AI மற்றும் ஆட்டோமேஷன் பிழைகளைச் சரிசெய்ய ஃபோர்டு (Ford) ஏன் அனுபவம் வாய்ந்த பொறியாளர்களை மீண்டும் பணியமர்த்தியது

JD Power-ன் ஆரம்பகால தரவரிசையில் ஃபோர்டு (Ford) சமீபத்தில் முதலிடத்தைப் பிடித்தது ஒரு ஆச்சரியமான ஒப்புரையுடன் சேர்ந்துள்ளது: தனது சொந்த ஆட்டோமேஷன் அமைப்புகளால் ஏற்பட்ட தவறுகளைச் சரிசெய்ய, நிறுவனம் முன்னாள் பொறியாளர்களை மீண்டும் அழைக்க வேண்டியிருந்தது. மனிதர்களின் நிறுவன அறிவு (institutional knowledge) இல்லாமல், AI-ஐ மட்டும் அளவுக்கு அதிகமாகச் சார்ந்திருப்பதன் ஆபத்துகள் குறித்து தொழில்நுட்பத் துறைக்கான ஒரு முக்கியமான பாடத்தை இந்த மாற்றம் உணர்த்துகிறது.

"AI-First" பொறியியலின் சிக்கல்கள்

பல ஆண்டுகளாக, ஃபோர்டு செயற்கை நுண்ணறிவு (AI) மற்றும் மாற்றியமைக்கப்பட்ட வடிவமைப்புத் தேவைகளை அதிகம் நம்பியதன் மூலம் தனது உற்பத்தி மற்றும் வடிவமைப்பு செயல்முறைகளை எளிமைப்படுத்த முயன்றது. இருப்பினும், AI-ஐ அறிமுகப்படுத்துவது மட்டுமே தானாகவே உயர்தரத் தயாரிப்பை உறுதி செய்யாது என்பதை நிறுவனம் கண்டறிந்தது. இதன் முக்கியக் காரணம் இரண்டு: AI மாதிரிகளுக்குப் பயிற்சியளிக்கப் பயன்படுத்தப்பட்ட தரவின் தரம் போதுமானதாக இல்லை, மேலும் "நிறுவன அறிவு" (institutional knowledge)-ன் மதிப்பை நிறுவனம் குறைத்து மதிப்பிட்டது.

ஃபோர்டின் வாகன வன்பொருள் பொறியியல் துணைத் தலைவர் (VP of vehicle hardware engineering) சார்லஸ் பூன் (Charles Poon), அனுபவம் வாய்ந்த பொறியாளர்கள் வழங்கும் நுணுக்கமான அறிவை ஆட்டோமேஷன் மூலம் மாற்றீடு செய்ய முடியும் என்று நிறுவனம் தவறாகக் கருதியதை ஒப்புக்கொண்டார். அனுபவம் வாய்ந்த பணியாளர்கள் நிறுவனத்தை விட்டு வெளியேறியபோது, அவர்களின் திரட்டப்பட்ட நிபுணத்துவம் ஆட்டோமேஷன் அமைப்புகளுக்கு முழுமையாக மாற்றப்படவில்லை, இது வாகனத் தரத்தைக் குறைக்கவும், தயாரிப்புகளைத் திரும்பப் பெறுதல் (recalls) அதிகரிக்கவும் வழிவகுத்தது.

நிபுணத்துவத்தை மீண்டும் உருவாக்குதல்: "Human-in-the-Loop" உத்தி

இந்தத் திசைதிருப்பலைச் சரிசெய்ய, ஃபோர்டு மிகப்பெரிய அளவில் மனித மூலதனத்தில் (human capital) மறுமுதலீடு செய்துள்ளது. இந்த வாகனத் தயாரிப்பு நிறுவனம் 350-க்கும் மேற்பட்ட அனுபவம் வாய்ந்த பொறியாளர்களைப் பணியமர்த்தியுள்ளது, பதவி உயர்வு அளித்துள்ளது அல்லது மீண்டும் பணியமர்த்தியுள்ளது. இந்த அனுபவப் பணியாளர்கள் வெறும் உடல் ரீதியான குறைபாடுகளைச் சரிசெய்ய மட்டும் வரவில்லை; AI அமைப்புகளுக்குப் பயிற்சியளித்தல் மற்றும் இளம் பொறியாளர்களுக்கு வழிகாட்டுதல் போன்ற மிகவும் நுணுக்கமான பணிகளையும் அவர்கள் மேற்கொள்கின்றனர்.

சிக்கல்கள் "அமைப்பிற்குள் ஊடுருவுவதற்கு" முன்பே அவற்றை அடையாளம் காண இந்த நிபுணர்களைப் பயன்படுத்துவதன் மூலம், ஃபோர்டு அடிப்படையில் ஒரு உயர்தரப் பின்னூட்டச் சுழற்சியை (feedback loop) உருவாக்குகிறது. இந்த அணுகுமுறை, எதிர்கால AI மாதிரிகளுக்குப் பயிற்சியளிக்கப் பயன்படுத்தப்படும் தரவுகள், பல தசாப்த கால நேரடி வாகன மேம்பாட்டுச் சுழற்சிகளின் அடிப்படையில் இருப்பதை உறுதி செய்கிறது; இது சிலிக்கான் அடிப்படையிலான தர்க்கத்திற்கும் (silicon-based logic) நிஜ உலக இயந்திர சிக்கல்களுக்கும் இடையிலான இடைவெளியைக் குறைக்கிறது.

"கண்டுபிடி மற்றும் சரிசெய்" என்பதிலிருந்து "முன்கூட்டியே தடுக்கும்" முறைக்கு மாறுதல்

COO குமார் கல்கோத்ராவின் (Kumar Galhotra) தலைமையின் கீழ், ஃபோர்டு தனது அடிப்படைத் தத்துவத்தை "கண்டுபிடி மற்றும் சரிசெய்" (find-and-fix) என்ற மனநிலையிலிருந்து தற்காப்பு அல்லது தடுப்பு (preventative) முறைக்கு மாற்றுகிறது. இதற்கு முன்பு, நிறுவனம் தனித்தனிப் பிரிவுகளாகச் செயல்பட்டது, குறைபாடுகள் வெளிப்பட்ட பின்னரே அவற்றை அடையாளம் கண்டது. புதிய உத்தி, சிக்கல்கள் இறுதித் தயாரிப்பில் வெளிப்படுவதற்கு முன்பே அவற்றை நிறுத்த "உந்துதல்கள் மற்றும் ஆரம்பகாலக் குறிகாட்டிகள்" (enablers and early indicators) ஆகியவற்றில் கவனம் செலுத்துகிறது.

இந்த மாற்றம் ஃபோர்டின் மென்பொருள் மேம்பாட்டில் மிகவும் தெளிவாகத் தெரிகிறது. "வேகமாகச் செயல்படு மற்றும் பின்னர் சரிசெய்" என்ற அணுகுமுறை பொதுவான நுகர்வோர் மின்னணு சாதனங்களைப் போலல்லாமல், வாகன மென்பொருள் என்பது பாதுகாப்பிற்கு மிக முக்கியமான (safety-critical) சூழலில் இயங்குகிறது. இதை நிர்வகிக்க, ஃபோர்டு பின்வருவனவற்றைச் செய்துள்ளது:

• 40 பேர் கொண்ட பிரத்யேக மென்பொருள் தர உறுதித் (software quality assurance) குழுவை உருவாக்கியது.
• தனித்தனிப் பிரிவுகளாகச் செயல்படுவதைத் தவிர்க்க மென்பொருள், டிஜிட்டல் மற்றும் உற்பத்தித் टीमों ஒருங்கிணைத்தது.
• விளிம்பு நிலைச் சூழல்களை (edge cases) அடையாளம் காணவும், தீவிரச் சூழல்களில் மென்பொருளைச் சோதிக்கவும் (stress-test) 1,00,000-க்கும் மேற்பட்ட புதிய AI-ஆற்றல் கொண்ட தானியங்கி சோதனைகளைச் செயல்படுத்தியது.

AI சூழலில் இது ஏன் முக்கியமானது

விரைவான டிஜிட்டல் மாற்றத்திற்கு உள்ளாகும் எந்தவொரு தொழில்துறைக்கும் ஃபோர்டின் அனுபவம் ஒரு எச்சரிக்கையாக அமைகிறது. AI என்பது ஒரு திறனைப் பலமடங்கு அதிகரிக்கும் கருவி (force multiplier) மட்டுமே தவிர, ஆழமான துறை சார்ந்த நிபுணத்துவத்திற்கு மாற்றாகாது என்பதை இது நிரூபிக்கிறது. டெவலப்பர்கள் மற்றும் நிறுவனர்களுக்கு இதிலிருந்து கிடைக்கும் பாடம் தெளிவானது: அனுபவம் வாய்ந்த மனித மேற்பார்வை இன்றி ஆட்டோமேஷன் செய்வது முறையான பலவீனத்திற்கு (systemic fragility) வழிவகுக்கும். AI யுகத்தில் உண்மையான நம்பகத்தன்மை என்பது, இயந்திரத்தின் வேகத்தையும் மனிதனின் துல்லியத்தையும் இணைக்கும் ஒரு கலப்பு மாதிரியை (hybrid model) கோருகிறது.

முக்கியக் குறிப்புகள்

• அறிவு இடைவெளி: வெளியேறும் அனுபவம் வாய்ந்த பொறியாளர்களின் "நிறுவன அறிவு" ஆட்டோமேஷன் அமைப்புகளில் வெற்றிகரமாகப் பதிவு செய்யப்படாததால், AI மாதிரிகள் தோல்வியடைந்தன என்று ஃபோர்டு கண்டறிந்தது.
• மூலோபாய மறுவேலைவாய்ப்பு: பணியாளர்களுக்கு வழிகாட்டவும், உயர்தரமான மற்றும் நிபுணர்களால் வழிநடத்தப்படும் தரவைக் கொண்டு AI மாதிரிகளுக்குப் பயிற்சியளிக்கவும், நிறுவனம் 350-க்கும் மேற்பட்ட அனுபவம் வாய்ந்த பொறியாளர்களை மீண்டும் பணியமர்த்தியது.
• தடுப்புப் பொறியியல்: ஃபோர்டு ஒரு எதிர்வினை ஆற்றும் "கண்டுபிடி மற்றும் சரிசெய்" மாதிரியிலிருந்து, மென்பொருள் குறைபாடுகள் வாடிக்கையாளர்களைச் சென்றடைவதற்கு முன்பே அவற்றைக் கண்டறிய 1,00,000-க்கும் மேற்பட்ட AI-ஆற்றல் கொண்ட சோதனைகளைப் பயன்படுத்தும் ஒரு முன்முயற்சி எடுக்கும் அணுகுமுறைக்கு மாறி வருகிறது.