فورڈ نے 'تجربہ کار' انجینئرز کو دوبارہ ملازم کیا جب AI ناکام ہوا

فورڈ نے کچھ ایسا تسلیم کیا جو زیادہ تر ٹیک کمپنیاں علانیہ نہیں کہتیں: انہوں نے AI پر بہت زیادہ اعتماد کیا، اور اس کی قیمت انہیں چکانی پڑی۔ خودرو سازی کی یہ کمپنی 350 تجربہ کار انجینئرز کو واپس لائی — ان میں سے بہت سے سابق ملازمین تھے — کیونکہ خودکار معیار کے نظام ناکام ہو گئے۔ فورڈ نے 'تجربہ کار' انجینئرز کو دوبارہ ملازم کیا جب AI ناکام ہوا، یہ صرف ڈیٹرائٹ کی خبر نہیں ہے۔ یہ ہر ڈیولپر اور بانی کے لیے ایک اشارہ ہے جو اس وقت AI کے ساتھ کام کر رہے ہیں کہ غور سے پڑھیں۔

کیا ہوا

فورڈ کے چیف آپریٹنگ آفسر کمار گلہوتا نے صحافیوں کو بتایا کہ کمپنی "خودکار معیار کے نظام پر زیادہ سے زیادہ انحصار کر رہی تھی" — اور مسلسل مایوس کن نتائج مل رہے تھے۔ تو فورڈ نے اپنا رخ موڑ دیا۔ اس نے اپنے اندر جسے "تجربہ کار" انجینئرز کہا جاتا ہے انہیں لایا: گہری تجربے والے ماہرین، کچھ ریٹائرمنٹ سے نکالے گئے، دوسرے سپلائرز سے واپس لائے گئے۔ ان کا کام؟ ناقص حصے کو پلانٹ کی منزل تک پہنچنے سے پہلے ناکامی کے نقاط تلاش کریں۔

فورڈ کے گاڑی کے ہارڈویئر انجینئرنگ کے نائب صدر چارلس پون نے اس غلطی کے بارے میں صاف الفاظ میں کہا۔ "غلطی سے ہم نے سوچا کہ صرف مصنوعی ذہانت متعارف کرانے اور اپنی ڈیزائن کی ضروریات کو شامل کرنے سے ہمیں اعلیٰ معیار کی پیداوار ملے گی۔"

اس حوالے پر ایک لمحہ غور کریں۔ فورڈ ناکام نہیں ہوا کیونکہ AI خراب سافٹویئر تھا۔ یہ ناکام ہوا کیونکہ کمپنی نے فرض کیا کہ ڈیزائن کی ضروریات کو AI سسٹم میں ڈالنا معیار کی پیداوار کی ضمانت دینے کے لیے کافی ہے۔ ڈومین کی معلومات — حقیقی دنیا کے دباؤ میں کسی حصے کے رویے کی خاموشی سے سمجھ، اور اس بات کا شہود جو دہائیوں کی ناکامیوں کو دیکھنے سے بنتا ہے — کسی بھی تربیتی ڈیٹاسیٹ میں قید نہیں تھی۔

بلومبرگ کی رپورٹنگ کے مطابق، فورڈ AI کو ترک نہیں کر رہا۔ دوبارہ ملازم کیے گئے تجربہ کار اب دو کام بیک وقت کر رہے ہیں: نوجوان انجینئرز کو تربیت دینا اور AI ٹولز کو خود دوبارہ پروگرام کرنا۔ مقصد ادارہ جاتی علم کو خودکار نظام میں واپس ڈالنا ہے — AI کو بدلنا نہیں، بلکہ اسے اصل میں کام کرنا۔ اور ابتدائی نتائج اہم ہیں: فورڈ اس سال اس منصوبے سے 1 بلین ڈالر کی کمی کی توقع کر رہا ہے، اور خودرو سازی کی یہ کمپنی JD Power ابتدائی معیار سروے میں مرکزی برانڈز میں اول آئی ہے۔

یہ AI کے اضافے کے بارے میں ایک کہانی ہے جو صحیح طریقے سے کی گئی ہے — لیکن صرف ایک دردناک، مہنگے سبق کے بعد کہ AI کے اضافے کو غلط طریقے سے کیسے کیا جائے۔

ایشیا کے لیے یہ کیوں اہم ہے

ایشیا کی مینوفیکچرنگ اور ٹیکنالوجی کے شعبے اسی شرط میں ہیں جو فورڈ نے کی تھی — اور کچھ اسی دیوار کی طرف جا رہے ہیں۔

جنوب مشرقی ایشیا، جنوبی کوریا، جاپان، اور چین میں، مینوفیکچرنگ اور ٹیک کمپنیاں AI سسٹم کے ساتھ معیار کے کنٹرول، کوڈ کی جانچ، اور ڈیزائن کی تصدیق کو تیزی سے خودکار بنا رہی ہیں۔ پچ ہمیشہ ایک جیسی ہے: ملازمین کی تعداد میں کمی، پیداوار میں اضافہ، لاگت میں کمی۔ اس پچ میں بیک ہوا ہوا فرض فورڈ کے چارلس پون نے جو غلطی تسلیم کی وہی ہے — کہ ضروریات اور تاریخی ڈیٹا کو شامل کرنا AI کے لیے معیار کی پیداوار کے لیے کافی ہے۔

یہ نہیں ہے۔ ابھی نہیں۔ ممکنہ طور پر کبھی نہیں، الگ تھلگ۔

ایشیا میں خاص چیلنج آبادی اور ثقافتی عوامل سے بڑھ جاتا ہے۔ جاپان اور جنوبی کوریا میں، ریٹائر ہونے والے سینئر انجینئرز جو دہائیوں کا خاموش علم رکھتے ہیں اور نوجوان کارکنوں کے درمیان ایک معروف کشیدگی ہے جو تکنیکی طور پر ماہر ہیں لیکن اس تجرباتی گہرائی کی کمی ہے۔ جنوب مشرقی ایشیا میں، ٹیک انڈسٹری ڈیزائن کے لحاظ سے نوجوان ہے — ویتنام یا انڈونیشیا کے اسٹارٹ اپ میں اوسط انجینئرنگ ٹیم بھاری طور پر 20 کی دہائی کے انجینئرز کی طرف جھکتی ہے۔ یہ کمزوری نہیں ہے، لیکن اس کا مطلب ہے کہ "تجربہ کار" علم کی تہہ پتلی یا بالکل نہیں ہے۔

چین کا مینوفیکچرنگ شعبہ خودکاری پر سب سے تیزی سے آگے بڑھا ہے، اور اس کے نتیجے میں کچھ پروڈکٹ کیٹیگریز میں معیار میں پہلے سے ہی انحطاط کے اشارے ہیں۔ فورڈ کی کہانی شنزن اور چنگدو میں معیار کے انجینئرز کے ساتھ گونجے گی جو اندرونی طور پر خاموشی سے اسی طرح کے مسائل کو نشانہ بنا رہے ہیں۔

ایشیا کے ٹیک بانیوں کے لیے خاص طور پر: اگر آپ AI سے مدد یافتہ ورک فلو بنا رہے ہیں — چاہے مینوفیکچرنگ، سافٹویئر ڈیولپمنٹ، یا پروڈکٹ ڈیزائن میں — فورڈ کا سبق یہ ہے کہ آپ کا AI صرف اتنا اچھا ہے جتنا ڈومین علم آپ نے اس میں کوڈ کیا ہے۔ تعینات کی رفتار سیاق و سباق کی گہرائی کا متبادل نہیں ہے۔

ڈیولپرز کے لیے اس کا مطلب کیا ہے

آئیے اسے ان انجینئرز کے لیے کچھ ٹھوس میں ترجمہ کریں جو یہ پڑھ رہے ہیں۔

فورڈ کی ناکامی کا نمونہ براہ راست اس سے منسلک ہے کہ بہت سی ڈیولپمنٹ ٹیمز اب AI کوڈنگ ٹولز استعمال کر رہی ہیں۔ آپ AI کو اپنی ضروریات کا دستاویز، اپنا موجودہ کوڈ بیس، شاید کچھ مثال کی پیداوار دیتے ہیں — اور آپ پروڈکشن کے معیار کے نتائج کی توقع کرتے ہیں۔ کبھی کبھی آپ انہیں حاصل کرتے ہیں۔ اکثر، خاص طور پر پیچیدہ یا ورثے سے متصل ڈومین میں، آپ کو کچھ ایسا ملتا ہے جو کاغذ پر صحیح لگتا ہے لیکن حقیقی حالات میں ناکام ہو جاتا ہے۔

موازنہ درست ہے: فورڈ کا AI ڈیزائن کی ضروریات کو شامل کرتا تھا اور ایسے حصے بناتا تھا جو کاغذ پر صحیح لگتے تھے۔ آپ کا AI ایک تفصیل کو شامل کرتا ہے اور کوڈ بناتا ہے جو سطحی جانچ میں کامیاب ہوتا ہے۔ دونوں صورتوں میں ناکامی کا طریقہ AI کا بے دھیالی سے ہلوسینیٹ کرنا نہیں ہے — یہ AI کی معقول پیداوار ہے جس میں وہ سرایا ہوا فیصلہ نہیں ہے جو صرف تجربے سے آتا ہے۔

جو فورڈ نے سمجھا — اور جو ڈیولپرز کو سمجھنا چاہیے — یہ اعلیٰ داؤ والے سیاق و سباق میں AI کو اصل میں کام کرنے کے لیے ایک تین حصے کا ڈھانچہ ہے:

• ڈومین علم واضح ہونا چاہیے، فرض نہیں۔ AI سے یہ توقع نہ رکھیں کہ وہ صرف ضروریات سے حدود کا اندازہ لگائے۔ آپ کی ٹیم کا سینئر انجینئر جو کہتا ہے "یہ طریقہ بوجھ کے تحت ریس کی حالت کا سبب بنے گا" اسے اپنے سر میں رکھنے کے بجائے اس علم کو پرومپٹ، حفاظتی سازوں، یا جانچ کی فہرستوں میں کوڈ کرنے کی ضرورت ہے۔
• انسانی جانچ ایک نقصان نہیں ہے — یہ تعمیر ہے۔ فورڈ کے تجربہ کار AI کی پیداوار کو حفاظتی جال کے طور پر جانچ نہیں رہے ہیں۔ وہ ساختی طور پر عمل میں سرایا ہوا ہیں۔ ڈیولپرز کو اسی طرح اپنے AI ورک فلو کو ڈیزائن کرنے کی ضرورت ہے: انسانی تجربہ ان فیصلے کے نقاط پر جو اہم ہیں، صرف آخر میں نہیں۔
• AI ٹولز کو صرف عام ڈیٹا پر نہیں، بلکہ آپ کے سیاق و سباق پر تربیت دی جانی چاہیے۔ فورڈ کے تجربہ کار لفظی طور پر ادارہ جاتی علم کے ساتھ AI ٹولز کو دوبارہ پروگرام کر رہے ہیں۔ ڈیولپمنٹ ٹیمز کے لیے، اس کا مطلب ہے فائن ٹیونگ، اندرونی علم کی بنیادیں بنانا، اور مسلسل حقیقی ناکامی کے معاملات کو اپنے ٹولنگ میں واپس ڈالنا۔

AI سے متعلقہ ڈیولپمنٹ پلیٹ فارم پر، اس قسم کا سیاق و سباق سے آگاہ ورک فلو ڈیزائن کا مقصد ہے — ایک بعد میں کا خیال نہیں۔ جو پلیٹ فارمز جیتیں گے وہ وہ نہیں ہیں جو سب سے زیادہ خودکار کرتے ہیں، بلکہ وہ جو ڈیولپمنٹ لوپ میں صحیح نقاط پر انسانی تجربہ کو سرایا کرنا ساختی طور پر آسان بناتے ہیں۔

ایشیائی ڈیو ٹیمز کے لیے یہاں ایک ٹیلنٹ کا اثر بھی ہے۔ فورڈ کی کہانی اپنے سینئر انجینئرز کو خالص منیجرز یا آرکیٹیکٹ نہ بننے دینے کے لیے ایک مضبوط دلیل ہے جو کبھی AI ٹولنگ کو چھوتے نہیں۔ ان کی قیمت اب صرف کوڈ کی جانچ میں نہیں ہے — یہ اس میں ہے کہ آپ کے AI ٹولز آپ کے ڈومین کو کیسے سمجھتے ہیں۔ انہیں ٹولز کے قریب رکھیں۔

اہم نکات

بڑی تصویر تک واپس جائیں۔ فورڈ کا 350 تجربہ کار انجینئرز کو دوبارہ ملازم کرنے کا فیصلہ اور اس کے بعد کی 1 بلین ڈالر کی متوقع بچت ہمارے پاس ایک واضح حقیقی دنیا کا ڈیٹا پوائنٹ ہے کہ جہاں صرف AI خودکاری ٹوٹ جاتی ہے — اور حل کیسا لگتا ہے۔

کچھ چیزیں پائیدار سبق کے طور پر سامنے آتی ہیں:

• AI کو تجربہ سے بدلنا ایک مختلف مسئلہ ہے جو AI تجربہ کو بڑھانے سے۔ فورڈ نے پہلے کی کوشش کی۔ دوبارہ ملازمی کا پروگرام دوسرا ہے۔ نتائج قابل موازنہ نہیں ہیں۔ اگر آپ کی AI حکمت عملی اپنے سب سے تجربہ کار لوگوں کو بدلنے کے ارد گرد بنی ہے، تو آپ شاید معیار کے قرض کو جمع کر رہے ہیں جو آخر میں واپس آئے گا۔