فورد تعيد توظيف مهندسي الخبرة بعد فشل الذكاء الاصطناعي

اعترفت فورد للتو بشيء لا تريد معظم شركات التكنولوجيا أن تقوله بصراحة: لقد أساءوا الثقة بالذكاء الاصطناعي، وكان الثمن باهظاً. أعادت شركة السيارات توظيف 350 مهندساً متمرساً — كثير منهم موظفون سابقون — بعد فشل أنظمة الجودة الآلية في تحقيق النتائج المطلوبة. قصة فورد التي تعيد توظيف مهندسي الخبرة بعد فشل الذكاء الاصطناعي ليست مجرد عنوان في ديترويت. إنها إشارة يجب على كل مطور ومؤسس يبني باستخدام الذكاء الاصطناعي الآن أن يقرأها بعناية فائقة.

ما الذي حدث

قال كومار جالهوترا، كبير مسؤولي العمليات في فورد، للصحفيين أن الشركة كانت "تعتمد بشكل متزايد على أنظمة الجودة الآلية" — وتحصل على نتائج مخيبة للآمال باستمرار. لذلك غيرت فورد مسارها. أحضرت ما تسميه داخلياً "مهندسي الخبرة": متخصصين ذوي خبرة عميقة، البعض منهم سحب من التقاعد، والآخرون استقطبوا من الموردين. مهمتهم؟ البحث عن نقاط الفشل قبل وصول أي جزء معيب إلى أرضية المصنع.

كان تشارلز بون، نائب رئيس هندسة أجهزة المركبات في فورد، صريحاً بشأن الخطأ. "بالخطأ اعتقدنا أنه بمجرد إدخال الذكاء الاصطناعي واستيعاب متطلبات التصميم التي كانت لدينا، فإن ذلك سينتج عنه منتج عالي الجودة."

تستحق هذه الجملة لحظة تأمل. لم تفشل فورد لأن الذكاء الاصطناعي كان برنامجاً سيئاً. فشلت لأن الشركة افترضت أن إدخال متطلبات التصميم في نظام الذكاء الاصطناعي كان كافياً لضمان جودة المخرجات. المعرفة المتخصصة — الفهم الضمني لكيفية تصرف الجزء تحت الضغط الحقيقي، والحدس المبني عبر عقود من مراقبة الأشياء وهي تفشل — لم تكن موجودة في أي مجموعة بيانات تدريبية.

وفقاً لتقرير بلومبرج، فورد لا تتخلى عن الذكاء الاصطناعي. المهندسون المعاد توظيفهم يقومون الآن بشيئين في نفس الوقت: تدريب المهندسين الأصغر سناً وإعادة برمجة أدوات الذكاء الاصطناعي نفسها. الهدف هو حقن المعرفة المؤسسية مرة أخرى في الأنظمة الآلية — ليس لاستبدال الذكاء الاصطناعي، بل لجعله يعمل بالفعل. والنتائج المبكرة كبيرة: تتوقع فورد توفير 1 مليار دولار في التكاليف هذا العام من هذه المبادرة، وادعت الشركة للتو المرتبة الأولى بين العلامات التجارية الرئيسية في مسح جودة JD Power الأولي.

هذه قصة عن تعزيز الذكاء الاصطناعي الذي تم بشكل صحيح — لكن فقط بعد درس مؤلم وباهظ الثمن حول ما يبدو عليه تعزيز الذكاء الاصطناعي الذي تم بشكل خاطئ.

لماذا يهم آسيا

قطاعات التصنيع والتكنولوجيا في آسيا في منتصف نفس الرهان الذي قدمته فورد — وبعضها يتجه نحو نفس الجدار.

عبر جنوب شرق آسيا وكوريا الجنوبية واليابان والصين، قامت الشركات المصنعة وشركات التكنولوجيا بأتمتة مراقبة الجودة ومراجعة الأكواد والتحقق من صحة التصميم بقوة باستخدام أنظمة الذكاء الاصطناعي. الحجة دائماً واحدة: تقليل عدد الموظفين، زيادة الإنتاجية، خفض التكاليف. الافتراض المدمج في تلك الحجة متطابق مع الذي اعترف به تشارلز بون من فورد بأنه خطأ — أن استيعاب المتطلبات والبيانات التاريخية كافٍ لإنتاج الذكاء الاصطناعي لمخرجات عالية الجودة.

إنه ليس كذلك. ليس حتى الآن. ربما ليس أبداً، بمعزل عن الآخرين.

التحدي المحدد في آسيا يتفاقم بسبب العوامل الديموغرافية والثقافية. في اليابان وكوريا الجنوبية، هناك توتر موثق جيداً بين مهندسي كبار السن المتقاعدين الذين يحملون عقوداً من المعرفة الضمنية والقوى العاملة الأصغر سناً التي تتمتع بكفاءة تقنية عالية لكنها تفتقر إلى هذا العمق التجريبي. في جنوب شرق آسيا، صناعة التكنولوجيا صغيرة بالتصميم — متوسط فريق الهندسة في شركة ناشئة فيتنامية أو إندونيسية ينحاز بشدة نحو المهندسين في العشرينات من العمر. هذا ليس ضعفاً، لكنه يعني أن طبقة معرفة "مهندسي الخبرة" رقيقة أو غير موجودة تماماً.

تحرك قطاع التصنيع الصيني بسرعة أكبر في الأتمتة، وهناك بالفعل إشارات إلى تراجع الجودة في فئات منتجات معينة نتيجة لذلك. ستجد قصة فورد صدى لدى مهندسي الجودة في شنتشن وتشنغدو الذين كانوا يشيرون بهدوء إلى نفس المشاكل داخلياً.

بالنسبة لمؤسسي التكنولوجيا في آسيا على وجه التحديد: إذا كنت تبني سير عمل مدعوم بالذكاء الاصطناعي — سواء في التصنيع أو تطوير البرامج أو تصميم المنتجات — فإن درس فورد هو أن ذكاءك الاصطناعي جيد فقط بقدر المعرفة المتخصصة التي قمت بترميزها فيه. سرعة النشر ليست بديلاً عن عمق السياق.

ما يعنيه هذا للمطورين

دعنا نترجم هذا إلى شيء ملموس للمهندسين الذين يقرؤون هذا.

نمط فشل فورد يتطابق مباشرة مع كيفية استخدام العديد من فرق التطوير لأدوات الذكاء الاصطناعي للبرمجة الآن. تقوم بإدخال متطلبات الذكاء الاصطناعي، وقاعدة الأكواد الموجودة لديك، وربما بعض المخرجات النموذجية — وتتوقع نتائج بجودة الإنتاج. أحياناً تحصل عليها. في كثير من الأحيان، خاصة في المجالات المعقدة أو المجاورة للإرث، تحصل على شيء يبدو صحيحاً لكنه يفشل في ظروف حقيقية.

التوازي دقيق: استوعب ذكاء فورد الاصطناعي متطلبات التصميم وأنتج أجزاء بدت صحيحة على الورق. يستوعب ذكاؤك الاصطناعي مواصفة وينتج أكواداً تمر المراجعة السطحية. نمط الفشل في كلا الحالتين ليس الذكاء الاصطناعي الهلوسة بشكل عشوائي — إنه الذكاء الاصطناعي ينتج مخرجات معقولة تفتقر إلى الحكم المدمج الذي يأتي فقط من التجربة.

ما اكتشفته فورد — وما يجب على المطورين استيعابه — هو إطار عمل من ثلاثة أجزاء لجعل الذكاء الاصطناعي يعمل بالفعل في السياقات عالية المخاطر:

• يجب أن تكون المعرفة المتخصصة صريحة، وليست مفترضة. لا تتوقع من الذكاء الاصطناعي أن يستنتج القيود من المتطلبات وحدها. المهندس الأقدم في فريقك الذي يقول "هذا النهج سيسبب حالات تنافس تحت الحمل" يحتاج إلى ترميز تلك المعرفة في الأوامر أو الحراس أو قوائم التحقق — وليس فقط الاحتفاظ بها في رأسه.
• مراجعة الإنسان ليست خطة احتياطية — إنها الهندسة المعمارية. لا يقوم مهندسو الخبرة في فورد بمراجعة مخرجات الذكاء الاصطناعي كشبكة أمان. إنهم مدمجون هيكلياً في العملية. يحتاج المطورون إلى تصميم سير عمل الذكاء الاصطناعي الخاص بهم بنفس الطريقة: الخبرة البشرية في نقاط القرار التي تهم، وليس فقط في النهاية.
• يجب تدريب أدوات الذكاء الاصطناعي على سياقك، وليس فقط البيانات العامة. يقوم قدامى فورد حرفياً بإعادة برمجة أدوات الذكاء الاصطناعي بالمعرفة المؤسسية. بالنسبة لفرق التطوير، هذا يعني الضبط الدقيق وبناء قواعد المعرفة الداخلية والتغذية المستمرة لحالات الفشل الحقيقية مرة أخرى في أدواتك.

على منصة تطوير أصلية للذكاء الاصطناعي، هذا النوع من سير العمل الذي يدرك السياق هو الهدف من التصميم — وليس فكرة لاحقة. المنصات التي ستفوز ليست تلك التي تؤتمت أكثر، بل تلك التي تجعل من السهل هيكلياً دمج الخبرة البشرية في النقاط الصحيحة في حلقة التطوير.

هناك أيضاً تأثير على المواهب هنا لفرق التطوير الآسيوية. قصة فورد هي حجة قوية لعدم السماح لمهندسيك الأقدمين بأن يصبحوا مديرين خالصين أو معماريين لا يلمسون أدوات الذكاء الاصطناعي أبداً. قيمتهم الآن ليست فقط في مراجعة الأكواد — إنها في تشكيل كيفية فهم أدوات الذكاء الاصطناعي الخاصة بك لمجالك. أبقهم قريبين من الأدوات.

النقاط الرئيسية

تراجع إلى الصورة الكبيرة. قرار فورد بإعادة توظيف 350 مهندساً متمرساً والتوفير المتوقع بقيمة 1 مليار دولار الذي تبع ذلك هو أحد أوضح نقاط البيانات الواقعية التي لدينا حول المكان الذي تنهار فيه الأتمتة التي تعتمد على الذكاء الاصطناعي فقط — وما يبدو عليه الحل.

بعض الأشياء تبرز كدروس دائمة:

• الذكاء الاصطناعي الذي يحل محل الخبرة مشكلة مختلفة عن الذكاء الاصطناعي الذي يعزز الخبرة. حاولت فورد الأول. برنامج إعادة التوظيف هو الثاني. النتائج ليست قابلة للمقارنة. إذا كانت استراتيجية الذكاء الاصطناعي الخاصة بك مبنية على استبدال أكثر الأشخاص خبرة لديك، فأنت على الأرجح تراكم ديناً في الجودة سيأتي