AI आणि ऑटोमेशनमधील चुका सुधारण्यासाठी फोर्डने अनुभवी अभियंत्यांना पुन्हा का कामावर घेतले

JD Power च्या सुरुवातीच्या गुणवत्ता क्रमवारीत फोर्डने अलीकडेच प्रथम क्रमांक पटकावला आहे, परंतु त्यासोबतच त्यांनी एक धक्कादायक कबुलीही दिली आहे: कंपनीला त्यांच्या स्वतःच्या ऑटोमेटेड सिस्टम्समुळे (स्वयंचलित प्रणाली) झालेल्या चुका सुधारण्यासाठी माजी अभियंत्यांना पुन्हा बोलावणे लागले. हा बदल तंत्रज्ञान उद्योगासाठी एक महत्त्वाचा धडा आहे, जो मानवी संस्थात्मक ज्ञान (institutional knowledge) जपल्याशिवाय केवळ AI वर अतिअवलंबून राहण्याच्या धोक्यांकडे लक्ष वेधतो.

"AI-First" इंजिनिअरिंगमधील धोके

अनेक वर्षांपासून, फोर्डने आर्टिफिशियल इंटेलिजन्स आणि सुधारित डिझाइन गरजांवर मोठ्या प्रमाणावर अवलंबून राहून आपल्या उत्पादन आणि डिझाइन प्रक्रियेत सुसूत्रता आणण्याचा प्रयत्न केला. तथापि, कंपनीला असे आढळले की केवळ AI आणल्याने उच्च-गुणवत्तेच्या उत्पादनाची हमी मिळत नाही. याचे मुख्य कारण दोन होते: AI मॉडेल्सना प्रशिक्षित करण्यासाठी वापरल्या जाणाऱ्या डेटाची गुणवत्ता अपुरी होती आणि कंपनीने "संस्थात्मक ज्ञानाचे" मूल्य कमी लेखले होते.

फोर्डचे व्हेहिकल हार्डवेअर इंजिनिअरिंगचे VP चार्ल्स पून यांनी कबूल केले की, अनुभवी अभियंत्यांनी दिलेले सूक्ष्म ज्ञान (nuance) ऑटोमेशनद्वारे बदलता येईल, असा कंपनीने चुकीचा अंदाज घेतला होता. जसजसे अनुभवी कर्मचारी कंपनी सोडून गेले, तसतसे त्यांचे संचित कौशल्य ऑटोमेटेड सिस्टम्समध्ये पूर्णपणे हस्तांतरित झाले नाही, ज्यामुळे वाहनांच्या गुणवत्तेत घट झाली आणि 'रिकॉल' (वाहन परत मागवणे) मध्ये वाढ झाली.

कौशल्य पुनर्रचना: 'ह्युमन-इन-द-लूप' (Human-in-the-Loop) धोरण

ही दिशा सुधारण्यासाठी, फोर्डने मानवी भांडवलामध्ये (human capital) मोठी पुनर्रचना केली आहे. या वाहन उत्पादक कंपनीने ३५० हून अधिक अनुभवी अभियंत्यांना कामावर घेतले आहे, पदोन्नती दिली आहे किंवा पुन्हा बोलावले आहे. हे अनुभवी अभियंते केवळ भौतिक दोष सुधारण्यासाठी नाहीत; तर त्यांना अधिक क्लिष्ट कार्य सोपवण्यात आले आहे: AI सिस्टम्सना पुन्हा प्रशिक्षित करणे आणि तरुण अभियंत्यांना मार्गदर्शन करणे.

समस्या "सिस्टममध्ये शिरण्यापूर्वीच" त्या ओळखण्यासाठी या तज्ज्ञांचा वापर करून, फोर्ड प्रत्यक्षात एक उच्च-गुणवत्तेचे फीडबॅक लूप तयार करत आहे. या दृष्टिकोनामुळे हे सुनिश्चित होते की, भविष्यातील AI मॉडेल्सना प्रशिक्षित करण्यासाठी वापरला जाणारा डेटा हा दशकांच्या प्रत्यक्ष वाहन विकास चक्रांवर आधारित असेल, ज्यामुळे सिलिकॉन-आधारित तर्क (logic) आणि वास्तविक जगातील यांत्रिक गुंतागुंत यांच्यातील अंतर कमी होईल.

"शोधणे आणि सुधारणे" कडून "अंदाज वर्तवून प्रतिबंध करणे" कडे वाटचाल

COO कुमार गालघोटा यांच्या नेतृत्वाखाली, फोर्ड आपली मूलभूत विचारधारा "शोधणे आणि सुधारणे" (find-and-fix) या मानसिकतेकडून प्रतिबंधात्मक (preventative) मानसिकतेकडे वळवत आहे. यापूर्वी, कंपनी वेगवेगळ्या विभागांमध्ये (silos) काम करत असे, ज्यामुळे दोष दिसल्यानंतरच त्यांची ओळख पटत असे. नवीन धोरण अंतिम उत्पादनात समस्या दिसण्यापूर्वीच त्या रोखण्यासाठी "सक्षम घटक आणि सुरुवातीचे संकेत" (enablers and early indicators) यावर लक्ष केंद्रित करते.

हा बदल फोर्डच्या सॉफ्टवेअर डेव्हलपमेंटमध्ये स्पष्टपणे दिसून येतो. ग्राहक इलेक्ट्रॉनिक्सप्रमाणे, जिथे "वेगाने पुढे जा आणि नंतर दुरुस्त करा" हा दृष्टिकोन सामान्य आहे, तिथे ऑटोमोटिव्ह सॉफ्टवेअर हे सुरक्षिततेच्या दृष्टीने अत्यंत संवेदनशील (safety-critical) वातावरणात काम करते. हे व्यवस्थापित करण्यासाठी, फोर्डने:

• ४० लोकांची समर्पित सॉफ्टवेअर क्वालिटी अश्युरन्स टीम तयार केली आहे.
• विभागांमधील भिंती तोडण्यासाठी सॉफ्टवेअर, डिजिटल आणि मॅन्युफॅक्चरिंग टीम्स एकत्रित केल्या आहेत.
• 'एज केसेस' (edge cases) ओळखण्यासाठी आणि अत्यंत कठीण परिस्थितीत सॉफ्टवेअरची चाचणी घेण्यासाठी १,००,००० हून अधिक नवीन AI-आधारित ऑटोमेटेड टेस्ट्स लागू केल्या आहेत.

AI क्षेत्रासाठी हे का महत्त्वाचे आहे

वेगाने डिजिटल परिवर्तनाद्वारे बदलत असलेल्या कोणत्याही उद्योगासाठी फोर्डचा अनुभव एक इशारा आहे. हे सिद्ध करते की AI हे कामाची गती वाढवणारे साधन (force multiplier) आहे, परंतु ते सखोल क्षेत्रातील तज्ज्ञ ज्ञानाचा (domain expertise) पर्याय नाही. डेव्हलपर्स आणि संस्थापकांसाठी याचा संदेश स्पष्ट आहे: अनुभवी मानवी देखरेखीशिवाय केलेले ऑटोमेशन प्रणालीमध्ये कमकुवतपणा निर्माण करते. AI च्या युगात खरी विश्वासार्हता मिळवण्यासाठी हायब्रिड मॉडेलची आवश्यकता आहे, जिथे मशीनचा वेग मानवी अचूकतेने संतुलित केला जातो.

मुख्य निष्कर्ष

• ज्ञानातील तफावत: फोर्डला असे आढळले की AI मॉडेल्स अपयशी ठरली कारण निवृत्त होत असलेल्या अनुभवी अभियंत्यांचे "संस्थात्मक ज्ञान" ऑटोमेटेड सिस्टम्समध्ये यशस्वीरित्या समाविष्ट करण्यात आले नव्हते.
• धोरणात्मक पुनर्नियुक्ती: कर्मचाऱ्यांना मार्गदर्शन करण्यासाठी आणि उच्च-गुणवत्तेच्या, तज्ज्ञांनी दिलेल्या डेटाद्वारे AI मॉडेल्सना पुन्हा प्रशिक्षित करण्यासाठी कंपनीने ३५० हून अधिक अनुभवी अभियंत्यांना परत आणले आहे.
• प्रतिबंधात्मक इंजिनिअरिंग: फोर्ड आता प्रतिक्रियात्मक "शोधणे आणि सुधारणे" या मॉडेलकडून सक्रिय दृष्टिकोनाकडे वळत आहे, ज्यामध्ये सॉफ्टवेअरमधील दोष ग्राहकांपर्यंत पोहोचण्यापूर्वीच पकडण्यासाठी १,००,००० हून अधिक AI-आधारित चाचण्यांचा वापर केला जात आहे.