کنترل ریسک عوامل انسانی با استفاده از یادگیری تقویتی عمیق

این مرور نظام مند، نقش و ظرفیت یادگیری تقویتی عمیق در کنترل ریسک عوامل انسانی در صنایع پرخطر را بررسی می کند . با جست وجو در پایگاه های معتبر طی سال های ۲۰۱۰ تا ۲۰۲۵ و غربال نزدیک به سیصد مدرک، حدود صد منبع برای تحلیل نهایی انتخاب شد . مرور نشان می دهد که یادگیری تقویتی عمیق در قالب روش های ارزش محور و بازیگر–ارزیاب—برای یادگیری سیاست های کنترلی از داده های خام و محیط های پیچیده مناسب است و در مسائل کنترلی غیرخطی، نسبت به کنترل کننده های کلاسیک پایداری و دقت بالاتری گزارش شده است . با این حال، خلاهایی همچون کمبود داده میدانی استاندارد، شکاف «شبیه ساز تا واقعیت»، ایمنی اکتشاف، طراحی پاداش ریسک محور، تبیین پذیری و حسابرسی تصمیم ها، ادغام نظام مند با مدیریت ایمنی فرایند و ارزیابی خطای انسانی، تعامل انسان–سامانه، استانداردسازی و اقتصاد استقرار، انصاف الگوریتمی و تاب آوری در برابر تغییر توزیع، مانع به کارگیری وسیع صنعتی است . این مقاله ضمن صورت بندی نقشه راهی ده محوری برای پژوهش و استقراراز بانک های داده میدانی و دوقلوهای دیجیتال تا RL مقید و داشبوردهای ممیزیچارچوبی برای هم راستاسازی شاخص های ایمنی با سیاست های کنترلی یادگیر پیشنهاد می کند . جمع بندی سیاستی نشان می دهد مسیر بلوغ این رویکرد در گرو پیوند داده–شبیه ساز–میدان، ابزارهای سنجش و حسابرسی ایمنی، و همگرایی با الزامات PSM و فرهنگ ایمنی سازمانی است .

کلیدواژه ها:

مدیریت ریسک فرایند ، عوامل انسانی ، یادگیری تقویتی عمیق ، ایمنی فرایند ، اکتشاف ایمن ، پاداش ریسک محور ، تبیین پذیری ، دوقلوی دیجیتال ، انسان–در–حلقه .