Διανύουμε περίοδο μετάβασης από την 4η στην 5η Βιομηχανική Επανάσταση, κατά την οποία οι σύγχρονες τεχνολογίες παρέχουν απεριόριστες δυνατότητες στις βιομηχανίες.
Γράφουν οι κ. Δημήτρης Μούρτζης, Δημήτριος Τσάκαλος και Γεώργιος Α. Κριμπάς*
Η προηγμένη προσομοίωση και η τεχνολογία των ψηφιακών διδύμων (Digital Twins) αποτελούν τεχνολογικούς πυλώνες της 4ης Βιομηχανικής Επανάστασης (Industry 4.0), με τη δημιουργία εικονικών αναπαραστάσεων φυσικών αντικειμένων, διαδικασιών ή συστημάτων. Καθώς οι τεχνολογικές εξελίξεις βρίσκουν εφαρμογή στα συστήματα παραγωγής (Manufacturing Systems), το νέο επιχειρησιακό μοντέλο μετατοπίζεται από τη 4η στη 5η Βιομηχανική Επανάσταση, υιοθετώντας τις αντίστοιχες τεχνολογικές εξελίξεις.
Το μοντέλο του Industry 5.0 έχει ως βασικούς άξονες την ανθρωποκεντρική έξυπνη παραγωγή (Human-Centric Smart Manufacturing), την ανθεκτική (Resilient) παραγωγή και τη βιώσιμη (Sustainable) παραγωγή. Μεταξύ των νέων τεχνολογιών που εφαρμόζονται κατά τη μετάβαση από την 4η στην 5η Βιομηχανική Επανάσταση είναι οι: Artificial Intelligence (AI), eXtended Reality (XR), Digital Twins, Internet of Things (IoT), Blockchain, 6G, Edge Computing, Cloud Computing, Advanced Decision Making, 3D Printing.
Σε αυτό το άρθρο παρουσιάζεται η πρόοδος που έχει επιτευχθεί τα τελευταία χρόνια στο πλαίσιο του Industrial Metaverse προς την ανθρωποκεντρική έξυπνη παραγωγή, λαμβάνοντας υπόψη την υποκείμενη τεχνολογία των Digital Twins [1, 2]. Το Metaverse ορίζεται ως:
– Ένας εικονικός χώρος όπου οι άνθρωποι μπορούν να εισέλθουν αφού συνδεθούν μέσω κάποιου εξοπλισμού.
– Προτεινόμενο δίκτυο εμβυθιστικών (immersive) διαδικτυακών κόσμων οι οποίοι βιώνονται συνήθως μέσω εικονικής ή επαυξημένης πραγματικότητας, όπου οι χρήστες αλληλοεπιδρούν μεταξύ τους και αγοράζουν αγαθά και υπηρεσίες, μερικά από τα οποία θα υπήρχαν μόνο στον διαδικτυακό κόσμο [4]:
– Δίκτυο που συνδυάζει τη φυσική και ψηφιακή ενσωμάτωση αλλά και την υποστήριξη της ανθρώπινης παρέμβασης (human augmentation) με στόχο βιομηχανικές εφαρμογές παρέχοντας ψηφιακές αναπαραστάσεις του φυσικού βιομηχανικού περιβάλλοντος, συστημάτων, μηχανών και χώρων με τους οποίους οι άνθρωποι μπορούν να ελέγξουν, να επικοινωνήσουν και να αλληλοεπιδράσουν [5].
Το Industrial Metaverse είναι ένα συστηματικό τεχνολογικό πεδίο το οποίο συνδυάζει το hardware, όπως αισθητήρες, ακουστικά VR, μετατροπείς δεδομένων μέσω αναλυτικών μεθόδων και μηχανικής μάθησης, γνωστικές διεργασίες μέσω διασύνδεσης ανθρώπου-μηχανής (Human Machine Interface) και διαμόρφωση μέσω του οικοσυστήματος του Metaverse [6].
Κατηγορίες της τεχνολογίας Metaverse
Παρόλο που το Metaverse συχνά παρουσιάζεται ως ένας ενιαίος ψηφιακός κόσμος που μετατρέπει τον πραγματικό κόσμο σε ψηφιακό, χωρίζεται σε τρεις διακριτούς τομείς, που είναι οι εξής:
α) Το Βιομηχανικό Metaverse (Industrial Metaverse).
β) Το Metaverse Επιχειρήσεων (ή Εταιρικό Metaverse).
γ) Το Metaverse Καταναλωτών (ή Καταναλωτικό Metaverse).
To Εταιρικό Metaverse ξεχωρίζει για την καθιερωμένη αξιοποίηση των τεχνολογιών τρισδιάστατης εκτύπωσης σε Digital Twins και προσομοιώσεις [7]. Το Καταναλωτικό Metaverse αναδύεται επί του παρόντος στους τομείς των τυχερών παιχνιδιών και των μέσων κοινωνικής δικτύωσης, αλλά αναμένεται να επεκτείνει την επιρροή του σε ευρύτερους τομείς όπως είναι η διαφήμιση και οι αγορές streaming περιεχομένου [8].
Big Data Sets και λήψη αποφάσεων
Η ενσωμάτωση του Metaverse απαιτεί το συνδυασμό των μεγάλων συνόλων δεδομένων (Big Data Sets) και της τεχνολογίας πληροφοριών, περιέχοντας τις πληροφορίες των χρηστών σε δομημένη ή μη μορφή. Ο αυξανόμενος αριθμός χρηστών οδηγεί σε τεράστιες ποσότητες δεδομένων θέτοντας μια σημαντική πρόκληση για την επεξεργασία τους [9]. Για την απρόσκοπτη ενοποίηση μεταξύ του εικονικού και του πραγματικού κόσμου στο πλαίσιο του Metaverse, συνδέονται στο διαδίκτυο πολλές συσκευές οι οποίες δημιουργούν την αρχιτεκτονική Internet of Things (IoT) και είναι απαραίτητες για τη συλλογή, επεξεργασία και μετατροπή των δεδομένων του πραγματικού κόσμου σε ψηφιακή μορφή σε ρεαλιστικό χρόνο (real time). Η επεξεργασία και η ανάλυση αυτών των εκτεταμένων συνόλων δεδομένων στο Metaverse βασίζεται σε μεγάλο βαθμό στην τεχνολογία των Big Data Sets.
Το Metaverse, ως κύριος πυλώνας της νέα εποχής της ψηφιοποίησης, αναμένεται να υποστηρίξει τη διαδικασία λήψης καλύτερων αποφάσεων και τη διατύπωση περισσότερο αξιόπιστων προβλέψεων, οι οποίες βασίζονται σε ένα σύνολο βασικών τεχνολογιών αιχμής.
Η διαδικασία της επεξεργασίας των Big Data Sets περιλαμβάνει την αποθήκευση, τον καθαρισμό, τη σύνθεση, την ανάλυση και την οπτικοποίηση [10, 11]. Η εφαρμογή τεχνικών Big Data έχει τη δυνατότητα να επιλύσει αυτές τις προκλήσεις και να υποστηρίξει την πρόβλεψη μελλοντικών αποτελεσμάτων, αλλά και τη λήψη αποφάσεων στο πλαίσιο του Metaverse.
Η ασφάλεια δεδομένων παραμένει μια σημαντική πρόκληση τόσο για τα Big Data Sets όσο και για το Metaverse, γεγονός το οποίο απαιτεί εστιασμένες λύσεις ασφάλειας [12]. Με τη μετάβαση στο Web 3.0 τα δεδομένα που παράγονται αναμένεται ότι θα ξεπεράσουν τα 181 zettabyte το 2025 [13]. Ως εκ τούτου, υπάρχει επείγουσα ζήτηση για βελτιωμένα πλαίσια προστασίας των δεδομένων με στόχο τη διαφύλαξη πολύτιμων πληροφοριών.
ΚΑΙΡΙΕΣ ΥΠΟΣΤΗΡΙΚΤΙΚΕΣ ΤΕΧΝΟΛΟΓΙΕΣ
Σε αυτό το άρθρο παρουσιάζονται οι οκτώ πιο καίριες υποστηρικτικές τεχνολογίες του πλαισίου του Industrial Metaverse. Οι τρεις πρώτες παρουσιάζονται σε αυτό το τεύχος, ενώ οι υπόλοιπες πέντε και τα σχετικά συμπεράσματα στο επόμενο.
Εκτεταμένη Πραγματικότητα (eXtended Reality [XR])
Το Metaverse είναι ένας κοινός εικονικός χώρος ο οποίος επιτρέπει διαδραστικές εμπειρίες (interactive experiences) και μεταβαίνει από τον ψηφιακό κόσμο στον πραγματικό. Η εικονική πραγματικότητα (Virtual Reality [VR]), η επαυξημένη πραγματικότητα (Augmented Reality [AR]) και η μεικτή πραγματικότητα (Mixed Reality [MR]) χρησιμεύουν ως βασικές τεχνολογίες για την επίτευξη αυτού του στόχου.
Το VR προσφέρει ρεαλιστικές εμπειρίες σε έναν δικτυωμένο εικονικό κόσμο, ενώ το AR/MR γεφυρώνει το χάσμα μεταξύ του εικονικού και του φυσικού κόσμου, οδηγώντας σε μια περισσότερο ουσιαστική ενοποίηση μεταξύ του Metaverse και του φυσικού κόσμου. Σε αυτό το μελλοντικό περιβάλλον, οι ψηφιακές οντότητες συνυπάρχουν με αντικείμενα της πραγματικής ζωής, επιτρέποντας στους χρήστες να αλληλοεπιδρούν απρόσκοπτα μεταξύ τους.
Βιομηχανική Ρομποτική και IoT
Η ενσωμάτωση συστημάτων XR στον τομέα του IoT και της Βιομηχανικής Ρομποτικής είναι ζωτικής σημασίας για τη διευκόλυνση της αποτελεσματικής διαχείρισης δεδομένων και των διαδικασιών λήψης αποφάσεων. Αξιοποιώντας το XR, οι συσκευές IoT, τα αυτόνομα οχήματα (Autonomous Vehicles) και τα ρομπότ έχουν τη δυνατότητα να υποστηρίξουν την οπτικοποίηση των λειτουργιών, ενσωματώνοντας τους ανθρώπους-χειριστές ώστε να συμμετάσχουν ενεργά σε αυτές τις διαδικασίες.
Ωστόσο, η τρέχουσα κατάσταση του σχεδιασμού με επίκεντρο το χρήστη, η οποία σχετίζεται με τη ρομποτική, αποτελεί στοιχείο έξυπνης παραγωγής με την υποστήριξη διαφορετικών προτύπων IoT για τη διαχείριση και τον έλεγχο νέων ρομποτικών συστημάτων.
Ως εκ τούτου, απαιτείται περαιτέρω έρευνα για να προωθηθεί η αλληλεπίδραση και η ολοκλήρωση του Metaverse με το IoT και τα ρομποτικά συστήματα, οδηγώντας έτσι σε απρόσκοπτες και παραγωγικές συνεργασίες μεταξύ ανθρώπων και τεχνολογιών, με στόχο τη διαχείριση δεδομένων και τη λήψη αποφάσεων στον τομέα της έξυπνης κατασκευής.
Τεχνητή Νοημοσύνη
Η χρήση της τεχνητής νοημοσύνης, ιδιαίτερα της «Βαθιάς Μάθησης» (Deep Learning), έχει προχωρήσει σημαντικά υποστηρίζοντας την αυτοματοποίηση εργασιών για χειριστές και σχεδιαστές εργαλειομηχανών στο πλαίσιο του Industrial Metaverse, κι αποδεικνύεται περισσότερο αποτελεσματική από τις παραδοσιακές μεθόδους.
Ωστόσο, η εφαρμογή της τεχνητής νοημοσύνης για τη βελτίωση των εμπειριών των χρηστών στο πλαίσιο του Metaverse απαιτεί σημαντική περαιτέρω έρευνα, λαμβάνοντας υπόψη τη διερεύνηση θεμάτων που αφορούν την ηθική της τεχνολογίας (Techno Ethics).
Σημαντική πρόκληση αποτελεί η ανάγκη υποστήριξης των μοντέλων τεχνητής νοημοσύνης με μεγάλη υπολογιστική ισχύ, καθιστώντας τα δύσχρηστα για κινητές συσκευές με περιορισμένους πόρους. Επομένως, υπάρχει ανάγκη να αναπτυχθούν ελαφριά αλλά αποτελεσματικά μοντέλα τεχνητής νοημοσύνης [16]. Επίσης πρέπει να μελετηθεί το περιβαλλοντικό αποτύπωμα (CO2 footprint) της εκτεταμένης χρήσης της τεχνητής νοημοσύνης σε σχέση με την απαιτούμενη υπολογιστική ισχύ.
* Ο κ. Δημήτρης Μούρτζης είναι καθηγητής και διευθυντής του Εργαστηρίου Συστημάτων Παραγωγής και Αυτοματισμού του Τμήματος Μηχανολόγων και Αεροναυπηγών Μηχανικών στο Πανεπιστήμιο Πατρών. O κ. Δημήτρης Τσάκαλος είναι μηχανολόγος μηχανικός και μέλος του Εργαστηρίου Συστημάτων Παραγωγής και Αυτοματισμού του Τμήματος Μηχανολόγων και Αεροναυπηγών Μηχανικών στο Πανεπιστήμιο Πατρών. O κ. Γιώργος Κριμπάς είναι μέλος του Εργαστηρίου Συστημάτων Παραγωγής και Αυτοματισμού (LMS) του Τμήματος Διοικητικής Επιστήμης και Τεχνολογίας.
ΒΙΒΛΙΟΓΡΑΦΙΑ
[1] D. Mourtzis, Topics Webinar, “Smart Manufacturing and Industry 5.0,” MDPI Announcements, 2023. [Online]. Available [2] D. Mourtzis, “Industrial Metaverse: Challenges and Opportunities,” Digital Twin Global Forum (Keynote 22), 2023 [Online]. Available: [3] N. Stephenson, “Snowcrash,” New York: Bantam Books,1992. [4] E. Gregersen, “metaverse,” Britannica. [Online]. Available: [5] J. V. Nickerson, S. Seidel, G. Yepes, N. Berente, “Design Principles for Coordination in the Metaverse.” Proceedings, 2022 [6] J. Lee, P. Kundu, “Integrated cyber-physical systems and industrial metaverse for remote manufacturing,” Manufacturing Letters, 34, pp. 12-15, 2022. [7] J. Abraham, G. Cruz, S. Cubela, T. Lajous, K. Rowshankish, S. Tiwari, and Rodney Zemme, “Digital twins: The foundation of the enterprise metaverse” 2022, McKinsey Digital, [Online]. Available online at: [8] L. Cathy and K. Collins, “Demystifying the Consumer Metaverse”, WEF in Collaboration with Accenture. [9] B. C. Ooi, K.-L. Tan, A. Tung, G. Chen, M. Z. Shou, X. Xiao, and M. Zhang, “Sense the physical, walkthrough the virtual, manage the metaverse: A data-centric perspective,” arXiv preprint arXiv:2206.10326, 2022. [10] Y. Han, D. Niyato, C. Leung, C. Miao, and D. I. Kim, “A dynamic resource allocation framework for synchronizing metaverse with iot service and data,” in IEEE International Conference on Communications. IEEE, pp. 1196–1201, 2022. [11] Y. Cai, J. Llorca, A. M. Tulino, and A. F. Molisch, “Computeand data-intensive networks: The key to the Metaverse,” arXiv preprint arXiv:2204.02001, 2022 [12] M. Ge, H. Bangui, and B. Buhnova, “Big data for internet of things: a survey,” Future Generation Computer Systems, vol. 87, pp. 601–614, 2018. [13] Statista, Volume of data/information created, captured, copied, and consumed worldwide from 2010 to 2020, with forecasts from 2021 to 2025. [Online]. Available: [Online]. Available: [14] N. Xi, J. Chen, F. Gama, M. Riar, J. Hamari, “The challenges of entering the metaverse: An experiment on the effect of extended reality on workload,” Information Systems Frontiers, 25(2), 659-680, 2023. [15] K. Li, Y. Cui, W. Li, T. Lv, X. Yuan, S. Li, F. Dressler, “When internet of things meets metaverse: Convergence of physical and cyber worlds,” IEEE Internet of Things Journal, 10(5), 4148-4173, 2022. [16] Q. Yang, Y. Zhao, H. Huang, Z. Xiong, J. Kang, Z. Zheng, “Fusing Blockchain and AI with Metaverse: A Survey,” IEEE Open Journal of the Computer Society, 3, pp. 122-136, 2022
