Większość ludzi zakłada, że roboty konkurują na poziomie sprzętu.
Lepsze czujniki.
Szybszy ruch.
Mądrzejsza autonomia.
To ma znaczenie w laboratorium.
W rzeczywistych wdrożeniach coś innego decyduje, kto faktycznie zarabia pieniądze.
Przydział zadań.
Widziałem to w systemie automatycznych operacji kilka lat temu. Wiele maszyn mogło wykonywać tę samą pracę, a na papierze sieć była neutralna. Każdy operator spełniający wymagania mógł otrzymać pracę.
Jednak po kilku tygodniach w kolejce zadań zaczęły pojawiać się pewne wzory.
Niektórzy operatorzy wciąż otrzymywali najczystsze zadania.
Nie więcej zadań — tylko bezpieczniejsze.
Zadania, które szybko przechodziły weryfikację.
Środowiska, w których wskaźniki awarii pozostawały niskie.
Nic w zasadach nie mówiło, że tak powinno być.
Jednak gdy kolejka zaczyna kierować pracę nieco częściej do tych samych operatorów, przewaga się kumuluje.
Historia ukończenia poprawia się.
Wskaźniki niezawodności wzmacniają się.
Logika przydziału ufa im trochę więcej w następnym cyklu.
Ostatecznie kolejka zaczyna uczyć sieć.
Nie poprzez zarządzanie.
Poprzez dystrybucję.
To jest soczewka, której używam, gdy patrzę na Fabric.
Jeśli roboty zaczynają zarabiać $ROBO za zweryfikowaną pracę, sprzęt nie będzie głównym ograniczeniem.
Dyspozycja będzie.
Weryfikacja dowodzi, że praca została ukończona.
Ale dyspozycja cicho decyduje, kto ma możliwość jej ukończenia w pierwszej kolejności.
Jeśli warstwa przydziału pozostaje zrównoważona pod obciążeniem, maszyny konkurują w wykonaniu.
Jeśli nie, kolejka powoli uczy tych samych uczestników, jak wygrać.
I przez większość czasu nikt tego nie zauważa, aż wzory dystrybucji przestaną wyglądać losowo.