فورد بازجذب بازرس های باتجربه برای ارتقای کیفیت خودرو

کارخانه وزوز می‌کرد. دوربین‌ها چشمک می‌زدند. با این حال مشکلات همچنان از نظارت عبور می‌کردند.

فورد آرام دست به بازجذب بیش از ۳۰۰ بازرس باتجربه زد، پس از آنکه سیستم‌های خودکار کنترل کیفیت کمتر از آنچه انتظار می‌رفت قابل اعتماد بودند. نخستین بار بلومبرگ این تغییر را گزارش داد: ابزارهایی که برای کاهش هزینه و افزایش بازده طراحی شده بودند با قضاوت و تشخیص الگوهایی که انسان‌های باتجربه به خط تولید می‌آورند همپوشانی نداشتند.

چارلز پون، معاون مهندسی سخت‌افزار خودرو، به صراحت گفت. هوش مصنوعی می‌تواند ابزاری شگفت‌انگیز باشد. اما عملکرد آن بستگی به داده‌ها و دانش نهادی پشت آن دارد. فورد دوربین‌ها و مدل‌های یادگیری ماشین را وارد نقش‌های بازرسی کرده بود؛ ۹۰۰ دوربین هوشمند در سراسر کارخانه‌ها بخشی از این سرمایه‌گذاری بودند، اما شرکت آموخت که مشخصات طراحی به تنهایی برابر قضاوت کیفیت نیستند.

کاردانان باتجربه مهارت‌های جدید می‌آموزند

مهندسان بازگشته دو وظیفه دارند. اول، تصحیح خطاهایی که سیستم‌های خودکار از آن‌ها غافل مانده‌اند. دوم و شاید مهم‌تر، آموزش: حاشیه‌نویسی موارد خاص، شکل‌دهی به داده‌های آموزشی و انتقال دانش ضمنی به تکنسین‌های جوان‌تر. جذب کوتاه‌مدت. انتقال دانش بلندمدت.

فورد می‌گوید این اقدام آن را دوباره در صدر رتبه‌بندی‌های کیفیت صنعت قرار داد.

این داستان تقابل هوش مصنوعی و انسان‌ها نیست. این داستان درباره توازن است. بینایی ماشینی در سرعت و یکنواختی برتری دارد. انسان‌ها در تفاوت‌های ظریف، زمینه و تجربه برترند. وقتی حسگرها با عیوب ناآشنا یا ظرایف مونتاژ روبه‌رو می‌شوند، مدلی که بر پایه نمونه‌های گذشته آموزش دیده ممکن است اشتباه طبقه‌بندی کند یا آن‌ها را نادیده بگیرد. این شکاف وقتی اهمیت پیدا می‌کند که میلیون‌ها خودرو و شهرت برند در خطر باشند.

این برای صنعت گسترده‌تر چه معنایی دارد؟ انتظار رویکردهای ترکیبی بیشتری را داشته باشید. شرکت‌ها در جاهایی که یکنواختی روشن و قابل اندازه‌گیری است به اتوماسیون ادامه خواهند داد، اما همچنین در سیستم‌هایی سرمایه‌گذاری خواهند کرد که به کارگران باتجربه اجازه می‌دهد مدل‌ها را شکل دهند نه اینکه جایگزین آن‌ها شوند. به طور خلاصه: اتوماسیون با نظارت انسانی، نه به جای آن.

این مسئله پرسشی عملی را نیز مطرح می‌کند: چگونه می‌توان دهه‌ها تجربه عملی را در مجموعه‌داده‌ها ثبت کرد؟ این همان معمایی است که فورد اکنون در حال حل آن است، یکی یکی با حاشیه‌نویسی نقص‌ها.

درس ساده و با پافشاری است. ابزارهای جدید قدرتمندند. آن‌ها میانبری به سوی تخصص نیستند. بازتنظیم فورد یادآور این است که قضاوت انسانی که با تجربه کسب شده است هنوز آینده کیفیت خودرو را هدایت می‌کند.