AI మరియు ఆటోమేషన్ లోపాలను సరిదిద్దడానికి ఫోర్డ్ అనుభవజ్ఞులైన ఇంజనీర్లను ఎందుకు తిరిగి నియమించుకుంది
JD Power యొక్క ప్రారంభ నాణ్యత ర్యాంకింగ్లలో ఫోర్డ్ deecently No. 1 స్థానానికి చేరుకోవడం వెనుక ఒక ఆశ్చర్యకరమైన నిజం ఉంది: తన స్వంత ఆటోమేటెడ్ సిస్టమ్స్ చేసిన తప్పులను సరిదిద్దడానికి కంపెనీ పాత ఇంజనీర్లను తిరిగి పిలవాల్సి వచ్చింది. మానవ సంస్థాగత జ్ఞానాన్ని (institutional knowledge) కాపాడుకోకుండా, కేవలం AI పైనే అతిగా ఆధారపడటం వల్ల కలిగే ప్రమాదాల గురించి ఈ పరిణామం సాంకేతిక పరిశ్రమకు ఒక ముఖ్యమైన పాఠాన్ని అందిస్తోంది.
"AI-First" ఇంజనీరింగ్లోని లోపాలు
కొన్ని సంవత్సరాల పాటు, ఫోర్డ్ ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ మరియు సర్దుబాటు చేసిన డిజైన్ అవసరాలపై ఎక్కువగా ఆధారపడటం ద్వారా తన ఉత్పత్తి మరియు డిజైన్ ప్రక్రియలను క్రమబద్ధీకరించడానికి ప్రయత్నించింది. అయితే, కేవలం AIని ప్రవేశపెట్టడం వల్ల నాణ్యమైన ఉత్పత్తి వస్తుందని కంపెనీ గుర్తించలేకపోయింది. దీనికి ప్రధానంగా రెండు కారణాలు ఉన్నాయి: AI మోడళ్లను శిక్షణ ఇవ్వడానికి ఉపయోగించిన డేటా నాణ్యత సరిపోకపోవడం మరియు "సంస్థాగత జ్ఞానం" (institutional knowledge) యొక్క విలువను కంపెనీ తక్కువగా అంచనా వేయడం.
ఫోర్డ్ వెహికల్ హార్డ్వేర్ ఇంజనీరింగ్ వైస్ ప్రెసిడెంట్ చార్లెస్ పూన్ మాట్లాడుతూ, అనుభవజ్ఞులైన ఇంజనీర్లు అందించే సూక్ష్మమైన నైపుణ్యాన్ని (nuance) ఆటోమేషన్ భర్తీ చేయగలదని కంపెనీ పొరపాటుగా భావించిందని ఒప్పుకున్నారు. అనుభవజ్ఞులైన సిబ్బంది కంపెనీని వదిలి వెళ్ళినప్పుడు, వారి వద్ద ఉన్న నైపుణ్యం పూర్తిగా ఆటోమేటెడ్ సిస్టమ్స్లోకి బదిలీ కాలేదు, దీనివల్ల వాహనాల నాణ్యత తగ్గడమే కాకుండా రీకాల్స్ (recalls) సంఖ్య పెరిగింది.
నైపుణ్యాన్ని పునరుద్ధరించడం: "Human-in-the-Loop" వ్యూహం
ఈ పరిస్థితిని సరిదిద్దడానికి, ఫోర్డ్ భారీ స్థాయిలో మానవ వనరులపై తిరిగి పెట్టుబడి పెట్టింది. ఈ ఆటోమొబైల్ తయారీ సంస్థ 350 మందికి పైగా అనుభవజ్ఞులైన ఇంజనీర్లను నియమించుకుంది, పదోన్నతులు ఇచ్చింది లేదా తిరిగి పిలిపించుకుంది. ఈ అనుభవజ్ఞులు కేవలం భౌతిక లోపాలను సరిదిద్దడానికే కాదు; AI సిస్టమ్లను మళ్ళీ శిక్షణ ఇవ్వడం మరియు యువ ఇంజనీర్లకు మార్గనిర్దేశం చేయడం వంటి మరింత క్లిష్టమైన బాధ్యతలను కూడా చేపట్టారు.
సమస్యలు "సిస్టమ్లోకి ప్రవేశించే" ముందే వాటిని గుర్తించడానికి ఈ నిపుణులను ఉపయోగించడం ద్వారా, ఫోర్డ్ ఒక ఉన్నత స్థాయి ఫీడ్బ్యాక్ లూప్ను సృష్టిస్తోంది. ఈ విధానం వల్ల భవిష్యత్తులో AI మోడళ్లకు శిక్షణ ఇవ్వడానికి ఉపయోగించే డేటా, దశాబ్దాల వాహన అభివృద్ధి అనుభవంతో కూడి ఉంటుంది. ఇది సిలికాన్ ఆధారిత లాజిక్ మరియు వాస్తవ ప్రపంచ మెకానికల్ సంక్లిష్టతల మధ్య ఉన్న అంతరాన్ని తగ్గిస్తుంది.
"Find-and-Fix" నుండి ప్రిడిక్టివ్ ప్రివెన్షన్ వైపుకు
COO కుమార్ గల్హోత్రా నాయకత్వంలో, ఫోర్డ్ తన ప్రాథమిక విధానాన్ని "లోపాన్ని గుర్తించి సరిదిద్దడం" (find-and-fix) నుండి "ముందస్తు నివారణ" (preventative) వైపు మారుస్తోంది. గతంలో, కంపెనీ లోపాలు బయటపడిన తర్వాతే వాటిని గుర్తించేది. కానీ కొత్త వ్యూహం, సమస్యలు తుది ఉత్పత్తిలో కనిపించకముందే వాటిని అడ్డుకోవడానికి "ఎనేబులర్స్ మరియు ఎర్లీ ఇండికేటర్స్" (enablers and early indicators) పై దృష్టి సారిస్తోంది.
ఈ మార్పు ఫోర్డ్ సాఫ్ట్వేర్ అభివృద్ధిలో స్పష్టంగా కనిపిస్తుంది. కన్స్యూమర్ ఎలక్ట్రానిక్స్లో "వేగంగా ముందుకు సాగి, తర్వాత సరిదిద్దుకోవడం" (move fast and fix later) అనేది సాధారణం, కానీ ఆటోమోటివ్ సాఫ్ట్వేర్ భద్రతకు అత్యంత కీలకమైన వాతావరణంలో పనిచేస్తుంది. దీనిని నిర్వహించడానికి, ఫోర్డ్ ఈ క్రింది చర్యలు తీసుకుంది:
- 40 మంది సభ్యులతో కూడిన ప్రత్యేక సాఫ్ట్వేర్ క్వాలిటీ అస్యూరెన్స్ టీమ్ను ఏర్పాటు చేసింది.
- విభాగాల మధ్య ఉన్న అడ్డంకులను తొలగించడానికి సాఫ్ట్వేర్, డిజిటల్ మరియు మాన్యుఫ్యాక్చరింగ్ టీమ్లను అనుసంధానించింది.
- ఎడ్జ్ కేస్లను (edge cases) గుర్తించడానికి మరియు విపరీతమైన పరిస్థితుల్లో సాఫ్ట్వేర్ను పరీక్షించడానికి 1,00,000 కంటే ఎక్కువ కొత్త AI-ఆధారిత ఆటోమేటెడ్ టెస్ట్లను అమలు చేసింది.
AI రంగంలో ఇది ఎందుకు ముఖ్యం
వేగంగా డిజిటల్ పరివర్తన చెందుతున్న ఏ పరిశ్రమకైనా ఫోర్డ్ అనుభవం ఒక హెచ్చరికగా పనిచేస్తుంది. AI అనేది పని సామర్థ్యాన్ని పెంచే సాధనం (force multiplier) మాత్రమే తప్ప, లోతైన నైపుణ్యానికి ప్రత్యామ్నాయం కాదని ఇది నిరూపిస్తుంది. డెవలపర్లు మరియు వ్యవస్థాపకులకు దీని నుండి తేలికగా అర్థమయ్యే విషయం ఏమిటంటే: అనుభవజ్ఞులైన మానవ పర్యవేక్షణ లేకుండా ఆటోమేషన్ చేయడం వల్ల వ్యవస్థ బలహీనపడుతుంది. AI యుగంలో నిజమైన విశ్వసనీయత కావాలంటే, యంత్రాల వేగానికి మానవ క్రమశిక్షణను జోడించే ఒక హైబ్రిడ్ మోడల్ అవసరం.
ముఖ్య అంశాలు
- నాలెడ్జ్ గ్యాప్ (జ్ఞాన అంతరం): వెళ్ళిపోతున్న అనుభవజ్ఞులైన ఇంజనీర్ల "సంస్థాగత జ్ఞానం" ఆటోమేటెడ్ సిస్టమ్స్లోకి విజయవంతంగా బదిలీ కాలేదు కాబట్టి AI మోడళ్లు విఫలమయ్యాయని ఫోర్డ్ గుర్తించింది.
- వ్యూహాత్మక పునఃనియామకం: సిబ్బందికి మార్గనిర్దేశం చేయడానికి మరియు అధిక నాణ్యత కలిగిన, నిపుణుల డేటాతో AI మోడళ్లను మళ్ళీ శిక్షణ ఇవ్వడానికి కంపెనీ 350 మందికి పైగా అనుభవజ్ఞులైన ఇంజనీర్లను తిరిగి పిలిపించుకుంది.
- ప్రివెంటివ్ ఇంజనీరింగ్: ఫోర్డ్ రియాక్టివ్ "find-and-fix" మోడల్ నుండి ప్రోయాక్టివ్ విధానానికి మారుతోంది. సాఫ్ట్వేర్ లోపాలు కస్టమర్లకు చేరకముందే గుర్తించడానికి 1,00,000 కంటే ఎక్కువ AI-ఆధారిత పరీక్షలను ఉపయోగిస్తోంది.