somosquanta.com

이 이메일 도메인이 관측된 논문 3건

arXiv:2606.30650v1cs.CY

Qualified Educational Capacity Planning under Heterogeneous Student Support Needs: A Synthetic Benchmark and Decision-Support Framework

교육 지원 서비스에서 자격이 있는 직원 시간이 부족하고 자격이 시간이 지남에 따라 소멸되며 훈련 자체가 서비스 가용 시간을 소모하는 자격-역량(qualified-capacity) 문제를 다루기 위해, 합성 벤치마크와 의사결정 지원 프레임워크를 제시한다. 혼합정수 롤링-호라이즌 컨트롤러와 정적 보험 등 다양한 정책을 비교한 결과, 새로운 자격을 컨트롤러의 반응 범위 내에서 획득할 수 있는지 여부에 따라 폐루프 컨트롤러가 우위를 점하는 반응-가능 체제와 사전 정적 보험이 최대 2배 이상 우수한 사전배치 체제로 나뉘는 체제 지도(regime map)를 도출하였다.

arXiv:2606.17269v1cs.AI

회복 탄력성 있는 제조 공급망을 위한 기술 제약 모델 예측 제어

Skill-Constrained Model Predictive Control for Resilient Manufacturing Supply Chains

기술 제약 생산-재고 시스템에서 내일 가용한 자격을 갖춘 인적 용량은 오늘 내려진 교육(training) 결정에 달려 있습니다. 즉, 생산에는 자격증을 소지한 근로자가 필요하고, 자격증은 유지하지 않으면 소멸하며, 교육은 현재 생산에 필요한 희소한 근로자 시간을 소모합니다. 본 연구에서는 매 교대마다 생산, 재고, 밀린 주문(backlog), 교육에 대한 유한 수평 혼합 정수 계획법(mixed-integer program)을 풀되, 이진 예측 자격증, 강한 생산 자격 조건, 수평 경계에서 자격 있는 용량 격차에 가격을 매기는 해석 가능한 터미널 값(terminal value)을 사용하는 폐루프 기술 제약 모델 예측 제어기를 연구합니다. 재계획 전에는 첫 번째 기간의 행동만 적용됩니다. 합성 및 시드 제어된 SkillChain-Gym 시나리오(예고된 및 예고 없는 신규 기술 충격, 수요 충격, 결근, 예측 및 가용성 품질 모드, 용량 경계 및 교육율 스윕, 음성 대조군 포함)에서, 우리는 사전 잠금 구성 및 쌍 통계 하에 생산 전용 및 유지보수 전용 제거(ablation) 실험, 정적 교차 교육 보험 계획, 강력한 반응형 휴리스틱(heuristic)과 비교하여 제어기를 평가했습니다. 그 결과는 우월성이 아닌 체제 의존성(regime dependence)으로 나타났습니다. 즉, 어떤 정책 클래스도 지배적이지 않습니다. 기술 또는 노동 병목 현상이 교육을 완료하기에 충분히 일찍 예측 가능할 때 예측 제어가 도움이 되며, 예고 없는 충격, 수요-용량 경계 근처, 그리고 충격 이전 여유(slack)가 보험을 저렴하게 만드는 곳에서는 린(lean) 정적 보험을 여전히 능가하기 어렵습니다. 귀속 제거 실험은 자격증 유지, 만료된 자격증의 재취득, 그린필드(greenfield) 기술 습득을 분리합니다. 예측 제어의 이득 여부를 결정하는 것은 적응성 그 자체가 아니라 예측 가능성입니다.

arXiv:2606.17266v1cs.AI

SkillChain-Gym: 혼란 상황에서의 재교육 인식 생산-재고 관리를 위한 벤치마크

SkillChain-Gym: A Benchmark for Reskilling-Aware Production-Inventory Control under Disruptions

생산 계획은 점점 더 인력 역량을 의사결정 변수로 다뤄야 한다: 기술이 유지되지 않으면 자격증이 만료되고, 신제품은 현재 인력이 보유하지 않은 기술을 요구하며, 재교육은 생산에 필요한 동일한 작업 시간을 놓고 경쟁한다. 기존 운영 벤치마크는 대개 노동력을 외생적 요소로 취급하는 반면, 기술과 학습을 포함한 인력 계획 모델은 재사용 가능한 테스트베드로 공개되는 경우가 드물다. 우리는 재교육 인식 생산-재고 관리를 위한 벤치마크 명세인 SkillChain-Gym을 소개한다: 양식화된 작업자 기술 상태 역학, 경직된 임계값 자격증, 망각(forgetting), 그리고 생산과 동일한 작업자당 시간 예산에 의해 제약되는 용량 소비 학습 행동을 갖춘 단일 사이트 환경(environment)이다. 이 벤치마크는 시드 제어 혼란 시나리오, 프로젝션 진단을 포함한 세 가지 실현 가능성 모드, 결정론적 재현, 그리고 운영, 회복력, 역량 성장, 학습(training) 접근 분포를 아우르는 지표를 포함한다. 우리는 60교대 지평 동안 쌍별 통계 검정과 함께 예산 변형을 적용한 생산 전용, 반응적 적응형, 워터필링 적응형, 정적 보험 정책을 평가한다. 결과는 순위가 아닌 체제에 따라 달라진다. 학습 가능 정책은 생산 전용 기준선(baseline)을 압도하며, 망각 하에서는 혼란 없이도 유지 학습이 필요하다. 학습 가능 클래스 중에서 적응형 학습은 병목이 예측에서 가시적일 때 도움이 되는 반면, 관련 기술 비상사태를 구조에 인코딩한 의도적으로 유리한 비교 기준인 간결한 정적 교차 학습 계획은 예상치 못한 충격과 결근 하에서 강력한 보험 역할을 한다. 용량 여유와 망각률이 이러한 체제 간의 경계를 결정한다. 어떤 정책 클래스도 모든 체제에 걸쳐 지배적이지 않으며, 이는 언제 기술 보험을 구매하고 언제 반응할지를 결정하는 예측 기반 컨트롤러의 필요성을 뒷받침한다.