Ford właśnie dostarczył jedną z ciekawszych lekcji o sztucznej inteligencji w przemyśle. Nie dlatego, że porzucił AI. Nie dlatego, że technologia zawiodła całkowicie. Lekcja jest znacznie bardziej praktyczna: automatyzacja bez ludzkiego doświadczenia może działać szybko, ale niekoniecznie dobrze.
Według medialnych doniesień zatrudnił ponownie około 350 doświadczonych inżynierów. Część z nich wcześniej pracowała w firmie, inni przychodzą od dostawców. Wewnętrznie określa się ich jako „gray beard” engineers, czyli w luźnym tłumaczeniu „siwe brody” czyli ludzi z wieloletnim doświadczeniem, którzy widzieli już wiele cykli projektowania, produkcji i naprawiania błędów.
AI miało pomóc w jakości. Samo nie dało rady
Ford przez ostatnie lata coraz mocniej polegał na automatycznych systemach kontroli jakości. Na papierze wyglądało to rozsądnie. Samochody są dziś coraz bardziej skomplikowane, zawierają więcej elektroniki, więcej software’u i więcej systemów zależnych od danych. AI miało szybciej analizować wymagania projektowe, wychwytywać błędy i obniżać koszty.
Problem w tym, że jakość samochodu nie jest wyłącznie problemem danych. To także problem doświadczenia.
Kumar Galhotra, dyrektor operacyjny Forda, przyznał, że firma coraz bardziej polegała na zautomatyzowanych systemach jakości, ale efekty nie były satysfakcjonujące. Dlatego Ford sprowadził z powrotem specjalistów technicznych, którzy mają szukać punktów awarii zanim część trafi na halę produkcyjną.
To ważne zdanie, bo pokazuje, gdzie AI się potknęło. System może wykrywać wzorce, ale doświadczony inżynier często widzi ryzyko wcześniej, bo pamięta podobne błędy z poprzednich modeli. Zazwyczaj wie, gdzie dostawcy zwykle zawodzą dostawcy. A ponadto rozumie, że mała decyzja projektowa może po kilku miesiącach stać się dużym problemem serwisowym.
Mylne założenie
Najmocniejszy cytat padł ze strony Charlesa Poona, wiceprezesa Forda ds. inżynierii hardware’u pojazdów. Powiedział on: „Mylnie uznaliśmy, że wystarczy wdrożyć sztuczną inteligencję, zasilić ją naszymi wymaganiami projektowymi, a efektem będzie produkt wysokiej jakości.”
To w zasadzie streszcza błąd wielu firm wdrażających AI. Zakładają, że jeśli wrzucą do systemu wystarczająco dużo danych, proces sam zacznie działać lepiej. Tymczasem model AI nie wie, które doświadczenia były naprawdę ważne, jeśli nikt wcześniej ich nie uporządkował, nie opisał i nie przekazał dalej.
Kontrola jakości to nie tylko checklisty
Kontrola jakości w motoryzacji nie polega wyłącznie na sprawdzeniu, czy część pasuje do tabeli wymagań. Chodzi o ocenę, czy dany element będzie działał w prawdziwym świecie: po tysiącach kilometrów, w zimnie, upale, wilgoci, przy złym użytkowaniu i po latach eksploatacji.
Tu AI może być świetnym narzędziem pomocniczym. Może analizować obrazy z kamer, przeszukiwać dokumentację, symulować scenariusze i wyłapywać powtarzalne problemy. Ale nadal słabo radzi sobie z czymś, co można nazwać inżynierskim wyczuciem.
W produkcji samochodów błąd nie kończy się brzydką odpowiedzią chatbota. Może skończyć się akcją serwisową, kosztami gwarancyjnymi, utratą reputacji albo problemem bezpieczeństwa.
Ford nie porzuca AI całkowicie
Najciekawsze jest to, że Ford nie wycofuje się z AI. Firma chce jednak łączyć automatyzację z doświadczeniem ludzi.
Zatrudnieni ponownie inżynierowie mają szkolić młodszych pracowników, prowadzić przeglądy projektowe i pomagać w przeprogramowaniu narzędzi AI. Czyli nie wracają tylko po to, by ręcznie naprawiać błędy maszyn. Mają nauczyć organizację, jak lepiej używać technologii.
Największy błąd: potraktowanie wykwalifikowanego pracownika jak kosztu
Moim zdaniem najważniejsza lekcja z tej historii nie dotyczy samego Forda. Dotyczy tego, jak wiele firm myśli o AI.
W teorii doświadczony pracownik jest drogi. AI jest szybkie, skalowalne i tańsze w przeliczeniu na zadanie. To kusi zarządy, zwłaszcza gdy patrzą na krótkoterminowe koszty. Problem polega na tym, że doświadczenie nie jest tylko kosztem. Jest warstwą bezpieczeństwa.
Starszy inżynier może być wolniejszy od algorytmu, ale wie, kiedy wynik „wygląda dobrze”, a mimo to powinien wzbudzić podejrzenie. Potrafi zapytać: „Czy my już kiedyś tego nie próbowaliśmy?”. Potrafi zauważyć mały szczegół, który nie mieści się w prostym raporcie.
AI może przetwarzać dane. Człowiek potrafi rprzewidywać konsekwencje.
Źle wdrożone AI zabiera jakość
Historia Forda nie jest dowodem na to, że AI jest bezużyteczne. To byłby zbyt prosty wniosek. Jest raczej dowodem na to, że AI nie powinno być pretekstem do wyrzucania wiedzy z organizacji. Najbardziej niebezpieczne wdrożenia AI zaczynają się od zdania: „system sam się tym zajmie”. Najlepsze zaczynają się od pytania: „którzy eksperci mają nauczyć system, co naprawdę ma znaczenie?”.
Ford najwyraźniej zapłacił za tę lekcję, ale też wyciągnął z niej praktyczny wniosek. Nie wystarczy mieć algorytm. Trzeba mieć ludzi, którzy wiedzą, kiedy algorytm się myli.
Częste pytania
Dlaczego Ford zdecydował się na zatrudnienie doświadczonych inżynierów z powrotem?
Ford zatrudnił ponownie około 350 doświadczonych inżynierów, ponieważ efekty automatyzacji w kontroli jakości nie były satysfakcjonujące. Doświadczeni inżynierowie mają szukać punktów awarii zanim część trafi na halę produkcyjną.
Jakie problemy napotkało Ford przy wdrażaniu AI w kontroli jakości?
Ford zauważył, że AI, mimo że potrafi analizować dane, nie jest w stanie zastąpić ludzkiego doświadczenia. Jakość samochodu to nie tylko problem danych, ale także umiejętności dostrzegania ryzyk przez doświadczonych inżynierów.
Jakie zadania będą mieli nowo zatrudnieni inżynierowie w Fordzie?
Nowo zatrudnieni inżynierowie będą szkolić młodszych pracowników, prowadzić przeglądy projektowe i pomagać w przeprogramowaniu narzędzi AI. Ich rolą jest nie tylko naprawianie błędów, ale także nauka lepszego wykorzystania technologii.
Co Ford uważa za największy błąd w podejściu do AI?
Ford wskazuje, że mylnie uznano, iż wystarczy wdrożyć AI i zasilić ją danymi, aby uzyskać wysoką jakość produktu. Kluczowe jest, aby doświadczenie pracowników było częścią procesu, a nie tylko kosztami.
Jakie są konsekwencje błędnego wdrożenia AI w produkcji samochodów?
Błędne wdrożenie AI w produkcji samochodów może prowadzić do akcji serwisowych, kosztów gwarancyjnych, utraty reputacji oraz problemów bezpieczeństwa. Z tego powodu doświadczenie ludzkie jest niezbędne w procesie kontroli jakości.
