AI અને ઓટોમેશનની ભૂલો સુધારવા માટે Ford એ અનુભવી એન્જિનિયરોને ફરીથી કેમ કામ પર રાખ્યા

JD Power ના પ્રારંભિક ગુણવત્તા રેન્કિંગમાં Ford નું તાજેતરનું પ્રથમ સ્થાને પહોંચવું એક આશ્ચર્યજનક કબૂલાત સાથે આવ્યું છે: કંપનીએ તેના પોતાના ઓટોમેટેડ સિસ્ટમ્સ દ્વારા કરવામાં આવેલી ભૂલો સુધારવા માટે ભૂતપૂર્વ એન્જિનિયરોને પાછા બોલાવવા પડ્યા હતા. આ પરિવર્તન માનવીય સંસ્થાકીય જ્ઞાન (institutional knowledge) ને સાચવી રાખ્યા વિના AI પર વધુ પડતો આધાર રાખવાના જોખમો અંગે ટેક ઇન્ડસ્ટ્રી માટે એક મહત્વપૂર્ણ પાઠ આપે છે.

"AI-First" એન્જિનિયરિંગના જોખમો

છેલ્લા કેટલાક વર્ષોથી, Ford એ આર્ટિફિશિયલ ઇન્ટેલિજન્સ અને એડજસ્ટેડ ડિઝાઇન જરૂરિયાતો પર વધુ પડતો આધાર રાખીને તેની ઉત્પાદન અને ડિઝાઇન પ્રક્રિયાઓને સુવ્યવસ્થિત કરવાનો પ્રયાસ કર્યો હતો. જોકે, કંપનીએ જોયું કે માત્ર AI દાખલ કરવાથી ઉચ્ચ ગુણવત્તાવાળી પ્રોડક્ટની ખાતરી આપમેળે મળતી નથી. મુખ્ય સમસ્યા બેવડી હતી: AI મોડલ્સને તાલીમ આપવા માટે વપરાતા ડેટાની ગુણવત્તા અપૂરતી હતી, અને કંપનીએ "સંસ્થાકીય જ્ઞાન" ના મૂલ્યને ઓછું આંક્યું હતું.

Ford ના વ્હીકલ હાર્ડવેર એન્જિનિયરિંગના VP ચાર્લ્સ પૂન (Charles Poon) એ સ્વીકાર્યું કે કંપનીએ ભૂલથી એવું માન્યું હતું કે ઓટોમેશન અનુભવી એન્જિનિયરો દ્વારા આપવામાં આવતી ઝીણવટભરી સમજ (nuance) ની જગ્યા લઈ શકે છે. જેમ જેમ અનુભવી કર્મચારીઓ કંપની છોડીને ગયા, તેમ તેમ તેમનું સંચિત કૌશલ્ય ઓટોમેટેડ સિસ્ટમ્સમાં સંપૂર્ણ રીતે ટ્રાન્સફર થયું ન હતું, જેના કારણે વાહનની ગુણવત્તામાં ઘટાડો થયો અને રિકોલ (recalls) માં વધારો થયો.

કુશળતાનું પુનઃનિર્માણ: "Human-in-the-Loop" વ્યૂહરચના

આ માર્ગને સુધારવા માટે, Ford એ માનવ મૂડીમાં મોટું પુનઃરોકાણ કર્યું છે. આ ઓટોમેકર કંપનીએ 350 થી વધુ અનુભવી એન્જિનિયરોને હાયર કર્યા છે, બઢતી આપી છે અથવા પાછા બોલાવ્યા છે. આ અનુભવી એન્જિનિયરો માત્ર ભૌતિક ખામીઓ સુધારવા માટે જ નથી; તેમને વધુ જટિલ કાર્ય સોંપવામાં આવ્યું છે: AI સિસ્ટમ્સને ફરીથી તાલીમ આપવી અને યુવા એન્જિનિયરોને માર્ગદર્શન આપવું.

સમસ્યાઓ સિસ્ટમમાં "પ્રવેશે" તે પહેલાં તેને ઓળખવા માટે આ નિષ્ણાતોનો ઉપયોગ કરીને, Ford અનિવાર્ય રીતે એક ઉચ્ચ-ગુણવત્તાવાળું ફીડબેક લૂપ બનાવી રહ્યું છે. આ અભિગમ સુનિશ્ચિત કરે છે કે ભવિષ્યના AI મોડલ્સને તાલીમ આપવા માટે વપરાતા ડેટામાં દાયકાઓના વાહન વિકાસ ચક્રનો અનુભવ હોય, જે સિલિકોન-આધારિત લોજિક અને વાસ્તવિક દુનિયાની મિકેનિકલ જટિલતા વચ્ચેના અંતરને ઘટાડે છે.

"Find-and-Fix" થી બદલાઈને "Predictive Prevention" તરફ પ્રયાણ

COO કુમાર ગલહોત્રાના નેતૃત્વ હેઠળ, Ford તેની મૂળભૂત ફિલોસોફીને "find-and-fix" (શોધો અને સુધારો) માનસિકતામાંથી બદલીને નિવારક (preventative) માનસિકતા તરફ લઈ જઈ રહ્યું છે. અગાઉ, કંપની અલગ-અલગ વિભાગોમાં (silos) કામ કરતી હતી, જે ખામીઓ દેખાયા પછી જ તેને ઓળખતી હતી. નવી વ્યૂહરચના અંતિમ ઉત્પાદનમાં સમસ્યાઓ દેખાય તે પહેલાં તેને રોકવા માટે "enablers and early indicators" પર ધ્યાન કેન્દ્રિત કરે છે.

આ પરિવર્તન Ford ના સોફ્ટવેર ડેવલપમેન્ટમાં સૌથી વધુ સ્પષ્ટ છે. કન્ઝ્યુમર ઇલેક્ટ્રોનિક્સથી વિપરીત, જ્યાં "ઝડપથી આગળ વધો અને પછી સુધારો" (move fast and fix later) અભિગમ સામાન્ય છે, ત્યાં ઓટોમોટિવ સોફ્ટવેર સુરક્ષા-મહત્વપૂર્ણ (safety-critical) વાતાવરણમાં કામ કરે છે. આને સંભાળવા માટે, Ford એ:

• 40 વ્યક્તિઓની સમર્પિત સોફ્ટવેર ક્વોલિટી એશ્યોરન્સ ટીમ બનાવી છે.
• વિભાગીય અવરોધો દૂર કરવા માટે સોફ્ટવેર, ડિજિટલ અને મેન્યુફેક્ચરિંગ ટીમોને એકીકૃત કરી છે.
• એજ કેસ (edge cases) ઓળખવા અને અત્યંત પરિસ્થિતિઓમાં સોફ્ટવેરનું સ્ટ્રેસ-ટેસ્ટ કરવા માટે 1,00,000 થી વધુ નવા AI-સંચાલિત ઓટોમેટેડ ટેસ્ટ લાગુ કર્યા છે.

AI ક્ષેત્ર માટે આ શા માટે મહત્વનું છે

Ford નો અનુભવ ઝડપી ડિજિટલ પરિવર્તનમાંથી પસાર થઈ રહેલી કોઈપણ ઇન્ડસ્ટ્રી માટે એક ચેતવણી સમાન છે. તે સાબિત કરે છે કે AI એ ક્ષમતા વધારનાર (force multiplier) છે, ઊંડા ડોમેન એક્સપર્ટાઇઝનો વિકલ્પ નથી. ડેવલપર્સ અને ફાઉન્ડર્સ માટે, બોધપાઠ સ્પષ્ટ છે: અનુભવી માનવીય દેખરેખ વિનાનું ઓટોમેશન સિસ્ટમમાં નબળાઈ લાવે છે. AI ના યુગમાં સાચી વિશ્વસનીયતા માટે હાઇબ્રિડ મોડલની જરૂર છે જ્યાં મશીનની ઝડત માનવીય ચોકસાઈ દ્વારા સંતુલિત થાય.

મુખ્ય મુદ્દાઓ

• જ્ઞાનનો તફાવત: Ford એ જોયું કે AI મોડલ્સ નિષ્ફળ ગયા કારણ કે departing અનુભવી એન્જિનિયરોનું "સંસ્થાકીય જ્ઞાન" ઓટોમેટેડ સિસ્ટમ્સમાં સફળતાપૂર્વક એન્કોડ કરવામાં આવ્યું ન હતું.
• વ્યૂહાત્મક ફરીથી હાયરિંગ: કંપનીએ સ્ટાફને માર્ગદર્શન આપવા અને ઉચ્ચ-ગુણવત્તાવાળા, નિષ્ણાત-સંચાલિત ડેટા સાથે AI મોડલ્સને ફરીથી તાલીમ આપવા માટે 350 થી વધુ અનુભવી એન્જિનિયરોને પાછા બોલાવ્યા છે.
• નિવારક એન્જિનિયરિંગ: Ford પ્રતિક્રિયાત્મક "find-and-fix" મોડલમાંથી સક્રિય અભિગમ તરફ વળી રહ્યું છે, જે ગ્રાહકો સુધી પહોંચતા પહેલા સોફ્ટવેર ખામીઓને પકડવા માટે 1,00,000 થી વધુ AI-સંચાલિત ટેસ્ટનો ઉપયોગ કરી રહ્યું છે.