কেন Ford AI এবং অটোমেশন সংক্রান্ত ত্রুটি সংশোধনে অভিজ্ঞ ইঞ্জিনিয়ারদের পুনরায় নিয়োগ দিয়েছে

JD Power-এর প্রাথমিক গুণমান র‍্যাঙ্কিংয়ে Ford-এর সাম্প্রতিক প্রথম স্থান অর্জন একটি আশ্চর্যজনক স্বীকারোক্তির সাথে এসেছে: কোম্পানির নিজস্ব স্বয়ংক্রিয় সিস্টেমের করা ভুলগুলো সংশোধন করতে তাদের প্রাক্তন ইঞ্জিনিয়ারদের ফিরিয়ে আনতে হয়েছে। এই পরিবর্তনটি প্রযুক্তি শিল্পের জন্য একটি গুরুত্বপূর্ণ শিক্ষা প্রদান করে—মানুষের প্রাতিষ্ঠানিক জ্ঞান (institutional knowledge) সংরক্ষণ না করে শুধুমাত্র AI-এর ওপর অতিরিক্ত নির্ভর করার বিপদ সম্পর্কে এটি সতর্ক করে।

"AI-First" ইঞ্জিনিয়ারিংয়ের ফাঁদসমূহ

বেশ কয়েক বছর ধরে, Ford কৃত্রিম বুদ্ধিমত্তা (AI) এবং পরিবর্তিত ডিজাইনের প্রয়োজনীয়তার ওপর ব্যাপকভাবে নির্ভর করে তাদের উৎপাদন এবং ডিজাইন প্রক্রিয়াকে আরও সহজতর করার চেষ্টা করেছিল। তবে কোম্পানিটি দেখতে পেয়েছে যে, কেবল AI প্রবর্তন করলেই স্বয়ংক্রিয়ভাবে উচ্চমানের পণ্য নিশ্চিত হয় না। মূল সমস্যাটি ছিল দ্বিমুখী: AI মডেলগুলোকে প্রশিক্ষিত করার জন্য ব্যবহৃত ডেটার মান ছিল অপর্যাপ্ত, এবং কোম্পানিটি "প্রাতিষ্ঠানিক জ্ঞান"-এর গুরুত্বকে অবমূল্যায়ন করেছিল।

Ford-এর ভেহিক্যাল হার্ডওয়্যার ইঞ্জিনিয়ারিংয়ের VP চার্লস পুন স্বীকার করেছেন যে, কোম্পানিটি ভুলবশত ধরে নিয়েছিল যে অটোমেশন অভিজ্ঞ ইঞ্জিনিয়ারদের সূক্ষ্ম দক্ষতা বা বিচক্ষণতাকে (nuance) প্রতিস্থাপন করতে পারবে। অভিজ্ঞ কর্মীরা কোম্পানি ছেড়ে চলে যাওয়ার সাথে সাথে তাদের অর্জিত দক্ষতা স্বয়ংক্রিয় সিস্টেমগুলোতে পুরোপুরি স্থানান্তরিত হয়নি, যার ফলে যানবাহনের গুণমান হ্রাস পেয়েছে এবং রিকল (recall) সংখ্যা বৃদ্ধি পেয়েছে।

দক্ষতা পুনর্গঠন: "Human-in-the-Loop" কৌশল

এই পরিস্থিতি সংশোধনের জন্য Ford ব্যাপক হারে মানবসম্পদে পুনঃবিনিয়োগ শুরু করেছে। এই গাড়ি প্রস্তুতকারী কোম্পানিটি ৩৫০ জনেরও বেশি অভিজ্ঞ ইঞ্জিনিয়ারকে নিয়োগ দিয়েছে, পদোন্নতি দিয়েছে বা ফিরিয়ে এনেছে। এই অভিজ্ঞ ব্যক্তিরা কেবল শারীরিক ত্রুটি সংশোধনের জন্যই সেখানে নেই; তাদের একটি আরও জটিল দায়িত্ব দেওয়া হয়েছে: AI সিস্টেমগুলোকে পুনরায় প্রশিক্ষণ দেওয়া এবং তরুণ ইঞ্জিনিয়ারদের মেন্টরিং করা।

সমস্যাগুলো সিস্টেমে "অনুপ্রবেশ করার" আগেই তা শনাক্ত করতে এই বিশেষজ্ঞদের ব্যবহার করে Ford মূলত একটি উচ্চমানের ফিডব্যাক লুপ তৈরি করছে। এই পদ্ধতিটি নিশ্চিত করে যে, ভবিষ্যতে AI মডেল প্রশিক্ষণের জন্য ব্যবহৃত ডেটা যেন কয়েক দশকের বাস্তব যানবাহন উন্নয়ন চক্রের অভিজ্ঞতার ওপর ভিত্তি করে তৈরি হয়, যা সিলিকন-ভিত্তিক লজিক এবং বাস্তব জগতের যান্ত্রিক জটিলতার মধ্যে ব্যবধান কমিয়ে আনে।

"Find-and-Fix" থেকে "Predictive Prevention"-এ উত্তরণ

COO কুমার গালহোত্রার নেতৃত্বে Ford তাদের মৌলিক দর্শনকে "খুঁজে বের করা এবং ঠিক করা" (find-and-fix) মানসিকতা থেকে একটি প্রতিরোধমূলক (preventative) মানসিকতায় পরিবর্তন করছে। আগে কোম্পানিটি বিচ্ছিন্নভাবে (silos) কাজ করত, যেখানে ত্রুটিগুলো দেখা দেওয়ার পরেই কেবল সেগুলো শনাক্ত করা হতো। নতুন কৌশলটি "এনাবলর এবং প্রাথমিক নির্দেশক" (enablers and early indicators)-এর ওপর গুরুত্ব দিচ্ছে যাতে চূড়ান্ত পণ্যে সমস্যা দেখা দেওয়ার আগেই তা রোধ করা যায়।

এই রূপান্তরটি Ford-এর সফটওয়্যার ডেভেলপমেন্টে সবচেয়ে বেশি স্পষ্ট। কনজিউমার ইলেকট্রনিক্সের মতো নয়, যেখানে "দ্রুত কাজ করা এবং পরে ঠিক করা" (move fast and fix later) পদ্ধতিটি সাধারণ, অটোমোটিভ সফটওয়্যার একটি নিরাপত্তা-সংবেদনশীল (safety-critical) পরিবেশে কাজ করে। এটি মোকাবিলা করতে Ford যা করেছে:

• একটি ৪০ সদস্যের ডেডিকেটেড সফটওয়্যার কোয়ালিটি অ্যাসিউরেন্স টিম তৈরি করেছে।
• বিচ্ছিন্নতা দূর করতে সফটওয়্যার, ডিজিটাল এবং ম্যানুফ্যাকচারিং টিমগুলোকে একত্রিত করেছে।
• এজ কেস (edge cases) শনাক্ত করতে এবং চরম পরিস্থিতিতে সফটওয়্যারকে স্ট্রেস-টেস্ট করতে ১,০০,০০০-এরও বেশি নতুন AI-চালিত স্বয়ংক্রিয় পরীক্ষা (automated tests) বাস্তবায়ন করেছে।

AI জগতের জন্য এটি কেন গুরুত্বপূর্ণ

দ্রুত ডিজিটাল রূপান্তরের মধ্য দিয়ে যাওয়া যেকোনো শিল্পের জন্য Ford-এর অভিজ্ঞতা একটি সতর্কবার্তা হিসেবে কাজ করে। এটি প্রমাণ করে যে, AI হলো একটি 'ফোর্স মাল্টিপ্লায়ার' (force multiplier), গভীর ডোমেইন দক্ষতার বিকল্প নয়। ডেভেলপার এবং উদ্যোক্তাদের জন্য শিক্ষাটি স্পষ্ট: অভিজ্ঞ মানুষের তত্ত্বাবধান ছাড়া অটোমেশন সিস্টেমগত ভঙ্গুরতার (systemic fragility) দিকে নিয়ে যায়। AI-এর যুগে প্রকৃত নির্ভরযোগ্যতার জন্য একটি হাইব্রিড মডেল প্রয়োজন, যেখানে মেশিনের গতির সাথে মানুষের কঠোরতা ও নির্ভুলতা বজায় থাকে।

মূল শিক্ষা বা সারসংক্ষেপ

• জ্ঞানের ব্যবধান: Ford দেখতে পেয়েছে যে AI মডেলগুলো ব্যর্থ হয়েছে কারণ বিদায়ী অভিজ্ঞ ইঞ্জিনিয়ারদের "প্রাতিষ্ঠানিক জ্ঞান" স্বয়ংক্রিয় সিস্টেমগুলোতে সফলভাবে কোড করা বা অন্তর্ভুক্ত করা সম্ভব হয়নি।
• কৌশলগত পুনঃনিয়োগ: কর্মী মেন্টরিং করতে এবং উচ্চমানের ও বিশেষজ্ঞ-চালিত ডেটা দিয়ে AI মডেলগুলোকে পুনরায় প্রশিক্ষণ দিতে কোম্পানিটি ৩৫০ জনেরও বেশি অভিজ্ঞ ইঞ্জিনিয়ারকে ফিরিয়ে এনেছে।
• প্রতিরোধমূলক ইঞ্জিনিয়ারিং: Ford একটি প্রতিক্রিয়াশীল "find-and-fix" মডেল থেকে একটি সক্রিয় (proactive) পদ্ধতির দিকে সরে যাচ্ছে, যেখানে গ্রাহকদের কাছে পৌঁছানোর আগেই সফটওয়্যার ত্রুটি ধরার জন্য ১,০০,০০০-এরও বেশি AI-চালিত পরীক্ষা ব্যবহার করা হচ্ছে।