Цифровые двойники цепочек поставок: эволюция, а не внезапный прорыв  

Цифровые двойники, которые являются виртуальными копиями физических процессов, — инструмент, который всё шире используется в фармацевтике. Создавая цифрового двойника, компании получают возможность быстро и дёшево моделировать различные сценарии и проверять изменения без особого риска. Такой подход позволяет быстро создавать прототипы новых процессов и выявлять потенциальные проблемы ещё до того, как они возникнут на реальной производственной линии.  

Исследователи из Национального института стандартов и технологий США (NIST) и компании EMD Millipore утверждают, что такие модели способны значительно улучшить все этапы биофармацевтической цепочки поставок — от планирования спроса во время пандемий до выявления ограничений мощностей.  

Использование моделей in silico позволяет оперативно находить решения в случае сбоев, идентифицируя альтернативные варианты поставок, такие как региональные склады или новые дистрибьюторские центры. Кроме того, цифровые двойники помогают оценивать потенциальных поставщиков, запуская симуляции их производительности при различных сценариях спроса с учётом их индивидуальных возможностей.  

Тем не менее, специалисты отмечают определённые вызовы. Одним из главных препятствий на пути внедрения этой технологии является отсутствие отраслевых стандартов данных. Поскольку цифровые двойники требуют информации из многих сторонних источников и разных организаций, недостаток унификации форматов затрудняет сбор необходимых сведений. Для решения этой проблемы NIST сотрудничает с Национальным инновационным институтом производства биофармацевтических продуктов.  

Эксперты советуют фармкомпаниям рассматривать внедрение цифровых двойников как постепенный процесс и не ожидать мгновенного прорыва: успешная интеграция цифровых двойников является скорее эволюционным развитием, чем внезапным технологическим скачком.  

Несмотря на большой интерес отрасли и создание прототипов, многие компании сталкиваются с пробелами в цифровой инфраструктуре, которые нужно устранять параллельно с освоением технологии. Поэтому игрокам отрасли рекомендуется начинать с простых кейсов на основе уже имеющихся данных, постепенно переходя к более сложным моделям для достижения большей точности и новых возможностей.