AI-യും ഓട്ടോമേഷനും മൂലമുണ്ടാകുന്ന പിശകുകൾ പരിഹരിക്കാൻ ഫോർഡ് മുതിർന്ന എഞ്ചിനീയർമാരെ വീണ്ടും നിയമിച്ചത് എന്തുകൊണ്ട്?

JD Power-ന്റെ പ്രാരംഭ ഗുണനിലവാര റാങ്കിംഗിൽ (initial quality rankings) ഫോർഡ് ഒന്നാം സ്ഥാനത്തേക്ക് ഉയർന്നത് ഒരു ഞെട്ടിക്കുന്ന വെളിപ്പെടുത്തലോടെയാണ്: കമ്പനിയുടെ തന്നെ ഓട്ടോമേറ്റഡ് സിസ്റ്റങ്ങൾ വരുത്തിയ പിശകുകൾ പരിഹരിക്കാൻ മുൻകാല എഞ്ചിനീയർമാരെ തിരികെ കൊണ്ടുവരേണ്ടി വന്നു. മനുഷ്യരുടെ സ്ഥാപനപരമായ അറിവ് (institutional knowledge) സംരക്ഷിക്കാതെ AI-യെ അമിതമായി ആശ്രയിക്കുന്നതിലെ അപകടങ്ങളെക്കുറിച്ച് സാങ്കേതിക വ്യവസായത്തിന് ഈ മാറ്റം ഒരു പ്രധാന പാഠം നൽകുന്നു.

"AI-First" എഞ്ചിനീയറിംഗിലെ പാളിച്ചകൾ

വർഷങ്ങളായി, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിനെയും (AI) ക്രമീകരിച്ച ഡിസൈൻ ആവശ്യകതകളെയും വളരെയധികം ആശ്രയിച്ചുകൊണ്ട് ഫോർഡ് അതിന്റെ ഉൽപ്പാദന-രൂപകൽപ്പന പ്രക്രിയകൾ ലഘൂകരിക്കാൻ ശ്രമിച്ചു. എന്നാൽ, AI നടപ്പിലാക്കുന്നത് കൊണ്ട് മാത്രം ഉയർന്ന ഗുണനിലവാരമുള്ള ഉൽപ്പന്നം ഉറപ്പാക്കാൻ കഴിയില്ലെന്ന് കമ്പനി തിരിച്ചറിഞ്ഞു. ഇതിന് രണ്ട് പ്രധാന കാരണങ്ങളുണ്ടായിരുന്നു: AI മോഡലുകളെ പരിശീലിപ്പിക്കാൻ ഉപയോഗിച്ച ഡാറ്റയുടെ ഗുണനിലവാരം കുറവായിരുന്നു, കൂടാതെ "സ്ഥാപനപരമായ അറിവിന്റെ" (institutional knowledge) മൂല്യം കമ്പനി കുറച്ചു കാണുകയും ചെയ്തു.

മുതിർന്ന എഞ്ചിനീയർമാർ നൽകുന്ന സൂക്ഷ്മമായ അറിവുകളെ (nuance) ഓട്ടോമേഷന് പകരം വെക്കാമെന്ന് കമ്പനി തെറ്റായി കരുതിയതായി ഫോർഡിന്റെ വെഹിക്കിൾ ഹാർഡ്‌വെയർ എഞ്ചിനീയറിംഗ് വൈസ് പ്രസിഡന്റ് ചാൾസ് പൂൺ സമ്മതിച്ചു. പരിചയസമ്പന്നരായ ജീവനക്കാർ കമ്പനി വിട്ടുപോയപ്പോൾ, അവരുടെ അറിവ് ഓട്ടോമേറ്റഡ് സിസ്റ്റങ്ങളിലേക്ക് പൂർണ്ണമായി കൈമാറ്റം ചെയ്യപ്പെട്ടില്ല. ഇത് വാഹനങ്ങളുടെ ഗുണനിലവാരത്തിൽ കുറവുണ്ടാകാനും കൂടുതൽ വാഹനങ്ങൾ തിരികെ വിളിക്കാനും (recalls) കാരണമായി.

വൈദഗ്ധ്യം പുനർനിർമ്മിക്കുന്നു: 'ഹ്യൂമൻ-ഇൻ-ദി-ലൂപ്പ്' തന്ത്രം

ഈ സാഹചര്യം തിരുത്തുന്നതിനായി ഫോർഡ് മനുഷ്യവിഭവശേഷിയിൽ വലിയ തോതിലുള്ള പുനർനിക്ഷേപം നടത്തിയിട്ടുണ്ട്. ഈ വാഹന നിർമ്മാതാവ് 350-ലധികം പരിചയസമ്പന്നരായ എഞ്ചിനീയർമാരെ നിയമിക്കുകയോ, സ്ഥാനക്കയറ്റം നൽകുകയോ അല്ലെങ്കിൽ തിരികെ കൊണ്ടുവരികയോ ചെയ്തിട്ടുണ്ട്. ഈ മുതിർന്ന വിദഗ്ധർ കേവലം ഭൗതികമായ പിശകുകൾ പരിഹരിക്കാൻ മാത്രമല്ല അവിടെയുള്ളത്; AI സിസ്റ്റങ്ങളെ വീണ്ടും പരിശീലിപ്പിക്കുക, യുവ എഞ്ചിനീയർമാർക്ക് മാർഗനിർദ്ദേശം നൽകുക എന്ന കൂടുതൽ സങ്കീർണ്ണമായ ദൗത്യവും അവർക്കുണ്ട്.

പ്രശ്നങ്ങൾ സിസ്റ്റത്തിലേക്ക് കടന്നുകൂടുന്നതിന് മുമ്പ് അവ തിരിച്ചറിയാൻ ഈ വിദഗ്ധരെ ഉപയോഗിക്കുന്നതിലൂടെ, ഫോർഡ് യഥാർത്ഥത്തിൽ ഒരു ഉയർന്ന ഗുണനിലവാരമുള്ള ഫീഡ്‌ബാക്ക് ലൂപ്പ് (feedback loop) സൃഷ്ടിക്കുകയാണ്. ഭാവിയിലെ AI മോഡലുകളെ പരിശീലിപ്പിക്കാൻ ഉപയോഗിക്കുന്ന ഡാറ്റ, പതിറ്റാണ്ടുകളായുള്ള വാഹന വികസന പരിചയത്തിൽ നിന്ന് ലഭിച്ച വിവരങ്ങൾ ഉൾക്കൊള്ളുന്നുവെന്ന് ഈ സമീപനം ഉറപ്പാക്കുന്നു. ഇത് സിലിക്കൺ അധിഷ്ഠിത ലോജിക്കും യഥാർത്ഥ ലോകത്തെ മെക്കാനിക്കൽ സങ്കീർണ്ണതകളും തമ്മിലുള്ള വിടവ് നികത്തുന്നു.

"കണ്ടെത്തി പരിഹരിക്കുക" എന്നതിൽ നിന്ന് "മുൻകൂട്ടി തടയുക" എന്നതിലേക്ക്

COO കുമാർ ഗൽഹോത്രയുടെ നേതൃത്വത്തിൽ, ഫോർഡ് അതിന്റെ അടിസ്ഥാന തത്വശാസ്ത്രം "കണ്ടെത്തി പരിഹരിക്കുക" (find-and-fix) എന്ന രീതിയിൽ നിന്ന് തടയുന്ന രീതിയിലേക്ക് (preventative) മാറ്റുകയാണ്. മുമ്പ്, പിശകുകൾ പ്രത്യക്ഷപ്പെട്ടതിന് ശേഷം മാത്രം അവ തിരിച്ചറിയുന്ന രീതിയിലായിരുന്നു കമ്പനി പ്രവർത്തിച്ചിരുന്നത്. പുതിയ തന്ത്രം, പ്രശ്നങ്ങൾ അന്തിമ ഉൽപ്പന്നത്തിൽ പ്രകടമാകുന്നതിന് മുമ്പ് തടയുന്നതിനായി "എനേബ്ലേഴ്സ് ആൻഡ് ഏർലി ഇൻഡിക്കേറ്റേഴ്സ്" (enablers and early indicators) എന്നതിലാണ് ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത്.

ഈ മാറ്റം ഫോർഡിന്റെ സോഫ്റ്റ്‌വെയർ വികസനത്തിൽ ഏറ്റവും വ്യക്തമായി കാണാം. "വേഗത്തിൽ മുന്നേറുക, പിന്നീട് പരിഹരിക്കുക" എന്ന രീതി സാധാരണമായ കൺസ്യൂമർ ഇലക്ട്രോണിക്സിനെപ്പോലെയല്ല, ഓട്ടോമോട്ടീവ് സോഫ്റ്റ്‌വെയറുകൾ സുരക്ഷാപരമായ കാര്യങ്ങളിൽ അതീവ ശ്രദ്ധ വേണ്ട ഒരു സാഹചര്യത്തിലാണ് പ്രവർത്തിക്കുന്നത്. ഇത് കൈകാര്യം ചെയ്യുന്നതിനായി ഫോർഡ് താഴെ പറയുന്നവ ചെയ്തിട്ടുണ്ട്:

• 40 പേരുള്ള ഒരു പ്രത്യേക സോഫ്റ്റ്‌വെയർ ക്വാളിറ്റി അഷ്വറൻസ് ടീമിനെ രൂപീകരിച്ചു.
• വിഭാഗങ്ങൾ തമ്മിലുള്ള അകലം കുറയ്ക്കുന്നതിനായി സോഫ്റ്റ്‌വെയർ, ഡിജിറ്റൽ, മാനുഫാക്ചറിംഗ് ടീമുകളെ സംയോജിപ്പിച്ചു.
• സങ്കീർണ്ണമായ സാഹചര്യങ്ങൾ (edge cases) തിരിച്ചറിയുന്നതിനും കഠിനമായ സാഹചര്യങ്ങളിൽ സോഫ്റ്റ്‌വെയർ പരിശോധിക്കുന്നതിനുമായി 100,000-ലധികം പുതിയ AI അധിഷ്ഠിത ഓട്ടോമേറ്റഡ് ടെസ്റ്റുകൾ നടപ്പിലാക്കി.

AI മേഖലയിൽ ഇത് എന്തുകൊണ്ട് പ്രസക്തമാകുന്നു

അതിവേഗത്തിലുള്ള ഡിജിറ്റൽ മാറ്റങ്ങൾക്ക് വിധേയമാകുന്ന ഏത് വ്യവസായത്തിനും ഫോർഡിന്റെ അനുഭവം ഒരു മുന്നറിയിപ്പാണ്. AI എന്നത് പ്രവർത്തനക്ഷമത വർദ്ധിപ്പിക്കാനുള്ള ഒരു ഉപകരണം (force multiplier) മാത്രമാണെന്നും, അത് ആഴത്തിലുള്ള വൈദഗ്ധ്യത്തിന് പകരമാവില്ലെന്നും ഇത് തെളിയിക്കുന്നു. ഡെവലപ്പർമാർക്കും സ്ഥാപകർക്കും ഇതിൽ നിന്നുള്ള പാഠം വ്യക്തമാണ്: പരിചയസമ്പന്നരായ മനുഷ്യരുടെ മേൽനോട്ടമില്ലാത്ത ഓട്ടോമേഷൻ വ്യവസ്ഥാപിതമായ ബലഹീനതയിലേക്ക് നയിക്കും. AI യുഗത്തിലെ യഥാർത്ഥ വിശ്വാസ്യതയ്ക്ക്, യന്ത്രത്തിന്റെ വേഗതയും മനുഷ്യന്റെ കൃത്യതയും സമന്വയിപ്പിക്കുന്ന ഒരു ഹൈബ്രിഡ് മോഡൽ ആവശ്യമാണ്.

പ്രധാന കാര്യങ്ങൾ

• അറിവിലെ വിടവ്: വിരമിക്കുന്ന മുതിർന്ന എഞ്ചിനീയർമാരുടെ "സ്ഥാപനപരമായ അറിവ്" ഓട്ടോമേറ്റഡ് സിസ്റ്റങ്ങളിൽ വിജയകരമായി ഉൾപ്പെടുത്തിയിട്ടില്ലാത്തതിനാൽ AI മോഡലുകൾ പരാജയപ്പെട്ടതായി ഫോർഡ് കണ്ടെത്തി.
• തന്ത്രപരമായ പുനർനിയമനം: ജീവനക്കാർക്ക് മാർഗനിർദ്ദേശം നൽകുന്നതിനും ഉയർന്ന ഗുണനിലവാരമുള്ള, വിദഗ്ധർ നൽകുന്ന ഡാറ്റ ഉപയോഗിച്ച് AI മോഡലുകളെ വീണ്ടും പരിശീലിപ്പിക്കുന്നതിനുമായി കമ്പനി 350-ലധികം പരിചയസമ്പന്നരായ എഞ്ചിനീയർമാരെ തിരികെ കൊണ്ടുവന്നു.
• പ്രതിരോധ എഞ്ചിനീയറിംഗ്: ഫോർഡ് ഒരു പ്രതികരണാത്മകമായ (reactive) "കണ്ടെത്തി പരിഹരിക്കുക" എന്ന രീതിയിൽ നിന്ന്, ഉപഭോക്താക്കളിലേക്ക് എത്തുന്നതിന് മുമ്പ് സോഫ്റ്റ്‌വെയർ പിശകുകൾ കണ്ടെത്താൻ 100,000-ലധികം AI അധിഷ്ഠിത ടെസ്റ്റുകൾ ഉപയോഗിക്കുന്ന ഒരു മുൻകരുതൽ രീതിയിലേക്ക് (proactive approach) മാറുകയാണ്.