Dlaczego Ford ponownie zatrudnił doświadczonych inżynierów, aby naprawić błędy AI i automatyzacji
Niedawny awans Forda na 1. miejsce w rankingach jakości początkowej JD Power wiąże się z zaskakującym wyznaniem: firma musiała sprowadzić byłych inżynierów, aby naprawić błędy popełnione przez jej własne systemy zautomatyzowane. Ten zwrot akcji podkreśla krytyczną lekcję dla branży technologicznej dotyczącą niebezpieczeństw nadmiernego polegania na AI bez zachowania ludzkiej wiedzy instytucjonalnej.
Pułapki inżynierii opartej na zasadzie „AI-First”
Przez kilka lat Ford próbował usprawnić swoje procesy produkcji i projektowania, mocno polegając na sztucznej inteligencji i dostosowanych wymaganiach projektowych. Jednak firma odkryła, że samo wprowadzenie AI nie gwarantuje automatycznie wysokiej jakości produktu. Główny problem miał dwa podłoża: jakość danych użytych do trenowania modeli AI była niewystarczająca, a firma niedoszacowała wartości „wiedzy instytucjonalnej”.
Charles Poon, wiceprezes Forda ds. inżynierii sprzętu pojazdów, przyznał, że firma błędnie założyła, iż automatyzacja może zastąpić niuanse dostarczane przez doświadczonych inżynierów. W miarę jak doświadczony personel odchodził z firmy, ich nagromadzona wiedza nie została w pełni przeniesiona do systemów zautomatyzowanych, co doprowadziło do spadku jakości pojazdów i wzrostu liczby akcji serwisowych.
Odbudowa wiedzy eksperckiej: Strategia „Human-in-the-Loop”
Aby skorygować ten kurs, Ford podjął masowe inwestycje w kapitał ludzki. Producent samochodów zatrudnił, awansował lub sprowadził z powrotem ponad 350 doświadczonych inżynierów. Weterani ci nie są tam tylko po to, by naprawiać fizyczne wady; mają przed sobą znacznie bardziej wyrafinowane zadanie: ponowne przeszkolenie systemów AI oraz mentoring młodszych inżynierów.
Wykorzystując tych ekspertów do identyfikacji problemów, zanim „przenikną one do systemu”, Ford w zasadzie tworzy wysokiej jakości pętlę zwrotną. Podejście to zapewnia, że dane używane do trenowania przyszłych modeli AI będą oparte na dziesięcioleciach praktycznych cykli rozwoju pojazdów, co pozwala zasypać przepaść między logiką opartą na krzemie a rzeczywistą złożonością mechaniczną.
Przejście od modelu „znajdź i napraw” do zapobiegania predykcyjnego
Pod kierownictwem dyrektora operacyjnego (COO) Kumara Galhotry, Ford zmienia swoją fundamentalną filozofię z mentalności „znajdź i napraw” na podejście zapobiegawcze. Wcześniej firma działała w silosach, identyfikując wady dopiero po ich wystąpieniu. Nowa strategia koncentruje się na „czynnikach umożliwiających i wczesnych wskaźnikach”, aby zatrzymać problemy, zanim objawią się w końcowym produkcie.
Ta transformacja jest najbardziej widoczna w rozwoju oprogramowania Forda. W przeciwieństwie do elektroniki użytkowej, gdzie powszechne jest podejście „działaj szybko i napraw później”, oprogramowanie motoryzacyjne działa w środowisku krytycznym pod względem bezpieczeństwa. Aby tym zarządzać, Ford:
- Utworzył dedykowany, 40-osobowy zespół ds. zapewniania jakości oprogramowania.
- Zintegrował zespoły oprogramowania, cyfrowe i produkcyjne, aby przełamać silosy.
- Wdrożył ponad 100 000 nowych zautomatyzowanych testów opartych na AI, aby identyfikować przypadki brzegowe i poddawać oprogramowanie testom obciążeniowym w ekstremalnych warunkach.
Dlaczego ma to znaczenie dla krajobrazu AI
Doświadczenie Forda służy jako przestroga dla każdej branży przechodzącej gwałtowną transformację cyfrową. Dowodzi ono, że AI jest mnożnikiem siły, a nie zastępstwem dla głębokiej wiedzy dziedzinowej. Dla programistów i założycieli wniosek jest jasny: automatyzacja bez nadzoru doświadczonych ludzi prowadzi do systemowej kruchości. Prawdziwa niezawodność w erze AI wymaga modelu hybrydowego, w którym szybkość maszyny jest tonowana przez ludzką rygorystyczność.
Kluczowe wnioski
- Luka w wiedzy: Ford odkrył, że modele AI zawiodły, ponieważ „wiedza instytucjonalna” odchodzących doświadczonych inżynierów nie została skutecznie zakodowana w systemach zautomatyzowanych.
- Strategiczne ponowne zatrudnianie: Firma sprowadziła ponad 350 doświadczonych inżynierów, aby mentorować personel i ponownie trenować modele AI przy użyciu wyższej jakości danych dostarczanych przez ekspertów.
- Inżynieria zapobiegawcza: Ford odchodzi od reaktywnego modelu „znajdź i napraw” na rzecz podejścia proaktywnego, wykorzystując ponad 100 000 testów opartych na AI, aby wyłapywać błędy w oprogramowaniu, zanim trafią one do klientów.