini jauh lebih terjangkau, sehingga dapat dicapai oleh petani makanan yang perlu melihat ROI langsung pada penerapan model prediktif.
Misalnya, jika Anda menanam kentang, penting untuk memiliki indikator hama seperti penyakit busuk daun, yang disebabkan oleh organisme mirip jamur yang dapat mengakibatkan gagal panen dalam waktu singkat jika tindakan pengendalian yang tepat tidak dilakukan. Untuk jenis tanaman baris ini di lahan terbuka yang luas, memiliki kamera yang dipasang pada sistem irigasi pivot dapat secara efisien dan efektif mengidentifikasi penyakit atau masalah. Data yang diperlukan untuk membuat kembaran digital untuk ladang kentang terbuka akan menghabiskan banyak uang, dan membuat seluruh model pada skala seperti itu untuk mendapatkan wawasan yang dapat diperoleh dengan teknologi yang lebih sederhana dan lebih terjangkau, hanya tidak masuk akal.
- Video game SimCity muncul di tahun 90-an saat pemain menjadi pahlawan di kota mereka sendiri saat mereka merancang dan menciptakan kota metropolis yang indah dan ramai secara digital. Maju cepat 30 tahun, dan kami memiliki teknologi untuk membuat representasi digital yang sangat akurat dari pohon, pertanian, atau kebun di dunia nyata. Sama seperti di SimCity, kami dapat mensimulasikan bagaimana sebuah kota metropolitan akan berkembang berdasarkan apa yang kami "investasikan" di dalam game, kami sekarang dapat membuat simulasi tentang bagaimana sebuah tanaman akan tumbuh dalam skenario yang berbeda — membantu kami menyempurnakan upaya pertanian dengan pandangan ke depan yang belum pernah terjadi sebelumnya.
- Digital Twin adalah representasi digital dari hal dunia nyata. Ini dapat digunakan untuk memantau 'sesuatu' yang sebenarnya dari jarak jauh. Untuk memberikan pengganti yang akurat dan realistis untuk kembaran dunia nyata, kembaran digital harus diinformasikan melalui pengukuran digital dari entitas nyata. Di bidang pertanian, ini bisa berupa data yang datang melalui alat seperti sensor tanah, pencitraan tanaman, data cuaca, dll.
- Representasi digital baru, atau kembaran digital, harus mencerminkan seluruh upaya pertanian: aset fisik, proses, sistem, sumber daya, semuanya. Sebagai gantinya, ini memungkinkan kami untuk mensimulasikan, merencanakan, menganalisis, dan meningkatkan proses pertanian pada skala yang tidak terbayangkan sebelumnya. Namun, apakah petani makanan benar-benar perlu menerapkan teknologi canggih yang mahal ini — atau dapatkah mereka mendapatkan wawasan yang mereka butuhkan dari sensor yang lebih mudah diakses dan terjangkau yang akan membantu mereka memantau dan memprediksi hasil utama?
Pertumbuhan dan Adopsi Kembar Digital dan Potensinya di Pertanian
Gartner memperkirakan bahwa pada tahun 2021, setengah dari perusahaan industri besar akan menggunakan kembar digital, yang akan menghasilkan peningkatan 10% dalam efektivitas untuk organisasi tersebut. Namun, konsep kembar digital telah ada selama beberapa dekade. Selama lebih dari 30 tahun, tim teknik produk dan proses telah menggunakan rendering 3D dari desain dengan bantuan komputer (CAD), model aset, dan simulasi proses untuk memastikan dan memvalidasi kemampuan manufaktur. Misalnya, NASA telah menjalankan simulasi pesawat ruang angkasa yang kompleks selama beberapa dekade. Namun, inovasi dalam pembelajaran mesin dan AI membawa konsep kembar digital ke permukaan, menciptakan banyak hype sebagai tren yang mengganggu dengan dampak yang lebih luas dalam waktu dekat.
Dalam hal proses pertanian, menggunakan Digital Twins sebagai sarana utama untuk manajemen pertanian dapat memungkinkan pemisahan aliran fisik dari perencanaan dan pengendaliannya. Akibatnya, petani dapat mengelola operasi dari jarak jauh berdasarkan (dekat) informasi digital real-time daripada harus bergantung pada pengamatan langsung dan tugas manual di tempat. Hal ini memungkinkan mereka untuk segera bertindak jika terjadi penyimpangan (yang diharapkan) dan untuk mensimulasikan efek intervensi berdasarkan data kehidupan nyata. Misalnya, Digital Twin dari sebuah kebun dapat memperingatkan kebun tentang irigasi yang berlebihan tanpa petani tersebut harus memeriksa kebun.
Gagasan tentang a kebun digital sangat menarik bagi petani yang memahami sifat padat karya dari pemantauan, prediksi, dan pengendalian kesehatan pohon buah-buahan dan kualitas panen mereka. Para ilmuwan di University of Queensland mengembangkan model untuk kebun dengan tanaman yang tumbuh lambat seperti mangga dan macadamia. Hal ini dapat memungkinkan pengguna untuk dengan cepat mencoba ide-ide baru dan mendapatkan wawasan tentang cara terbaik untuk mengoptimalkan sistem produksi. Para peneliti di proyek tersebut menekankan bagaimana simulasi instan ini dapat sangat bermanfaat bagi tanaman yang tumbuh lambat seperti pohon buah-buahan.
Ada kasus penggunaan khusus di mana masuk akal secara finansial untuk membangun kembaran digital, seperti untuk pemuliaan tanaman, di mana model dapat memungkinkan Anda untuk memprediksi sejak awal jika varietas tertentu tidak layak secara komersial. Tetapi dalam banyak kasus, tidak perlu memecahkan kacang dengan palu godam.
- Raviv Itzhaky adalah Co-Founder dan CTO dari Teknologi Prospera, memimpin visi teknis perusahaan untuk mengubah cara makanan tumbuh menggunakan ilmu data dan AI. Dia menggunakan keahliannya dalam pengembangan algoritme, matematika, dan pembelajaran mesin untuk memecahkan masalah dunia nyata. Sebelum Prospera, Raviv mengembangkan algoritme di perusahaan keamanan siber BioCatch, dan menjabat sebagai Signal Processing Engineer di IDF. Dia meraih gelar BSc dalam Fisika dan MSc dalam Fisika Terapan dari The Hebrew University.