AI ਅਤੇ ਆਟੋਮੇਸ਼ਨ ਦੀਆਂ ਗਲਤੀਆਂ ਨੂੰ ਸੁਧਾਰਨ ਲਈ ਫੋਰਡ ਨੇ ਤਜਰਬੇਕਾਰ ਇੰਜੀਨੀਅਰਾਂ ਨੂੰ ਦੁਬਾਰਾ ਕਿਉਂ ਰੱਖਿਆ

JD Power ਦੀਆਂ ਸ਼ੁਰੂਆਤੀ ਕੁਆਲਿਟੀ ਰੈਂਕਿੰਗਜ਼ ਵਿੱਚ ਫੋਰਡ (Ford) ਦਾ ਹਾਲ ਹੀ ਵਿੱਚ ਨੰਬਰ 1 ਸਥਾਨ 'ਤੇ ਆਉਣਾ ਇੱਕ ਹੈਰਾਨੀਜਨਕ ਇਕਬਾਲੀਆਤ ਦੇ ਨਾਲ ਆਇਆ ਹੈ: ਕੰਪਨੀ ਨੂੰ ਆਪਣੇ ਆਟੋਮੇਟਡ ਸਿਸਟਮਾਂ ਦੁਆਰਾ ਕੀਤੀਆਂ ਗਈਆਂ ਗਲਤੀਆਂ ਨੂੰ ਸੁਧਾਰਨ ਲਈ ਸਾਬਕਾ ਇੰਜੀਨੀਅਰਾਂ ਨੂੰ ਵਾਪਸ ਲਿਆਉਣਾ ਪਿਆ। ਇਹ ਤਬਦੀਲੀ ਤਕਨੀਕੀ ਉਦਯੋਗ ਲਈ ਇੱਕ ਅਹਿਮ ਸਬਕ ਹੈ ਕਿ ਮਨੁੱਖੀ ਸੰਸਥਾਗਤ ਗਿਆਨ (institutional knowledge) ਨੂੰ ਸੰਭਾਲੇ ਬਿਨਾਂ AI 'ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਿਰਭਰ ਕਰਨ ਦੇ ਖ਼ਤਰੇ ਕੀ ਹਨ।

"AI-First" ਇੰਜੀਨੀਅਰਿੰਗ ਦੇ ਨੁਕਸਾਨ

ਕਈ ਸਾਲਾਂ ਤੱਕ, ਫੋਰਡ ਨੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਅਤੇ ਬਦਲੇ ਹੋਏ ਡਿਜ਼ਾਈਨ ਦੀਆਂ ਲੋੜਾਂ 'ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਭਰੋਸਾ ਕਰਕੇ ਆਪਣੀ ਉਤਪਾਦਨ ਅਤੇ ਡਿਜ਼ਾਈਨ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਸੁਚਾਰੂ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ। ਹਾਲਾਂਕਿ, ਕੰਪਨੀ ਨੇ ਪਾਇਆ ਕਿ ਸਿਰਫ਼ AI ਨੂੰ ਲਾਗੂ ਕਰਨ ਨਾਲ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੇ ਉਤਪਾਦ ਦੀ ਗਾਰੰਟੀ ਆਪਣੇ ਆਪ ਨਹੀਂ ਮਿਲਦੀ। ਮੁੱਖ ਸਮੱਸਿਆ ਦੋਹਰੀ ਸੀ: AI ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਵਰਤੇ ਗਏ ਡੇਟਾ ਦੀ ਗੁਣਵੱਤਾ ਨਾਕਾਫ਼ੀ ਸੀ, ਅਤੇ ਕੰਪਨੀ ਨੇ "ਸੰਸਥਾਗਤ ਗਿਆਨ" ਦੀ ਕੀਮਤ ਨੂੰ ਘੱਟ ਅੰਕਿਆ ਸੀ।

ਫੋਰਡ ਦੇ ਵਹੀਕਲ ਹਾਰਡਵੇਅਰ ਇੰਜੀਨੀਅਰਿੰਗ ਦੇ VP, ਚਾਰਲਸ ਪੂਨ (Charles Poon) ਨੇ ਮੰਨਿਆ ਕਿ ਕੰਪਨੀ ਨੇ ਗਲਤੀ ਨਾਲ ਇਹ ਮੰਨ ਲਿਆ ਸੀ ਕਿ ਆਟੋਮੇਸ਼ਨ ਤਜਰਬੇਕਾਰ ਇੰਜੀਨੀਅਰਾਂ ਦੁਆਰਾ ਦਿੱਤੇ ਜਾਣ ਵਾਲੇ ਬਾਰੀਕ ਗਿਆਨ ਦੀ ਜਗ੍ਹਾ ਲੈ ਸਕਦਾ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ ਤਜਰਬੇਕਾਰ ਕਰਮਚਾਰੀ ਕੰਪਨੀ ਛੱਡ ਕੇ ਗਏ, ਉਨ੍ਹਾਂ ਦਾ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਮਾਹਰ ਗਿਆਨ ਪੂਰੀ ਤਰ੍ਹਾਂ ਆਟੋਮੇਟਡ ਸਿਸਟਮਾਂ ਵਿੱਚ ਤਬਦੀਲ ਨਹੀਂ ਹੋ ਸਕਿਆ, ਜਿਸ ਕਾਰਨ ਵਾਹਨਾਂ ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ ਗਿਰਾਵਟ ਆਈ ਅਤੇ ਰੀਕਾਲ (recalls) ਵਿੱਚ ਵਾਧਾ ਹੋਇਆ।

ਮਾਹਰਤਾ ਦਾ ਮੁੜ ਨਿਰਮਾਣ: "Human-in-the-Loop" ਰਣਨੀਤੀ

ਇਸ ਰੁਝਾਨ ਨੂੰ ਸੁਧਾਰਨ ਲਈ, ਫੋਰਡ ਨੇ ਮਨੁੱਖੀ ਪੂੰਜੀ ਵਿੱਚ ਵੱਡਾ ਮੁੜ ਨਿਵੇਸ਼ ਕੀਤਾ ਹੈ। ਕਾਰ ਨਿਰਮਾਤਾ ਨੇ 350 ਤੋਂ ਵੱਧ ਤਜਰਬੇਕਾਰ ਇੰਜੀਨੀਅਰਾਂ ਨੂੰ ਨੌਕਰੀ 'ਤੇ ਰੱਖਿਆ ਹੈ, ਤਰੱਕੀ ਦਿੱਤੀ ਹੈ, ਜਾਂ ਵਾਪਸ ਬੁਲਾਇਆ ਹੈ। ਇਹ ਤਜਰਬੇਕਾਰ ਇੰਜੀਨੀਅਰ ਸਿਰਫ਼ ਸਰੀਰਕ 결 (defects) ਨੂੰ ਸੁਧਾਰਨ ਲਈ ਨਹੀਂ ਹਨ; ਉਨ੍ਹਾਂ ਨੂੰ ਇੱਕ ਬਹੁਤ ਹੀ ਗੁੰਝਲਦਾਰ ਮਿਸ਼ਨ ਦਿੱਤਾ ਗਿਆ ਹੈ: AI ਸਿਸਟਮਾਂ ਨੂੰ ਮੁੜ ਸਿਖਲਾਈ ਦੇਣਾ ਅਤੇ ਨੌਜਵਾਨ ਇੰਜੀਨੀਅਰਾਂ ਦਾ ਮਾਰਗਦਰਸ਼ਨ ਕਰਨਾ।

ਸਮੱਸਿਆਵਾਂ ਦੇ "ਸਿਸਟਮ ਵਿੱਚ ਘੁਸਣ" ਤੋਂ ਪਹਿਲਾਂ ਉਨ੍ਹਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਇਹਨਾਂ ਮਾਹਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਫੋਰਡ ਅਸਲ ਵਿੱਚ ਇੱਕ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲਾ ਫੀਡਬੈਕ ਲੂਪ ਬਣਾ ਰਿਹਾ ਹੈ। ਇਹ ਪਹੁੰਚ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ ਭਵਿੱਖ ਦੇ AI ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਡੇਟਾ ਦਹਾਕਿਆਂ ਦੇ ਪ੍ਰੈਕਟੀਕਲ ਵਾਹਨ ਵਿਕਾਸ ਚੱਕਰਾਂ 'ਤੇ ਅਧਾਰਤ ਹੋਵੇ, ਜੋ ਕਿ ਸਿਲੀਕਾਨ-ਅਧਾਰਤ ਤਰਕ (logic) ਅਤੇ ਅਸਲ ਦੁਨੀਆ ਦੀ ਮਕੈਨੀਕਲ ਗੁੰਝਲਤਾ ਦੇ ਵਿਚਕਾਰਲੇ ਪਾੜੇ ਨੂੰ ਭਰਦਾ ਹੈ।

"Find-and-Fix" ਤੋਂ "Predictive Prevention" ਵੱਲ ਵਧਣਾ

COO ਕੁਮਾਰ ਗਲਹੋਤਰਾ ਦੀ ਅਗਵਾਈ ਹੇਠ, ਫੋਰਡ ਆਪਣੀ ਮੂਲ ਫਲਸਫੇ ਨੂੰ "find-and-fix" (ਖੋਜੋ ਅਤੇ ਸੁਧਾਰੋ) ਮਾਨਸਿਕਤਾ ਤੋਂ ਬਦਲ ਕੇ ਇੱਕ ਰੋਕਥਾਮ ਵਾਲੀ ਮਾਨਸਿਕਤਾ ਵਿੱਚ ਬਦਲ ਰਿਹਾ ਹੈ। ਪਹਿਲਾਂ, ਕੰਪਨੀ ਵੱਖ-ਵੱਖ ਵਿਭਾਗਾਂ (silos) ਵਿੱਚ ਕੰਮ ਕਰਦੀ ਸੀ, ਜੋ ਕਿ 결 (defects) ਦੀ ਪਛਾਣ ਸਿਰਫ਼ ਉਹਨਾਂ ਦੇ ਸਾਹਮਣੇ ਆਉਣ ਤੋਂ ਬਾਅਦ ਹੀ ਕਰਦੀ ਸੀ। ਨਵੀਂ ਰਣਨੀਤੀ ਅੰਤਿਮ ਉਤਪਾਦ ਵਿੱਚ ਸਮੱਸਿਆਵਾਂ ਦੇ ਪ੍ਰਗਟ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਉਹਨਾਂ ਨੂੰ ਰੋਕਣ ਲਈ "enablers and early indicators" (ਸਹਾਇਕ ਅਤੇ ਸ਼ੁਰੂਆਤੀ ਸੰਕੇਤਾਂ) 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੀ ਹੈ।

ਇਹ ਤਬਦੀਲੀ ਫੋਰਡ ਦੇ ਸਾਫਟਵੇਅਰ ਵਿਕਾਸ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਸਪਸ਼ਟ ਹੈ। ਕੰਜ਼ਿਊਮਰ ਇਲੈਕਟ੍ਰਾਨਿਕਸ ਦੇ ਉਲਟ, ਜਿੱਥੇ "ਤੇਜ਼ੀ ਨਾਲ ਵਧੋ ਅਤੇ ਬਾਅਦ ਵਿੱਚ ਸੁਧਾਰੋ" ਵਾਲਾ ਪਹੁੰਚ ਆਮ ਹੈ, ਆਟੋਮੋਟਿਵ ਸਾਫਟਵੇਅਰ ਇੱਕ ਸੁਰੱਖਿਆ-ਅਹਿਮ (safety-critical) ਮਾਹੌਲ ਵਿੱਚ ਕੰਮ ਕਰਦਾ ਹੈ। ਇਸ ਨੂੰ ਸੰਭਾਲਣ ਲਈ, ਫੋਰਡ ਨੇ:

• 40 ਮੈਂਬਰਾਂ ਦੀ ਇੱਕ ਸਮਰਪਿਤ ਸਾਫਟਵੇਅਰ ਕੁਆਲਿਟੀ ਅਸ਼ੋਰੈਂਸ ਟੀਮ ਬਣਾਈ ਹੈ।
• ਵਿਭਾਗੀ ਵੱਖਰੇਵਾਂ ਨੂੰ ਖਤਮ ਕਰਨ ਲਈ ਸਾਫਟਵੇਅਰ, ਡਿਜੀਟਲ ਅਤੇ ਮੈਨੂਫੈਕਚਰਿੰਗ ਟੀਮਾਂ ਨੂੰ ਇਕੱਠਾ ਕੀਤਾ ਹੈ।
• ਐਜ ਕੇਸਾਂ (edge cases) ਦੀ ਪਛਾਣ ਕਰਨ ਅਤੇ ਅਤਿ ਦੀਆਂ ਸਥਿਤੀਆਂ ਵਿੱਚ ਸਾਫਟਵੇਅਰ ਦਾ ਸਟ੍ਰੈਸ-ਟੈਸਟ ਕਰਨ ਲਈ 1,00,000 ਤੋਂ ਵੱਧ ਨਵੇਂ AI-ਸੰਚਾਲਿਤ ਆਟੋਮੇਟਡ ਟੈਸਟ ਲਾਗੂ ਕੀਤੇ ਹਨ।

AI ਦੇ ਖੇਤਰ ਲਈ ਇਹ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ

ਫੋਰਡ ਦਾ ਅਨੁਭਵ ਕਿਸੇ ਵੀ ਅਜਿਹੇ ਉਦਯੋਗ ਲਈ ਇੱਕ ਚੇਤਾਵਨੀ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ ਜੋ ਤੇਜ਼ੀ ਨਾਲ ਡਿਜੀਟਲ ਤਬਦੀਲੀ ਵਿੱਚੋਂ ਲੰਘ ਰਿਹਾ ਹੈ। ਇਹ ਸਾਬਤ ਕਰਦਾ ਹੈ ਕਿ AI ਇੱਕ "ਫੋਰਸ ਮਲਟੀਪਲਾਇਰ" (force multiplier) ਹੈ, ਨਾ ਕਿ ਡੂੰਘੀ ਮਾਹਰਤਾ ਦਾ ਬਦਲ। ਡਿਵੈਲਪਰਾਂ ਅਤੇ ਸੰਸਥਾਪਕਾਂ ਲਈ, ਸਬਕ ਸਪਸ਼ਟ ਹੈ: ਤਜਰਬੇਕਾਰ ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ਦੇ ਮਾਰਗਦਰਸ਼ਨ ਤੋਂ ਬਿਨਾਂ ਆਟੋਮੇਸ਼ਨ ਪ੍ਰਣਾਲੀਗਤ ਕਮਜ਼ੋਰੀ (systemic fragility) ਵੱਲ ਲੈ ਜਾਂਦੀ ਹੈ। AI ਦੇ ਯੁੱਗ ਵਿੱਚ ਅਸਲ ਭਰੋਸੇਯੋਗਤਾ ਲਈ ਇੱਕ ਹਾਈਬ੍ਰਿਡ ਮਾਡਲ ਦੀ ਲੋੜ ਹੈ ਜਿੱਥੇ ਮਸ਼ੀਨ ਦੀ ਰਫਤਾਰ ਨੂੰ ਮਨੁੱਖੀ ਸਖ਼ਤੀ (human rigor) ਨਾਲ ਸੰਤੁਲਿਤ ਕੀਤਾ ਜਾ ਸਕੇ।

ਮੁੱਖ ਨੁਕਤੇ

• ਗਿਆਨ ਦਾ ਪਾੜਾ: ਫੋਰਡ ਨੇ ਪਾਇਆ ਕਿ AI ਮਾਡਲ ਇਸ ਲਈ ਅਸਫਲ ਰਹੇ ਕਿਉਂਕਿ ਜਾਣ ਵਾਲੇ ਤਜਰਬੇਕਾਰ ਇੰਜੀਨੀਅਰਾਂ ਦੇ "ਸੰਸਥਾਗਤ ਗਿਆਨ" ਨੂੰ ਆਟੋਮੇਟਡ ਸਿਸਟਮਾਂ ਵਿੱਚ ਸਫਲਤਾਪੂਰਵਕ ਕੋਡ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਸੀ।
• **ਰਣਨੀਤਕ ਮੁੜ-ਨ