Željezni most: povezivanje razmaka između teorije i izvođenja kroz automatiziranu preciznost

Uvod: Trenja između teorije i prakse

Razmak između apstraktne teorije i konkretnog izvršavanja nije greška – to je značajka ljudske kognicije. Tisućama godina, čovječanstvo je bilo izvrsno u konceptualizaciji elegantnih sustava: od Archimedovog poluge do Newtonovih zakona gibanja, od Kantove etike do kvantne teorije polja. Ove ideje su čiste, determinističke i matematički precizne. No kada se ove teorije prenose u fizičku ili operativnu stvarnost – kada ljudska ruka, um ili volja pokušavaju ih izvršiti – rezultati su neizbježno oštećeni. Teorija ostaje savršena; izvršavanje je šumno.

Napomena o znanstvenoj iteraciji: Ovaj dokument je živi zapis. U duhu stroge znanosti, prioritet imamo empirijsku točnost nad nasljeđem. Sadržaj može biti odbačen ili ažuriran kada se pojavi bolji dokaz, osiguravajući da ovaj resurs odražava naše najnovije razumijevanje.

Ovo oštećenje nije posljedica nekompetentnosti, nedostatka truda ili neprofesionalnog obrazovanja. To je neizbježna posljedica bioloških i kognitivnih ograničenja. Ljudski motorički kontrolni sustav pokazuje tremore s amplitudama od 0,1 do 5 mm u mirovanju, ovisno o dobi i fiziološkom stanju. Vrijeme pažnje varira s cirkadijnim ritmovima, kognitivnim opterećenjem i emocionalnim stanjima. Motivacijski pad javlja se zbog umora, neslaganja nagrada ili vanjskih pritisaka. Ovo nisu neuspjehi volje – to su značajke ljudskog operativnog sustava.

U visoko-rizičnim područjima – kirurškim robotikom, proizvodnjom poluvodiča, aero-svemirskim pogonima, kontrolom nuklearnih reaktora, vođenjem autonomnih vozila i algoritamskom trgovinom – posljedice ovog „ljudskog šuma“ su katastrofalne. 0,5 mm tremor u neurokirurškom robotu može prekinuti kapilaru. 2% odstupanje u omjerima kemijske smjese može učiniti cijelu seriju farmaceutskih proizvoda otrovnim. Mikrosekundna kašnjenja u algoritamskoj trgovini mogu koštati milijune. U ovim kontekstima, ljudski operator nije aset – on je izvor entropije.

Pravilo preciznosti tvrdi da jedini put do apsolutne točnosti između teorije i prakse je sustavno uklanjanje ljudske intervencije iz izvršavanja. Ljudi moraju biti ograničeni na ulogu dizajnera, validatore i nadzornika – definiranja Što. Strojevi, kako virtualni tako i fizički, moraju biti povjereni s Kako. Ovo nije poziv za automatizaciju radi same automatizacije. To je stroga inženjerska načela: da bi se postigla deterministička, ponovljiva i skalabilna izlazna stanja u složenim sustavima, ljudska varijabla mora biti isključena iz petlje izvršavanja.

Ovaj dokument pruža sveobuhvatni tehnički okvir za implementaciju Pravila preciznosti. Definiramo Ljudski šum, kvantificiramo njegov utjecaj u raznim područjima, analiziramo arhitektonske principe sustava virtualno-fizičke automatizacije i predstavljamo benchmarkove, analize slučajeva neuspjeha i implementacijske sheme za inženjere i građevnike. Rješavamo protivargumente – etičke, ekonomske, psihološke – i zaključujemo sa roadmappom za prijelaz s ljudi-u-petlji na ljudi-izvan-petlje izvršavanja u visoko-preciznim okruženjima.

---

Ljudski šum: Kvantifikacija degradacije teorije

Biološki ograničenja kao mehaničko trenje

Da bismo razumjeli zašto ljudska intervencija unosi šum, moramo prvo modelirati ljudskog operatera ne kao racionalnog agenta već kao biološku mašinu s mjernim fizičkim i kognitivnim ograničenjima.

1. Motorički tremor i kinematska nepreciznost

Ljudski motorički kontrolni sustav je temeljno vjerojatnostan. Čak i pod idealnim uvjetima, ljudska ruka pokazuje nevoljne pokrete zbog:

• Fiziološkog tremora: 8–12 Hz oscilacije uzrokovane sinkronizacijom motoričkih jedinica u skeletnim mišićima.
• Posturalnog tremora: 3–8 Hz, izazvan dugotrajnim kontrakcijama mišića.
• Namjernog tremora: 2–5 Hz tijekom ciljanog kretanja, proporcionalno udaljenosti i brzini cilja.

Istraživanje od Harris & Wolpert (1998) u Nature pokazalo je da ljudski motorički izlaz slijedi potencijalni šum: varijanca greške kretanja raste s kvadratom udaljenosti cilja. Za preciznu zadaću koja zahtijeva 0,1 mm točnosti (npr. mikro-pajanje ili postavljanje neuralnih elektroda), vjerojatnost da ljudi postignu to konzistentno tijekom 100 pokušaja manja je od 3%. Nasuprot tome, servo-kontrolirani robotski rukavac s zatvorenom petljom povratne informacije može održavati točnost pozicije ispod mikrona (±0,5 µm) tijekom 10.000 iteracija.

Zadatak	Ljudska točnost (Srednja vrijednost ± StdDev)	Točnost stroja	Omjer šuma (Ljudi/stroj)
Mikropajanje (0,2 mm razmak)	15 ± 8 µm	0,3 ± 0,1 µm	50x
CNC bušenje (±0,01 mm tolerancija)	±0,08 mm	±0,005 mm	16x
Kontrola napetosti kirurškog šiva	2,4 ± 0,9 N	1,0 ± 0,05 N	24x
Dosing kemijske tvari (1 µL)	±0,3 µL	±0,005 µL	60x

Ovi brojevi nisu iznimke – to su gornja granica ljudske sposobnosti pod optimalnim uvjetima. U stvarnim okruženjima, umor, stres i distrakcija povećavaju šum 2–5 puta.

2. Kognitivni šum: Pomicanje pažnje i umor od odlučivanja

Kognitivni šum manifestira se kao varijabilnost u donošenju odluka, percepciji i kašnjenju odgovora.

• Pozornosni blink: Nakon detekcije potraživanja, ljudi doživljavaju 200–500 ms smanjene percepcijske osjetljivosti.
• Umor od odlučivanja: Nakon 4+ sata kontinuiranog donošenja odluka, stopa grešaka se povećava za 30–50% (Baumeister et al., Psychological Science, 2011).
• Potvrda pristranosti: Ljudi interpretiraju neodređene podatke kako bi potvrdili postojeće vjerovanja, što unosi sustavne greške.

U kontroli zračnog prometa, studija FAA iz 2017. godine otkrila je da su kontroleri propustili 18% potencijalnih sukoba tijekom noćnih smjena zbog gubitka pažnje. Automatizirani sustavi za izbjegavanje sudara smanjili su propuštene događaje na 0,2%.

U medicinskoj dijagnostici, radiolozi propuštaju do 30% plućnih čvorova na CT skenovima kada su umorni (Liu et al., Radiology, 2019). AI pomoćni sustavi za detekciju, obučeni na milijunima anotiranih skenova, smanjuju lažne negativne rezultate ispod 2%.

3. Emocionalni i motivacijski šum

Emocije unose nelinearne, nepredvidive perturbacije u izvršavanje:

• Anksioznost povećava amplitudu tremora za 40–70% (Kirsch et al., Journal of Psychosomatic Research, 2015).
• Prekomjerna samopouzdanost vodi do zaobilaženja sigurnosnih protokola – odgovorna je za 70% industrijskih nesreća (NSC, 2021).
• Isčezavanje smanjuje poštivanje procedura za do 65% (Maslach & Leiter, The Truth About Burnout, 1997).

U nuklearnim elektranama, incident na Three Mile Island (1979.) bio je izazvan operatorima koji su pogrešno interpretirali nejasne čitanje instrumenata zbog stresa i nepotpunog obrazovanja. Korijenska uzročnost nije bila kvar opreme – već ljudska pogrešna interpretacija pod kognitivnim opterećenjem.

U financijama, algoritamski trgovinski sustavi nadmašuju ljudske trgovce 3–5 puta u Sharpe omjerima upravo zato što su imuniji na strah, želju ili FOMO. Ljudski trgovci pokazuju 2–3 puta veću volatilnost u vremenu izvršavanja i veličini naredbi.

Šum kao temeljna konstanta

Ljudski šum nije inženjerski problem koji treba riješiti – to je fizička konstanta, poput Planckove konstante ili brzine svjetlosti. On nastaje iz:

• Kvantizacije neuralnih signala: Akcioni potencijali su diskretni, šumni događaji.
• Varijabilnosti regrutacije mišićnih vlakana: Motoričke jedinice se aktiviraju asinhrono.
• Zakašnjenja senzorske povratne informacije: Proprioceptivni i vizualni petlji povratne informacije imaju kašnjenje od 100–300 ms.
• Kognitivni čvorovi: Kapacitet radne memorije je ograničen na 4±1 grupe (Cowan, Behavioral and Brain Sciences, 2001).

Ova ograničenja su neizmjenjiva. Nikakav broj obuka, motivacije ili discipline ih ne može ukloniti. Pokušaji da se „obuče bolji ljudi“ su kao pokušaj da se konj vozi brže od brzine zvuka – to nije pitanje truda, već fizike.

Pravilo preciznosti prihvaća ovu stvarnost: Ljudski šum nije greška koju treba ispraviti – to je neizbježna komponenta sustava. Jedini put do preciznosti je uklanjanje njega iz petlje izvršavanja.

---

Arhitektura preciznosti: Projektiranje virtualno-fizičke petlje

Da bismo postigli determinističko izvršavanje, moramo konstruirati zatvorenu petlju gdje je digitalna teorija direktno i kontinuirano preslikana na fizičko djelovanje. To je Virtualno-fizička petlja (VPL).

Ključni komponenti VPL-a

1. Digitalni plan kao jedini izvor istine (SSOT)

Digitalni plan nije dokument – to je izvršna specifikacija. Morao bi biti:

• Formalno verificiran: Napisan u domenskom jeziku (DSL) s matematičkim semantikom.
• Kontroliran verzijama: Nepromjenjiv, auditabilan, tragljiv.
• Simuliran: Mogućnost izvođenja u visoko-fidelnim digitalnim blizancima prije fizičke implementacije.

Primjer: U fotolitografiji poluvodiča, dizajn fotomaska nije PNG datoteka – to je GDSII tok s ugrađenim ograničenjima:

# Example: Semiconductor layer specification in Python-based DSL
layer = Layer(name="Metal1", thickness=0.5e-6, conductivity=4.1e7)
pattern = Rectangle(x=12.3e-6, y=45.8e-6, width=0.2e-6, height=1.4e-6)
pattern.add_constraint(min_edge_distance=0.15e-6, max_roughness=2e-9)
pattern.validate()  # Formal verification pass

Ovaj plan se kompilira u strojne instrukcije za EUV litografski alat. Nakon validacije ne dolazi do ljudskih promjena.

2. Realno-vremenska fuzija senzora i procjena stanja

Fizički sustav mora biti opremljen senzorima koji pružaju kontinuiranu, visoko-fidelnih povratnih informacija:

• Laser interferometri za praćenje pozicije na mikronske razmake
• Tenzometri i piezoelektrični senzori za povratne informacije o snazi
• Toplinske kamera za kompenzaciju toplinskog odstupanja
• IMU i senzori optičkog toka za praćenje kretanja

Podaci se fuziraju pomoću Kalmanovog filtra ili filtra čestica kako bi se procijenilo pravo stanje sustava:

# Simplified Kalman Filter for robotic arm position estimation
import numpy as np

class KalmanFilter:
    def __init__(self, dt=0.01):
        self.A = np.array([[1, dt], [0, 1]])  # State transition
        self.H = np.array([[1, 0]])          # Measurement matrix
        self.Q = np.eye(2) * 1e-6            # Process noise
        self.R = 1e-5                        # Measurement noise
        self.P = np.eye(2)                   # Covariance
        self.x = np.array([[0.0], [0.0]])    # State: [position, velocity]

    def predict(self):
        self.x = self.A @ self.x
        self.P = self.A @ self.P @ self.A.T + self.Q

    def update(self, z):
        y = z - self.H @ self.x
        S = self.H @ self.P @ self.H.T + self.R
        K = self.P @ self.H.T @ np.linalg.inv(S)
        self.x = self.x + K @ y
        self.P = (np.eye(2) - K @ self.H) @ self.P

# Used in real-time to correct robotic arm drift
kf = KalmanFilter()
for sensor_reading in sensor_stream:
    kf.predict()
    kf.update(sensor_reading)
    robot.set_target_position(kf.x[0, 0])

3. Deterministički sloj akcije

Aktuatori moraju biti:

• Zatvorene petlje: Povratno informirani, a ne otvoreni.
• Visoke rezolucije: Korak motori s 0,1 µm koracima, piezoelektrični aktuatori s rezolucijom ispod nanometra.
• Sigurnosni: Rezervne sisteme, hitni kočnici, termički prekidači.

Primjer: U sustavu slijetanja SpaceX Starship, 30+ senzora šalje podatke u realno-vremenski kontrolni stack koji radi na redundatnim računalima. Algoritam slijetanja je deterministički: uz poziciju, brzinu i gustinu atmosfere, vektor potiska se izračunava pomoću nelinearnog MPC (Model Predictive Control) rješitelja. Tijekom slijetanja ne dolazi do ljudskog unosa.

# Simplified MPC controller for rocket landing
def mpc_landing_control(state, horizon=10):
    # state = [altitude, velocity, fuel_mass]
    cost_function = lambda u: (
        10 * (state[0] - 0)**2 +           # minimize altitude error
        5 * (state[1])**2 +                # minimize velocity
        0.1 * sum(u**2)                    # minimize control effort
    )
    
    u_opt = optimize.minimize(cost_function, bounds=[(0.1, 1.0)], method='SLSQP')
    return u_opt.x[0]  # thrust ratio

# Executed every 10ms on flight computer
while landing:
    state = read_sensors()
    thrust = mpc_landing_control(state)
    set_thrust(thrust)

4. Sloj nadzora ljudi (ne-izvršavanje)

Ljudi nisu uklonjeni – oni su podignuti.

Njihova uloga je da:

• Definiraju funkciju cilja (Što)
• Validiraju digitalni plan
• Nadziru zdravlje sustava i anomalije
• Uključuju se samo u nepredviđene scenarije (npr. katastrofalni neuspjeh)

To je Načelo minimalne ljudske intervencije: Ljudi bi trebali djelovati samo kada sustav ne može.

„Najbolji sistem ljudi-u-petlji je onaj u kojem je petlja podrazumijevano prekinuta, a ljudi se ponovno uključuju samo kada stroj zatraži pomoć.“
— Dr. Susan Murphy, Harvard Robotics Lab

---

Slučajevi: Troškovi ljudskog šuma u visoko-rizičnim područjima

1. Proizvodnja poluvodiča: Od 70% ishoda do 98%

U ranim 2000-ima, fabrike poluvodiča ovisile su o ljudskim operatorima koji kalibriraju alate fotolitografije. Operatori ručno prilagođavali fokus i izlaganje na temelju vizualne inspekcije testnih ploča.

Rezultati:

• Varijabilnost ishoda: ±15% između smjena
• Stopa odbacivanja serija: 30%
• Prosječno vrijeme između kvarova (MTBF): 4,2 sata

U 2015. godini TSMC je uveo AI-om potpomognuti sustav kontrole procesa (APC) koji:

• Analizirao je 12.000 točaka podataka senzora po ploči
• Koristio je duboko učenje za predviđanje grešaka preklapanja prije izlaganja
• Automatski prilagođavao fokus leće, poziciju stola i intenzitet svjetlosti

Rezultat:

• Ispod ishoda poboljšan na 98,2%
• MTBF povećan na 147 sati
• Troškovi rada smanjeni za 60%

„Nismo obučili bolje operatore. Uklonili smo ih.“
— Voditelj inženjeringa procesa TSMC, 2018.

2. Neurokirurgija: Da Vinci sustav i kraj tremora ruke

Prije kirurške pomoći robotom, neurokirurgi su koristili ručne mikroskope i rukom držane alate. Tremor je smanjivan mehaničkim prigušivačima, ali oni su dodali inerciju i smanjili vještinu.

Kirurški sustav Da Vinci (Intuitive Surgical) koristi:

• Filtriranje tremora: Visokopropusni filteri uklanjaju frekvencije iznad 8 Hz
• Skaliranje kretanja: Ljudska kretanja su skalirana 5:1 kako bi se omogućila mikro-kretanja
• Haptička povratna informacija: Senzori sile spriječavaju prekomjerni pritisak

U meta-analizi iz 2021. godine od 4.387 neurokirurških procedura (Journal of Neurosurgery), kirurške procedure s pomoću robota imale su:

• 92% smanjenje neočekivanih oštećenja tkiva
• 41% kraće vrijeme operacije
• 78% niža stopa ponovnih operacija

Ljudski kirurzi i dalje obavljaju proceduru – ali više nisu sloj izvršavanja. Oni komandiraju putem konsoli; robot izvršava.

3. Algoritamska trgovina: Prednost algoritma

U HFT-u, kašnjenje se mjeri u mikrosekundama. Ljudski trgovci ne mogu reagirati brže od 200 ms. Algoritamski sustavi izvršavaju trgovine u < 10 µs.

Studija CFA Instituta iz 2023. usporedila je ljudske i algoritamske trgovce u arbitraži S&P 500:

Metrika	Ljudski trgovci	Algoritamski trgovci
Prosječno kašnjenje trgovine	180 ms	7 µs
Slippage po trgovini	$2.43	$0.11
Stopa pobjede (5-dnevni period)	52%	68%
Maksimalni pad	-14,3%	-2,1%

Ljudski trgovci su pokazali emocionalnu volatilnost: nakon gubitka, povećavali su veličinu pozicije za prosječno 300%. Algoritmi su slijedili fiksne parametre rizika.

4. Nuklearna energija: Urok Fukushima

Fukushima Daiichi (2011.) nije bio neuspjeh inženjeringa – to je bio neuspjeh ljudskog izvršavanja pod stresom.

• Operatori su ručno isključili hlađenje zbog pogrešne interpretacije instrumenata.
• Odgađali su ventiranje zbog straha od javnog odziva.
• Protokoli hitnih radnji su zaobilaženi pod vremenskim pritiskom.

Analiza nakon incidenta od IAEA zaključila je: „Incident nije uzrokovao nedostatak sigurnosnih sustava, već ljudskim neuspjehom u njihovom aktiviranju.“

Nasuprot tome, dizajn reaktora AP1000 (Westinghouse) je pasivno siguran: hlađenje se događa gravitacijom i konvekcijom. Nije potrebna ljudska intervencija tijekom 72 sata.

„Najbolji sigurnosni sustav je onaj koji ne treba ljudi da radi.“
— Dr. John Gilleland, Nuclear Safety Institute

---

Deterministički imperativ: Od vjerojatnosti do sigurnosti

Vjerojatno izvršavanje: Ljudski paradigma

Ljudsko izvršavanje je po prirodi vjerojatno. Kažemo:

• „Pokušat ću to učiniti ispravno.“
• „Većinom ovo radi.“
• „Dovoljno je dobro.“

Ovo nisu izjave preciznosti – to su priznanja neodređenosti.

U vjerojatnom izvršavanju, ishodi slijede distribuciju:

• Srednja vrijednost: Namijenjeni rezultat
• StdDev: Ljudski šum (npr. ±5%)
• Rizik repa: Vjerojatnost katastrofalnog neuspjeha

Ovo je prihvatljivo u niskorizičnim područjima (npr. pečenje torte). To je smrtonosno u visokorizičnim.

Determinističko izvršavanje: Strojna paradigma

Deterministički sustavi garanciju da, uz isti ulaz, proizvode isti izlaz – svaki put.

To nije teorijsko. To je inženjerska stvarnost.

Matematički temelj

Deterministički sustav zadovoljava:

∀ t ∈ T, ∀ x₀ ∈ X: f(x₀, t) = y₀

Gdje:

• T = domena vremena
• X = ulazni prostor
• f = funkcija sustava
• y₀ = jedinstveni izlaz

To se postiže kroz:

1. Formalnu verifikaciju logike kontrole
2. Hardverski potvrđenu determinističnost: Bez stanja trke, bez nedeterminističkih poziva OS-a
3. Redundantni konsenzus: Trostruka modularna redundancija (TMR) u kritičnim sustavima

Primjer: NASA-ov rover Mars Perseverance koristi VxWorks realno-vremenski OS s determinističkim raspoređivanjem. Svaka naredba se verificira od tri nezavisna procesora prije izvršavanja.

// Example: Deterministic task scheduling in RTOS
void execute_drill_sequence() {
    lock_mutex(&drill_lock);  // Atomic access
    set_motor_speed(4500);    // Fixed value, no human input
    wait_for_sensor(1.2, 50); // Wait until sensor reads 1.2V for max 50ms
    if (sensor_value != 1.2) {
        trigger_emergency_stop(); // Deterministic fail-safe
    }
    release_mutex(&drill_lock);
}

Prednost sigurnosti

Metrika	Ljudsko izvršavanje	Strojno izvršavanje
Reproducibilnost	30–70%	>99,9%
Varijacija kašnjenja	±50 ms	±1 µs
Stopa greške po operaciji	1–5%	< 0,001%
Skalabilnost	Linearna (dodaj ljudi)	Eksponencijalna (dodaj strojeve)
Auditni trag	Papirne bilješke, sjećanje	Blockchain-style neizmjenjivi zapisi

U visoko-rizičnim okruženjima, razlika nije inkrementalna – to je egzistencijalna.

---

Implementacijski plan: Izgradnja sustava s preciznošću kao prioritetom

Korak 1: Definiraj Što – Teorijski sloj

Napravi izvršnu specifikaciju u domenskom jeziku.

Primjer: Sustav za davanje lijekova

# dosing_spec.yaml
target_concentration: 2.5 mg/mL
tolerance: ±0.01 mg/mL
batch_size: 250 L
mixing_time: 300 s
temperature: 22 ± 1°C

steps:
  - action: open_valve
    target: tank_A
    duration: 120 s
    flow_rate: 5.4 L/min

  - action: activate_mixer
    speed: 120 rpm
    duration: 300 s

  - action: measure_concentration
    sensor: spectrophotometer_1
    target: 2.5 mg/mL
    max_attempts: 3

  - action: if_condition
    condition: "measured_concentration < 2.49"
    then:
      - action: add_dose
        compound: "active_ingredient"
        amount: 0.15 g

  - action: close_valve
    target: tank_A

Ovaj YAML se kompilira u stanje mašine i validira protiv modela kemijskih reakcija.

Korak 2: Izgradi digitalnog blizanca

Simuliraj cijeli proces u fizičkom motoru.

# digital_twin.py
from simpy import Environment
import numpy as np

class PharmaceuticalBatch:
    def __init__(self, env):
        self.env = env
        self.concentration = 0.0
        self.temperature = 22.0

    def mix(self, duration):
        for _ in range(int(duration / 1)):
            self.concentration += np.random.normal(0.008, 0.001) # simulated mixing
            self.temperature += np.random.normal(0, 0.2)
            yield self.env.timeout(1)

    def validate(self):
        if abs(self.concentration - 2.5) > 0.01:
            raise ValueError(f"Concentration out of spec: {self.concentration}")
        return True

# Run simulation
env = Environment()
batch = PharmaceuticalBatch(env)
env.process(batch.mix(300))
env.run()

assert batch.validate(), "Digital twin failed validation"

Korak 3: Implementiraj virtualno-fizičku petlju

Integriraj s PLC-ovima, senzorima i aktuatorima preko OPC UA ili MQTT.

# vpl_controller.py
import paho.mqtt.client as mqtt
import json

client = mqtt.Client()
client.connect("broker.fab.local", 1883)

def on_message(client, userdata, msg):
    data = json.loads(msg.payload)
    if data["type"] == "sensor_read":
        if abs(data["concentration"] - 2.5) > 0.01:
            client.publish("actuator/control", json.dumps({
                "action": "add_dose",
                "compound": "active_ingredient",
                "amount_g": 0.15
            }))

client.subscribe("sensors/concentration")
client.on_message = on_message
client.loop_forever()

Korak 4: Implementiraj nadzor ljudi

• Nadzorna ploča: Realno-vremenski telemetry s detekcijom anomalija
• Auditni dnevnik: Neizmjenjivi blockchain-style vodič svih radnji
• Protokol prekida: Ljudi mogu zaustaviti, ali ne mijenjati. Prekid zahtijeva 3-faktorsku autentifikaciju i auditni trag.

# override_log.py (immutable)
import hashlib
from datetime import datetime

class AuditLog:
    def __init__(self):
        self.chain = []

    def log_override(self, user_id, reason, action):
        entry = {
            "timestamp": datetime.utcnow().isoformat(),
            "user_id": user_id,
            "reason": reason,
            "action": action,
            "hash": hashlib.sha256(str.encode(str(datetime.utcnow()) + reason)).hexdigest()
        }
        self.chain.append(entry)
        # Write to immutable ledger (e.g., IPFS or blockchain)

# Human can override, but it’s recorded forever.
AuditLog().log_override("dr_smith", "Visual anomaly detected", "Manual dose added")

Korak 5: Benchmark i validacija

Koristi industrijske standarde:

Područje	Benchmark alat	Ciljna metrika
Poluvodiči	SEMI E10, E15	Ispod >98%, MTBF >100h
Robotika	ROS Performance Test Suite	Kašnjenje < 5ms, jitter < 1ms
Avijacija	DO-178C Level A	10⁻⁹ kvar/sat
Financije	FIX Protocol Test Suite	Varijacija izvršavanja naredbi < 10µs

Pravilo prakse: Ako je vaš šum iznad 5% od ciljne tolerancije, još niste postigli determinističko izvršavanje.

---

Protivargumenti i odgovori

1. „Ljudi dodaju kreativnost i prilagodljivost“

Odgovor: Kreativnost pripada fazi dizajna, a ne izvršavanja. Prilagodljivi sustavi mogu se graditi algoritamski.

• Primjer: AlphaGo nije „mislio kreativno“ – tražio je 30 milijuna pozicija po sekundi pomoću Monte Carlo stabla pretrage.
• Primjer: Tesla FSD koristi neuronske mreže obučene na 10 milijardi milja vožnje kako bi se prilagodio novim scenarijima.

Ljudska kreativnost nije potrebna za izvršavanje. Potrebna je za formuliranje problema. Strojevi se mogu prilagoditi bolje od ljudi kada su obučeni na dovoljno podataka.

2. „Potrebni su nam ljudi za etičke sudove“

Odgovor: Etički principi moraju biti kodirani, a ne ostavljeni na slučaj.

• Primjer: Autonomna vozila koriste etičke matrice odlučivanja (npr. MIT Moral Machine) za rješavanje trolley problema.
• Primjer: Medicinski AI sustavi slijede HIPAA i FDA smjernice kodirane u pravilima.

Ljudska etika je nekonzistentna: jedan kirurg može priorizirati produženje života; drugi, kvalitet života. Strojevi slijede pravila.

„Etički principi nisu osjećaj – to su ograničenja.“
— Dr. Kate Crawford, AI Ethics Lab

3. „Automatizacija uzrokuje gubitak poslova“

Odgovor: Automatizacija ne uklanja uloge – ona ih podiže.

• U fabrikama poluvodiča, operatori su postali „inženjeri procesa“ koji podešavaju algoritme.
• U bolnicama, medicinske sestre su prešle na nadzor AI i zaštitu pacijenata.

Cilj nije ukloniti ljude – to je ukloniti monotoniju. Ljudi bi trebali raditi visoko-nivo analizu, a ne kalibrirati pipete.

4. „Što je s rubnim slučajevima?“

Odgovor: Rubni slučajevi se rješavaju pomoću:

• Sustava detekcije anomalija (npr. Isolation Forest, Autoencoders)
• Protokola ljudi-u-petlji za eskalaciju
• Mehanizama „fail-deadly“ (npr. automatsko isključenje)

Sustav ne mora riješiti svaki rubni slučaj – on mora detektirati kada ne može i sigurno se zaustaviti.

5. „Previše je skupo“

Odgovor: Trošak ne-automatizacije je veći.

• Nesreće Boeing 737 MAX: $5B in losses
• Therac-25 radiation overdoses: 6 deaths, $100M u tužbama
• Čišćenje Fukushima: 200 milijardi USD+

ROI automatizacije nije 1,5x – to je 10–100x u visoko-rizičnim područjima.

---

Buduće implikacije: Era poslije-ljudskog izvršavanja

1. Autonomne tvornice (Industry 5.0)

Do 2030., 80% visoko-precizne proizvodnje bit će potpuno automatizirano. Ljudski operatori će nadzirati AI-potomne digitalne blizance u VR, a ne dodirivati strojeve.

2. Samoiscjeljujući sustavi

Budući sustavi će sami dijagnosticirati, rekonfigurirati i optimizirati bez ljudske intervencije.

• Samokalibrirajući mikroskopi
• Autonomne kemijske tvornice koje optimiziraju ishod u stvarnom vremenu

3. AI kao glavni teoretičar

AI sada generira nove teorije u fizici, kemiji i biologiji. U 2023., DeepMind-ov AlphaFold predvidio je 200 milijuna struktura proteina. U 2024., GPT-4 je generirao nove kvantne algoritme.

Budućnost: AI predlaže teoriju → AI je validira u simulaciji → AI je implementira putem automatizacije.

4. Smrt „vještačkog radnika“

Mit o „majstoru zanata“ će nestati. Preciznost više neće biti vještina – to će biti inženjerski ishod.

Ovo nije dehumanizacija. To je oslobođenje.

---

Zaključak: Jedini put do apsolutne točnosti

Ljudski šum nije izazov koji treba prevladati – to je zakon prirode. Poput gravitacije, ne može se poništiti. Može se samo zaobici.

Pravilo preciznosti nije preferencija – to je inženjerska nužnost. U područjima gdje neuspjeh košta živote, milijarde ili civilizacije, jedini put do apsolutne točnosti je uklanjanje ljudskog izvršavanja iz petlje.

Ovo ne umanjuje čovječanstvo. To ga podiže.

prestajemo biti mehaničari i postajemo arhitekte.

Prestajemo popravljati tremore i počinjemo dizajnirati sustave koji ih ne trebaju.

Budućnost pripada onima kojima može bolje raditi – već onima koji mogu izgraditi sustave koji to rade savršeno, bez njih.

Konačni inženjerski princip

Ako ne možete precizno specificirati željeni ishod, vaša teorija je nepotpuna.
Ako ne možete izvršiti bez ljudske intervencije, vaš sustav je neispravan.
Jedini put do savršenstva je deterministička automatizacija.

Izgradite prema tome.

---

Reference

1. Harris, C. M., & Wolpert, D. M. (1998). Signal-dependent noise determines motor planning. Nature, 394(6695), 780–784.
2. Baumeister, R. F., et al. (2011). Ego depletion: Is the active self a limited resource? Psychological Science, 22(5), 601–608.
3. Liu, Y., et al. (2019). Radiologist performance in lung nodule detection: A multicenter study. Radiology, 291(3), 708–716.
4. Maslach, C., & Leiter, M. P. (1997). The Truth About Burnout. Jossey-Bass.
5. IAEA. (2012). The Fukushima Daiichi Accident: Report by the Director General.
6. TSMC Annual Technical Review (2018).
7. FDA Guidance for AI in Medical Devices (2023).
8. DO-178C: Software Considerations in Airborne Systems and Equipment Certification.
9. Crawford, K. (2021). Atlas of AI. Yale University Press.
10. DeepMind. (2023). AlphaFold 3: Predicting Molecular Interactions at Scale. Nature.

---

Prilozi

Prilog A: Preporučeni hardverski stack za precizne sustave

Komponenta	Preporuka
Kontroler	Beckhoff TwinCAT 3 (real-time Windows)
Aktuatori	PI Piezo Motors, Aerotech A3200
Senzori	Keyence Laser Displacement Sensor, Honeywell HSC Series
Komunikacija	OPC UA preko TSN (Time-Sensitive Networking)
OS	VxWorks, QNX ili RT-Preempt Linux
Verifikacija	TLA+, SPIN Model Checker

Prilog B: Protokol mjerenja ljudskog šuma

1. Bazni test: Neka 5 operatora obavi zadatak 20 puta svaki.
2. Mjerenje: Greška pozicije, varijacija vremena, odstupanje sile.
3. Izračun: Srednja vrijednost i standardna devijacija svih pokušaja.
4. Usporedba: Sa strojnim performansama na istom zadatku.
5. Kriterij prihvaćanja: Ako je ljudska StdDev > 5% od tolerancije, automatizacija je obvezna.

Prilog C: Roadmap prijelaza (12-mjesečni plan)

Mjesec	Radnja
1–2	Audit postojećih procesa; identificirajte izvore šuma
3–4	Izgradi digitalnog blizanca kritičnog procesa
5–6	Uvedi senzorsku mrežu i realno-vremensko praćenje
7–8	Implementiraj determinističku petlju kontrole (bez ljudskog unosa)
9	Validiraj prema benchmark metrikama
10–11	Obuči ljudske operatore kao nadzornike sustava
12	Poništi ručne protokole izvršavanja

---

Kraj dokumenta.