چرا فورد مهندسان باسابقه را برای رفع خطاهای هوش مصنوعی و اتوماسیون دوباره استخدام کرد
صعود اخیر فورد به جایگاه نخست در رتبهبندی کیفیت اولیه JD Power با یک اعتراف غافلگیرکننده همراه بوده است: این شرکت مجبور شد مهندسان سابق خود را برای رفع اشتباهات سیستمهای خودکارش بازگرداند. این چرخش، درس مهمی برای صنعت فناوری در مورد خطرات اتکای بیش از حد به هوش مصنوعی بدون حفظ دانش سازمانی انسانی است.
دامهای مهندسی با رویکرد «اول هوش مصنوعی»
برای چندین سال، فورد تلاش کرد تا فرآیندهای تولید و طراحی خود را با تکیه شدید بر هوش مصنوعی و الزامات طراحی اصلاحشده، سادهسازی کند. با این حال، شرکت دریافت که صرفِ معرفی هوش مصنوعی، بهطور خودکار تضمینکننده محصولی با کیفیت بالا نیست. مشکل اصلی دو جنبه داشت: کیفیت دادههای مورد استفاده برای آموزش مدلهای هوش مصنوعی کافی نبود و شرکت ارزش «دانش سازمانی» را دستکم گرفته بود.
چارلز پون، معاون مهندسی سختافزار خودرو در فورد، اعتراف کرد که شرکت به اشتباه تصور کرده بود اتوماسیون میتواند جایگزین ظرافتهای فنی مهندسان باسابقه شود. با خروج پرسنل باتجربه از شرکت، تخصص انباشتهشده آنها بهطور کامل به سیستمهای خودکار منتقل نشد که این امر منجر به کاهش کیفیت خودروها و افزایش فراخوانها (recalls) شد.
بازسازی تخصص: استراتژی «انسان در چرخه» (Human-in-the-Loop)
برای اصلاح این مسیر، فورد سرمایهگذاری عظیمی روی سرمایه انسانی انجام داده است. این خودروساز بیش از ۳۵۰ مهندس باسابقه را استخدام، ارتقا یا بازگردانده است. وظیفه این پیشکسوتان تنها رفع نقصهای فیزیکی نیست؛ آنها مأموریت بسیار پیچیدهتری دارند: بازآموزی سیستمهای هوش مصنوعی و مربیگری مهندسان جوانتر.
فورد با استفاده از این متخصصان برای شناسایی مشکلات پیش از آنکه «به درون سیستم نفوذ کنند»، در واقع در حال ایجاد یک حلقه بازخورد باکیفیت است. این رویکرد تضمین میکند که دادههای مورد استفاده برای آموزش مدلهای هوش مصنوعی آینده، از دههها چرخههای توسعه عملی خودرو بهره میبرند و شکاف بین منطق مبتنی بر سیلیکون و پیچیدگیهای مکانیکی دنیای واقعی را پر میکنند.
گذار از رویکرد «یافتن و اصلاح» به «پیشگیری پیشبینانه»
تحت رهبری کومار گالوترا، مدیر عملیاتی (COO)، فورد در حال تغییر فلسفه بنیادی خود از ذهنیت «یافتن و اصلاح» به یک ذهنیت پیشگیرانه است. پیش از این، شرکت به صورت جزیرهای (silos) عمل میکرد و نقصها را تنها پس از ظهور شناسایی میکرد. استراتژی جدید بر «عوامل تسهیلکننده و نشانگرهای اولیه» تمرکز دارد تا از بروز مشکلات پیش از آنکه در محصول نهایی ظاهر شوند، جلوگیری کند.
این تحول در توسعه نرمافزار فورد بیش از هر جای دیگری مشهود است. برخلاف لوازم الکترونیکی مصرفی که رویکرد «سریع حرکت کن و بعداً اصلاح کن» در آنها رایج است، نرمافزار خودرو در محیطی حساس به ایمنی عمل میکند. برای مدیریت این موضوع، فورد اقدامات زیر را انجام داده است:
- ایجاد یک تیم اختصاصی ۴۰ نفره برای تضمین کیفیت نرمافزار.
- ادغام تیمهای نرمافزار، دیجیتال و تولید برای از بین بردن ساختارهای جزیرهای.
- اجرای بیش از ۱۰۰,۰۰۰ تست خودکار جدید مبتنی بر هوش مصنوعی برای شناسایی موارد خاص (edge cases) و تست استرس نرمافزار در شرایط سخت.
چرا این موضوع برای چشمانداز هوش مصنوعی اهمیت دارد
تجربه فورد به عنوان یک داستان عبرتآموز برای هر صنعتی که در حال تحول دیجیتال سریع است، عمل میکند. این تجربه ثابت میکند که هوش مصنوعی یک «تسهیلگر قدرت» (force multiplier) است، نه جایگزینی برای تخصص عمیق در یک حوزه. برای توسعهدهندگان و بنیانگذاران، درس روشن است: اتوماسیون بدون هدایت نظارت انسانیِ باتجربه، منجر به شکنندگی سیستماتیک میشود. قابلیت اطمینان واقعی در عصر هوش مصنوعی مستلزم یک مدل ترکیبی است که در آن سرعت ماشین با دقت و سختگیری انسانی تعدیل شود.
نکات کلیدی
- شکاف دانش: فورد دریافت که مدلهای هوش مصنوعی شکست خوردند زیرا «دانش سازمانی» مهندسان باسابقه که شرکت را ترک کرده بودند، بهطور موفقیتآمیزی در سیستمهای خودکار کدگذاری نشده بود.
- استخدام مجدد استراتژیک: شرکت بیش از ۳۵۰ مهندس باسابقه را برای مربیگری کارکنان و بازآموزی مدلهای هوش مصنوعی با دادههای باکیفیتتر و متخصصمحور بازگرداند.
- مهندسی پیشگیرانه: فورد در حال تغییر از مدل واکنشی «یافتن و اصلاح» به یک رویکرد فعال است و از بیش از ۱۰۰,۰۰۰ تست مبتنی بر هوش مصنوعی برای شناسایی نقصهای نرمافزاری پیش از رسیدن به دست مشتری استفاده میکند.