ทำไม Ford ถึงต้องจ้างวิศวกรระดับมือเก๋าคืนกลับมาเพื่อแก้ไขข้อผิดพลาดของ AI และระบบอัตโนมัติ

การที่ Ford ก้าวขึ้นสู่ตำแหน่งอันดับ 1 ในการจัดอันดับคุณภาพเริ่มต้น (initial quality rankings) ของ JD Power เมื่อเร็วๆ นี้ มาพร้อมกับการยอมรับที่น่าประหลาดใจว่า บริษัทต้องดึงตัวอดีตวิศวกรกลับมาเพื่อแก้ไขข้อผิดพลาดที่เกิดจากระบบอัตโนมัติของตนเอง การปรับเปลี่ยนทิศทางครั้งนี้เน้นย้ำถึงบทเรียนสำคัญสำหรับอุตสาหกรรมเทคโนโลยีเกี่ยวกับอันตรายของการพึ่งพา AI มากเกินไปโดยไม่รักษา "ความรู้เชิงสถาบัน" (institutional knowledge) ของมนุษย์เอาไว้

กับดักของวิศวกรรมแบบ "AI-First"

เป็นเวลาหลายปีที่ Ford พยายามเพิ่มประสิทธิภาพกระบวนการผลิตและการออกแบบโดยพึ่งพาปัญญาประดิษฐ์ (AI) และข้อกำหนดการออกแบบที่ปรับเปลี่ยนใหม่ อย่างไรก็ตาม บริษัทพบว่าการนำ AI เข้ามาใช้เพียงอย่างเดียวไม่ได้การันตีคุณภาพผลิตภัณฑ์ที่สูงเสมอไป ปัญหาหลักมีอยู่สองประการ คือ คุณภาพของข้อมูลที่ใช้ฝึกฝนโมเดล AI นั้นไม่เพียงพอ และบริษัทได้ประเมินค่าของ "ความรู้เชิงสถาบัน" (institutional knowledge) ต่ำเกินไป

Charles Poon รองประธานฝ่ายวิศวกรรมฮาร์ดแวร์ยานยนต์ของ Ford ยอมรับว่าบริษัทเข้าใจผิดว่าระบบอัตโนมัติสามารถทดแทนความละเอียดอ่อนที่วิศวกรระดับมือเก๋าทำได้ เมื่อบุคลากรที่มีประสบการณ์ลาออกจากบริษัท ความเชี่ยวชาญที่สะสมมาจึงไม่ได้ถูกถ่ายทอดเข้าสู่ระบบอัตโนมัติอย่างครบถ้วน นำไปสู่คุณภาพยานยนต์ที่ลดลงและการเรียกคืนรถยนต์ (recalls) ที่เพิ่มขึ้น

การสร้างความเชี่ยวชาญขึ้นใหม่: กลยุทธ์ Human-in-the-Loop

เพื่อแก้ไขทิศทางนี้ Ford ได้ดำเนินการลงทุนในทรัพยากรมนุษย์ครั้งใหญ่ โดยผู้ผลิตรถยนต์รายนี้ได้จ้างงาน เลื่อนตำแหน่ง หรือดึงตัววิศวกรที่มีประสบการณ์กลับมามากกว่า 350 คน วิศวกรระดับมือเก๋าเหล่านี้ไม่ได้มีหน้าที่เพียงแค่แก้ไขข้อบกพร่องทางกายภาพเท่านั้น แต่ยังมีภารกิจที่ซับซ้อนกว่านั้นมาก นั่นคือการฝึกฝนระบบ AI ใหม่ และการเป็นพี่เลี้ยงให้กับวิศวกรรุ่นใหม่

การใช้ผู้เชี่ยวชาญเหล่านี้เพื่อระบุปัญหาตั้งแต่ก่อนที่มันจะ "แทรกซึมเข้าสู่ระบบ" ทำให้ Ford กำลังสร้างวงจรการตอบกลับ (feedback loop) ที่มีคุณภาพสูง แนวทางนี้ช่วยให้มั่นใจได้ว่าข้อมูลที่ใช้ฝึกฝนโมเดล AI ในอนาคตจะได้รับข้อมูลจากวงจรการพัฒนายานยนต์ที่ลงมือทำจริงมานานหลายทศวรรษ ซึ่งเป็นการเชื่อมช่องว่างระหว่างตรรกะบนซิลิคอนและความซับซ้อนทางกลไกในโลกแห่งความเป็นจริง

เปลี่ยนจาก "ค้นหาและแก้ไข" เป็น "การป้องกันเชิงคาดการณ์"

ภายใต้การนำของ COO Kumar Galhotra, Ford กำลังเปลี่ยนปรัชญาพื้นฐานจากแนวคิดแบบ "ค้นหาและแก้ไข" (find-and-fix) ไปสู่แนวคิดเชิงป้องกัน ก่อนหน้านี้ บริษัททำงานแบบแยกส่วน (silos) โดยจะระบุข้อบกพร่องก็ต่อเมื่อมันปรากฏขึ้นแล้วเท่านั้น แต่กลยุทธ์ใหม่จะมุ่งเน้นไปที่ "ปัจจัยสนับสนุนและตัวบ่งชี้ล่วงหน้า" (enablers and early indicators) เพื่อหยุดยั้งปัญหาไม่ให้เกิดขึ้นในผลิตภัณฑ์ขั้นสุดท้าย

การเปลี่ยนแปลงนี้เห็นได้ชัดเจนที่สุดในการพัฒนาซอฟต์แวร์ของ Ford ซึ่งแตกต่างจากอุปกรณ์อิเล็กทรอนิกส์สำหรับผู้บริโภคที่มักใช้แนวทาง "ทำไปก่อนแล้วค่อยแก้ทีหลัง" (move fast and fix later) เนื่องจากซอฟต์แวร์ยานยนต์ทำงานในสภาพแวดล้อมที่ความปลอดภัยเป็นเรื่องวิกฤต เพื่อจัดการเรื่องนี้ Ford จึงได้:

• สร้างทีมประกันคุณภาพซอฟต์แวร์ (software quality assurance) โดยเฉพาะจำนวน 40 คน
• บูรณาการทีมซอฟต์แวร์ ดิจิทัล และการผลิตเข้าด้วยกันเพื่อทลายการทำงานแบบแยกส่วน
• นำการทดสอบอัตโนมัติที่ขับเคลื่อนด้วย AI ใหม่กว่า 100,000 รายการมาใช้ เพื่อระบุกรณีที่เกิดขึ้นได้ยาก (edge cases) และทดสอบความทนทาน (stress-test) ของซอฟต์แวร์ภายใต้สภาวะสุดขั้ว

ทำไมเรื่องนี้จึงสำคัญต่อภูมิทัศน์ของ AI

ประสบการณ์ของ Ford ถือเป็นอุทาหรณ์สำหรับอุตสาหกรรมใดก็ตามที่กำลังเผชิญกับการเปลี่ยนผ่านสู่ดิจิทัลอย่างรวดเร็ว มันพิสูจน์ให้เห็นว่า AI คือตัวทวีคูณประสิทธิภาพ (force multiplier) ไม่ใช่สิ่งที่จะมาแทนที่ความเชี่ยวชาญเฉพาะด้านที่ลึกซึ้ง สำหรับนักพัฒนาและผู้ก่อตั้ง บทเรียนนี้ชัดเจนมาก นั่นคือ การใช้ระบบอัตโนมัติโดยปราศจากการกำกับดูแลจากมนุษย์ที่มีประสบการณ์จะนำไปสู่ความเปราะบางของระบบ ความน่าเชื่อถือที่แท้จริงในยุค AI จำเป็นต้องใช้โมเดลแบบไฮบริดที่ความเร็วของเครื่องจักรถูกควบคุมด้วยความเข้มงวดของมนุษย์

สรุปประเด็นสำคัญ

• ช่องว่างทางความรู้: Ford พบว่าโมเดล AI ล้มเหลวเนื่องจาก "ความรู้เชิงสถาบัน" ของวิศวกรระดับมือเก๋าที่ลาออกไปนั้น ไม่ได้ถูกเข้ารหัสลงในระบบอัตโนมัติอย่างสำเร็จ
• การจ้างงานเชิงกลยุทธ์: บริษัทได้ดึงตัววิศวกรที่มีประสบการณ์กลับมามากกว่า 350 คน เพื่อเป็นพี่เลี้ยงให้กับพนักงานและฝึกฝนโมเดล AI ใหม่ด้วยข้อมูลที่มีคุณภาพสูงขึ้นซึ่งขับเคลื่อนโดยผู้เชี่ยวชาญ
• วิศวกรรมเชิงป้องกัน: Ford กำลังเปลี่ยนจากโมเดลแบบตั้งรับ "ค้นหาและแก้ไข" ไปสู่แนวทางเชิงรุก โดยใช้การทดสอบที่ขับเคลื่อนด้วย AI กว่า 100,000 รายการ เพื่อตรวจจับข้อบกพร่องของซอฟต์แวร์ก่อนที่จะถึงมือลูกค้า