Почему Ford снова наняла опытных инженеров для исправления ошибок ИИ и автоматизации
Недавний взлет Ford на первое место в рейтинге первоначального качества JD Power сопровождается неожиданным признанием: компании пришлось вернуть бывших инженеров, чтобы исправить ошибки, допущенные ее собственными автоматизированными системами. Этот разворот подчеркивает важный урок для технологической отрасли: опасность чрезмерного доверия к ИИ без сохранения накопленных человеческих знаний.
Подводные камни подхода «AI-First» в проектировании
В течение нескольких лет Ford пыталась оптимизировать процессы производства и проектирования, делая ставку на искусственный интеллект и скорректированные проектные требования. Однако компания обнаружила, что простое внедрение ИИ не гарантирует автоматически высокое качество продукта. Проблема была двоякой: качество данных, использовавшихся для обучения моделей ИИ, было недостаточным, а сама компания недооценила ценность «институциональных знаний».
Чарльз Пун, вице-президент Ford по проектированию аппаратного обеспечения автомобилей, признал, что компания ошибочно полагала, будто автоматизация сможет заменить нюансы, которые учитывают опытные инженеры. По мере ухода квалифицированных кадров их накопленный опыт не был полностью перенесен в автоматизированные системы, что привело к снижению качества автомобилей и росту числа отзывных кампаний.
Восстановление экспертизы: стратегия «человек в контуре» (Human-in-the-Loop)
Чтобы исправить ситуацию, Ford предприняла масштабные инвестиции в человеческий капитал. Автопроизводитель нанял, повысил в должности или вернул более 350 опытных инженеров. Эти ветераны отрасли нужны не только для устранения физических дефектов; перед ними стоит гораздо более сложная задача: переобучение систем ИИ и наставничество для молодых инженеров.
Используя этих экспертов для выявления проблем до того, как они «проникнут в систему», Ford, по сути, создает высококачественный цикл обратной связи. Такой подход гарантирует, что данные для обучения будущих моделей ИИ будут опираться на десятилетия практического опыта циклов разработки автомобилей, устраняя разрыв между логикой кремниевых чипов и реальной механической сложностью.
Переход от модели «найти и исправить» к предиктивному предотвращению
Под руководством операционного директора Кумара Галхотры Ford меняет свою фундаментальную философию: от менталитета «найти и исправить» к превентивному подходу. Ранее компания работала разрозненно, выявляя дефекты только после их появления. Новая стратегия фокусируется на «факторах влияния и ранних индикаторах», чтобы остановить проблемы до того, как они проявятся в конечном продукте.
Эта трансформация наиболее заметна в разработке программного обеспечения Ford. В отличие от потребительской электроники, где распространен подход «двигайся быстро и исправляй потом», автомобильное ПО работает в критически важной для безопасности среде. Чтобы справиться с этим, Ford:
- Создала выделенную команду по обеспечению качества ПО из 40 человек.
- Интегрировала команды разработчиков ПО, цифровых технологий и производства для устранения разобщенности.
- Внедрила более 100 000 новых автоматизированных тестов на базе ИИ для выявления пограничных случаев и стресс-тестирования ПО в экстремальных условиях.
Почему это важно для сферы ИИ
Опыт Ford служит предостережением для любой отрасли, проходящей через стремительную цифровую трансформацию. Он доказывает, что ИИ — это множитель силы, а не замена глубокой отраслевой экспертизе. Для разработчиков и основателей вывод очевиден: автоматизация без руководства со стороны опытных специалистов ведет к системной хрупкости. Настоящая надежность в эпоху ИИ требует гибридной модели, где скорость машины уравновешивается человеческой тщательностью.
Ключевые выводы
- Дефицит знаний: Ford обнаружила, что модели ИИ давали сбои, потому что «институциональные знания» уходящих опытных инженеров не были успешно перенесены в автоматизированные системы.
- Стратегический найм: Компания вернула более 350 опытных инженеров для наставничества сотрудников и переобучения моделей ИИ с использованием более качественных данных, подготовленных экспертами.
- Превентивное проектирование: Ford переходит от реактивной модели «найти и исправить» к проактивному подходу, используя более 100 000 тестов на базе ИИ, чтобы выявлять дефекты ПО до того, как они попадут к клиентам.