完成机器学习的背后是数字孪生 。
数字孪生是任何物理实体、物理流程和服务在虚拟环境中的虚拟投射、映射 ， 每个实体的数字孪生都精确地模拟它的实体 。 比如一个航空的喷气发动机有数字孪生 ， 装配此发动机的生产线也有数字孪生的映射 ， 这条生产线所在的工厂车间也有 。
过去测试新产品 ， 一般要做出物理的实体产品 ， 千锤百炼 。 今天则可以通过构建新产品的数字孪生 ， 然后在虚拟的数字孪生世界里运行成千上万次的测试 ， 为产品去建模以及改善其性能 。
那么如何构建数字孪生呢？这首先需要将跟物理实体相关的所有数据源导入到数字孪生的模型 ， 弄清楚数据源和实体之间的关系 ， 同时需要将此数据叠加到3D视觉模型上 ， 然后才能真正创建出一个视觉化、3D可见的虚拟孪生体 。
与此同时 ， 物理世界的数据无时无刻不在变化 ， 如何保证更新的数据能够及时反映到数字孪生体？这是一项技术门槛和成本都非常高昂的活动 。
在re:Invent上 ， 亚马逊云科技发布一项新的IoT服务Amazon IoT TwinMaker ， 目标是让开发人员更加轻松、快捷地创建现实世界的数字孪生 ， 如楼宇、工厂、工业设备和生产线 。
“数字孪生有望让工业流程型企业改朝换代 。 然而 ， 打造数字孪生很不容易 ， 这些工作需要企业投入专业开发人员 ， 且耗费巨大精力 。 我们希望尽力帮助更多公司获得构建数字孪生的能力 。 所以 ， 今天我们发布了新服务Amazon IOT TwinMaker ， 让开发人员更轻松地创建楼宇、工厂、工业设备和生产线等实体系统的数字孪生 ， ”Adam Selipsky说道 。
Amazon IoT TwinMaker可直接导入多个来源（如设备传感器、摄像机和业务应用程序）的数据 ， 并将这些数据结合起来创建一个知识图谱 ， 从而对现实世界环境进行建模 。
同时推出的另一项IoT服务是Amazon IoT FleetWise ， 其针对汽车行业解决汽车制造商数据收集、管理和上云的难题 。 通过Amazon IoT FleetWise ， 汽车制造商可以轻松地收集和管理汽车中任何格式的数据（无论品牌、车型或配置） ， 并将数据格式标准化 ， 方便在云上轻松进行数据分析 ， 还可以根据天气条件、位置或汽车类型等参数来制定上传数据的时间规则 。
当数据进入云端后 ， 汽车制造商就可以将数据应用于车辆的远程诊断程序 ， 分析车队的健康状况 ， 帮助汽车制造商预防潜在的召回或安全问题 ， 或通过数据分析和机器学习来改进自动驾驶和高级辅助驾驶等技术 。
“车载传感器每小时可产生多达2TB的数据 。 而且随着品牌和型号不断增加 ， 数据格式各不相同 ， 所以必须建立定制的数据收集系统 。 然而 ， 建立这些系统既困难又耗时 。 我们今天发布了Amazon IOT FleetWise ， 让汽车厂商轻松、低成本地收集、转换数据 ， 并且近乎实时地将数据传输到云,”Adam Selipsky说道 。
使用Amazon IoT FleetWise将数据上传到云后 ， 汽车制造商就可以应用亚马逊云科技服务的广度和深度 ， 从汽车数据中提取数据分析结果 。 例如 ， 当自动驾驶系统以低于90%的置信度识别路标中的文本时 ， 汽车制造商就可以使用智能过滤功能 ， 收集在新建高速公路上行驶的汽车的摄像头数据 。
按需配置5G专网：搭建时间从数月降到几天
“今天 ， 高性能、高可靠的网络正发挥前所未有的重要性 。 我们几乎连接万物 ， 包括产线机器人、工人和店员手中的平板电脑、联网的空调、电梯和叉车、需要可靠数据连接管理物流的送货车辆等等 。 所有这些新的使用场景都需要一致性、可靠的网络连接 。 ”Adam Selipsky 表示 。