사이버-물리 시스템(CPS)의 일종인 온라인 협업 AI 시스템(OL-CAIS)은 인간과의 협력을 통해 온라인으로 학습하여 공통 목표를 달성한다. 이러한 특성 때문에 OL-CAIS는 성능 저하를 유발하는 방해 이벤트에 취약하며, 의사 결정자는 탄소 배출을 제한하면서 성능을 복구해야 한다. 본 연구는 OL-CAIS에서 회복탄력성과 친환경성 간의 균형을 맞추는 방법을 다룬다. 회복탄력성 모델링, 친환경성-회복탄력성 간의 균형을 최적화하는 에이전트 기반 정책 개발, 그리고 성능 일관성을 유지하기 위한 파국적 망각 이해를 목표로 한다. GResilience 프레임워크를 통해 다중 목표 최적화, 게임 이론적 의사 결정, 강화 학습(RL)을 활용한 복구 전략을 제시하며, 회복탄력성과 친환경성을 정량화하는 측정 프레임워크를 설계했다. 실험 결과는 GResilience 정책이 복구 시간을 단축하고 성능을 안정화하며 인간 의존성을 줄여 친환경적인 복구를 개선하고, RL-agent 정책이 가장 강력한 결과를 달성하지만 CO2 배출량이 약간 증가함을 보여준다. 또한, 반복적인 방해 이후 파국적 망각을 관찰했으며, 정책들이 안정성을 유지하는 데 도움이 되었다. 컨테이너화된 실행은 CO2 배출량을 절반으로 줄였다.
