Цифрові двійники ланцюгів постачання: еволюція, а не раптовий прорив

Цифрові двійники, які є віртуальними копіями фізичних процесів, — інструмент, який дедалі ширше використовується в фармацевтиці. Створюючи цифрового двійника, компанії отримують змогу швидко та дешево моделювати різні сценарії та перевіряти зміни без особливого ризику. Такий підхід дозволяє швидко створювати прототипи нових процесів і виявляти потенційні проблеми ще до того, як вони виникнуть на реальній виробничій лінії.

Дослідники з Національного інституту стандартів і технологій США (NIST) та компанії EMD Millipore стверджують, що такі моделі здатні значно покращити всі етапи біофармацевтичного ланцюга постачання — від планування попиту під час пандемій до виявлення обмежень потужностей.

Використання моделей in silico дозволяє оперативно знаходити рішення у випадку збоїв, ідентифікуючи альтернативні варіанти постачання, як-от регіональні склади або нові дистрибʼюторські центри. Крім того, цифрові двійники допомагають оцінювати потенційних постачальників, запускаючи симуляції їхньої продуктивності за різних сценаріїв попиту з урахуванням їхніх індивідуальних можливостей.

Втім, фахівці зазначають певні виклики. Однією з головних перешкод на шляху впровадження цієї технології є відсутність галузевих стандартів даних. Оскільки цифрові двійники вимагають інформації з багатьох сторонніх джерел та різних організацій, брак уніфікації форматів ускладнює збір необхідних відомостей. Для вирішення цієї проблеми NIST співпрацює з Національним інноваційним інститутом виробництва біофармацевтичних продуктів.

Експерти радять фармкомпаніям розглядати впровадження цифрових двійників як поступовий процес і не очікувати миттєвого прориву: успішна інтеграція цифрових двійників є радше еволюційним розвитком, ніж раптовим технологічним стрибком.

Попри великий інтерес галузі та створення прототипів, багато компаній стикаються з прогалинами в цифровій інфраструктурі, які потрібно усувати паралельно з опануванням технології. Тож гравцям галузі рекомендується починати з простих кейсів на основі вже наявних даних, поступово переходячи до складніших моделей для досягнення більшої точності та нових можливостей.