Gwrthdroi dysgu ymreolaethol: Cadwyn orchymyn newydd

• Awdur:
• enw awdur

  Rhagolwg Quantumrun
• Awst 29, 2023

Uchafbwyntiau mewnwelediad

Wrth i ni orymdeithio i'r oes o awtomeiddio, mae cobots sy'n ysgogi dysgu atgyfnerthu gwrthdro (IRL) yn ailddiffinio tirwedd cadwyni cyflenwi. Trwy arsylwi a dysgu o dasgau dynol, mae cobots nid yn unig yn cynyddu cynhyrchiant ond hefyd yn siapio gweithlu'r dyfodol, gan agor cyfleoedd ar gyfer datblygu sgiliau ac arloesi ar draws diwydiannau. Fodd bynnag, wrth i’r llanw technolegol hwn ymchwyddo, mae’n dod â chyfres o newidiadau cymdeithasol o newid demograffeg i gyfreithiau llafur newydd, anghenion cynllunio trefol, a phryderon iechyd meddwl, gan danlinellu’r angen am ddull cytbwys.

Gwrthdroi cyd-destun dysgu ymreolaethol

Nod dysgu atgyfnerthu confensiynol (RL) yw datblygu proses gwneud penderfyniadau sy'n gwneud y gorau o swyddogaeth wobrwyo a bennwyd ymlaen llaw. Fodd bynnag, mae dysgu atgyfnerthu gwrthdro (IRL), cysyniad a gyflwynwyd gan Andrew Ng a Stuart Russell yn 2000, yn gwrthdroi'r dull hwn, gyda'r nod o ddiddwytho'r swyddogaeth wobrwyo o ymddygiad arddangos asiant. Yn greiddiol, mae IRL, dysgu prentisiaeth, a dulliau dysgu ffug tebyg yn llwyddiannus oherwydd eu gallu i harneisio mewnwelediadau o bolisi a weithredir gan arbenigwr dynol. Serch hynny, y dyhead yn y pen draw yw galluogi systemau dysgu peirianyddol (ML) i ddysgu o ddata dynol amrywiol.

Mae cobots neu "robotiaid cydweithredol" yn defnyddio IRL i wella cynhyrchiant a diogelwch dynol mewn cadwyni cyflenwi. Gyda'r gallu i ddysgu trwy wylio gweithwyr dynol, gall cobots ailadrodd cynigion dynol a gwella effeithlonrwydd, gan ddileu tasgau diangen. Mae'r dechnoleg drawsnewidiol hon yn symud ymlaen yn y diwydiant trycio ymreolaethol, a ddangosir gan Plus, cwmni sy'n defnyddio deallusrwydd artiffisial (AI) i ddysgu ac addasu i amodau ffyrdd annisgwyl, gan feithrin cludiant mwy diogel ac ymreolaethol. Wrth i lwyfannau AI/ML gasglu biliynau o filltiroedd o ddata gyrru, nod Plus yw cymhwyso'r wybodaeth hon mewn amgylchedd cwbl ddi-yrrwr. 

Ar yr un pryd, mae'r Sefydliad Roboteg ym Mhrifysgol Carnegie Mellon yn arloesi Wild Human-Imitated Robot Learning, gan alluogi robotiaid i ddysgu o luniau fideo ar-lein. Mae cwmnïau fel Brooks, gyda'i gynorthwyydd robot Carter, yn defnyddio'r datblygiadau hyn i ddatblygu awtomatons sy'n gallu arsylwi a chynorthwyo tasgau dynol yn agos, gan ddangos newid aruthrol yn y ffordd y mae cadwyni cyflenwi'n gweithredu.

Effaith aflonyddgar

Gall cobots sy'n defnyddio IRL gynnig cyfleoedd sylweddol ar gyfer datblygu sgiliau a datblygiad proffesiynol. Gan fod cobots wedi'u cynllunio i arsylwi a dysgu o dasgau dynol, maent yn eu hanfod yn caniatáu integreiddio llyfnach i amgylcheddau gwaith presennol. Dros amser, gallai hyn arwain at newid mewn rolau swyddi, lle bydd unigolion yn treulio llai o amser ar dasgau cyffredin a mwy ar rolau meddwl yn feirniadol a gwneud penderfyniadau. Gallai’r bartneriaeth cobot-dynol roi cyfleoedd i unigolion uwchsgilio, gan ganolbwyntio mwy ar reoli a chynnal y systemau awtomataidd hyn, gan greu ecosystem o weithredwyr.

Ar ben hynny, gallai busnesau newydd fanteisio ar y duedd hon trwy gynnig atebion unigryw yn ymwneud ag integreiddio, cynnal a chadw a gwella cobots. Er enghraifft, gallent ddatblygu rhyngwynebau rhaglennu uwch, creu modelau rhyngweithio peiriant dynol mwy greddfol, neu hyd yn oed sefydlu rhaglenni hyfforddi ar gyfer gweithwyr sy'n addasu i'r systemau newydd hyn. Gallent hefyd fynd i'r afael â'r pryderon moesegol a diogelwch a allai ddeillio o weithrediad cobot eang, gan gynnig atebion sy'n cyd-fynd â normau rheoleiddio tra'n gwella effeithlonrwydd gweithredol.

Gallai cwmnïau ddefnyddio'r dechnoleg hon i yrru effeithlonrwydd, lleihau costau, a gwella diogelwch yn y gweithle. Fodd bynnag, efallai y bydd y trawsnewid yn gofyn am fuddsoddiadau sylweddol mewn seilwaith a hyfforddi gweithwyr. Yn y cyfamser, efallai y bydd angen i lywodraethau gydbwyso meithrin arloesedd a sicrhau diogelwch gweithwyr a sicrwydd swyddi, gan arwain o bosibl at fframweithiau rheoleiddio newydd yn ymwneud â chyfreithiau llafur a safonau gweithle. 

Goblygiadau dysgu ymreolaethol o chwith

Gall goblygiadau ehangach dysgu annibynnol o’r chwith gynnwys: 

• Deddfwyr yn wynebu pwysau i gydbwyso rhwng diogelu swyddi a chefnogi cynnydd technolegol. Efallai y bydd yna hefyd ddiwygiadau mewn deddfau llafur, fel y rhai sy'n ymwneud ag oriau gwaith, iechyd, diogelwch ac iawndal, o ystyried y gall cobots weithio rownd y cloc heb fod angen egwyliau.
• Mwy o weithwyr technegol medrus y mae eu rolau sylfaenol yn cynnwys hyfforddi, gweithredu a chynnal robotiaid.
• Llai o ôl troed amgylcheddol trwy wneud y defnydd gorau o adnoddau a lleihau gwastraff. Fodd bynnag, gall pryderon godi ynghylch y defnydd o ynni a gwaredu modelau darfodedig.
• Mae angen i sefydliadau addysgol ailwampio eu cwricwlwm i baratoi myfyrwyr ar gyfer y farchnad swyddi newidiol. Gallai rhaglenni hyfforddiant galwedigaethol ganolbwyntio mwy ar roboteg ac AI.
• Dinasoedd yn addasu eu seilwaith i ddarparu ar gyfer y defnydd cynyddol o gobots. Er enghraifft, efallai y bydd angen i ffyrdd a systemau trafnidiaeth gynnwys cerbydau ymreolaethol yn y diwydiant cadwyn gyflenwi.
• Cadwyni cyflenwi yn dod yn ddibynnol iawn ar y dechnoleg hon, gan eu gwneud yn agored i fethiannau technegol neu ymosodiadau seiber.
• Gweithle mwy awtomataidd yn creu straen a phryder ymhlith gweithwyr am sicrwydd swyddi, gan arwain at oblygiadau posibl i systemau cymorth iechyd meddwl a lles cymdeithasol.
• Llai o ryngweithio dynol-dynol, a allai effeithio ar ddiwylliant y gweithle a gwaith tîm.

Cwestiynau i'w hystyried

• Os ydych chi'n gweithio mewn cadwyn gyflenwi, sut mae'ch cwmni'n mabwysiadu cobots?
• Sut gallai cadwyni cyflenwi gydweithio â'u gweithwyr dynol i sicrhau eu bod yn gweithio'n dda gyda chobots?