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.