Building a Digital Twins Platform

Abstract

Vi oppgraderer kodebasen til en eldre prototypeprogramvare for prediksjon av høy blodtrykk basert på maskinlæring slik at den er klar for produksjonsbruk. Vi evaluerer deretter egnetheten til systemet som en platform for digitale tvillinger og identifiserer forbedringspotensialet. Vi justerer komponentoppsettet og omskriver applikasjonskjernen ved å bruke state-of-the-art tilnærminger for teknisk programvarearkitektur. Resultatet vårt er et system med høy fleksibilitet som er offentlig tilgjengelig og som støtter ulike datakilder og modeller og kan koble dem sammen. Dermed gir systemet grunnlaget for en skalerbar platform for digitale tvillinger.

Given the code base of a legacy prototype software application for hypertension prediction using machine learning on user data obtained from consumer wearables, we upgrade the service ready for production use. We then evaluate the fitness of the system as a digital twins platform and identify a number of mismatches In turn, we fix them by adjusting the component layout and rewriting the application core by applying state-of-the-art approaches of engineering software architecture. Our result is a public hosted system with high flexibility that allows an arbitrary number of data sources and models to be linked up, hence providing the foundation for a scalable digital twins platform.