اگر امروز یک خودروی مدرن می‌خرید، احتمالاً متوجه نمی‌شوید که ایمنی آن به جای هوش مصنوعی بیشتر، مدیون نظارت دقیق انسان‌ها بر اشتباهات ماشین است. شرکت فورد (Ford) دریافته است که اتکای مطلق به سیستم‌های خودکار برای تضمین کیفیت، نتیجه‌ای معکوس داده و منجر به بروز نقص‌های بحرانی در خودروها شده است. در واقع، سیستم‌های خودکار که برای تضمین کیفیت طراحی شده بودند، نتوانستند نقص‌های حیاتی خودروها را شناسایی کنند.
برای پر کردن این شکاف، فورد بیش از ۳۵۰ مهندس باسابقه را استخدام، ارتقا یا دوباره به خدمت گرفته است تا لایه‌ای از تخصص سازمانی را که در سال‌های اخیر از دست رفته بود، دوباره احیا کند و این خطاها را برطرف سازد. این تصمیم در حالی گرفته می‌شود که فورد طبق گزارش JD Power رتبه اول کیفیت اولیه در میان خودروسازان جریان اصلی را کسب کرده است؛ اما این پیروزی پس از سال‌ها افت کیفیت و حجم بالای فراخوان‌ها (Recalls) به دست آمده است. شرکت به این نتیجه رسید که تکیه صرف بر هوش مصنوعی و تغییر الزامات طراحی، به‌طور خودکار منجر به تولید خودروهایی با کیفیت بالا نمی‌شود.
زمینه و بستر افت کیفیت
باید بدانید که فورد در حال حاضر در تعداد فراخوان‌ها پیشتاز صنعت است. این چالش‌های کیفی اخیراً به دلیل چندین عامل ترکیبی شدیدتر شده‌اند. شرکت در زمان عرضه مدل‌های Explorer و Aviator با مشکلات جدی دست‌وپنجه نرم کرد و هم‌زمان با اختلالات زنجیره تأمین در دوران پاندمی کووید-۱۹ مواجه شد.
به نقل از چارلز پون، معاون مهندسی سخت‌افزار خودرو، در نشستی که هفته گذشته (ژوئن ۲۰۲۶) برگزار شد، این شرکت ارزش مهندسان باسابقه را دست‌کم گرفته بود. بسیاری از این خبرگان پیش از آنکه دانش آن‌ها به‌طور کامل در سیستم‌های خودکار دیجیتالی شود، شرکت را ترک کردند. این شکاف باعث شد مهندسان جوان‌تر برای حفظ استانداردهای کیفی دچار مشکل شوند و نتوانند جایگزین مناسبی برای تجربه سالیان آن‌ها باشند. این نیاز مبرم به متخصصانی که بتوانند پلی میان مدل‌های انتزاعی AI و پیچیدگی‌های دنیای واقعی ایجاد کنند، با رشد چشمگیر تقاضا برای مهندسان استقرار در سطح صنعت هم‌راستا است.
تله‌های اتوماسیون خالص
فورد کشف کرد که اثربخشی هوش مصنوعی کاملاً به کیفیت داده‌هایی وابسته است که برای آموزش مدل‌های آن استفاده می‌شود. چارلز پون توضیح داد: «ما به‌اشتباه تصور می‌کردیم که صرفاً با معرفی هوش مصنوعی و تغییر الزامات طراحی که در اختیار داشتیم، محصولی باکیفیت تولید خواهد شد.»
این تکیه بیش از حد بر اتوماسیون سناریویی را ایجاد کرد که در آن ربات‌ها اشتباهاتی مرتکب می‌شدند که تنها انسان‌ها قادر به اصلاح آن‌ها بودند. شرکت متوجه شد که بازگرداندن کارکنان سابقی که تخصص عمیقی دارند، برای بازآموزی این سیستم‌ها و شناسایی مشکلات پیش از ورود آن‌ها به خط تولید، یک ضرورت حیاتی است.
استراتژی پیشین فورد بر فلسفه «یافت و اصلاح» (Find and Fix) متکی بود. کومار گالهوترا، مدیر عملیات شرکت، اشاره کرد که بخش‌های مختلف در سیلوهای جداگانه عمل می‌کردند. این رویکرد باعث می‌شد نقص‌ها پس از ظاهر شدن شناسایی و سریعاً اصلاح شوند، اما در جلوگیری از وقوع اولیه آن‌ها شکست می‌خورد. گالهوترا صراحتاً بیان کرد: «ما در حال تغییر ذهنیت از یافت-و-اصلاح به سمت پیشگیری از وقوع مشکلات هستیم... باید تحسینِ مشکل را کنار بگذاریم و حل آن را شروع کنیم.»
بازسازی ساختار کیفیت
برای تغییر مسیر و خروج از این وضعیت، فورد تغییرات زیر را به صورت عملیاتی اجرا کرد:
- راهنمایی و منتورینگ انسانی: بیش از ۳۵۰ مهندس ارشد اکنون کارکنان جوان‌تر را هدایت می‌کنند و مستقیماً بر بهبود جمع‌آوری داده‌ها و آموزش هوش مصنوعی که زیربنای سیستم‌های خودکار است، نظارت دارند.
- یکپارچگی بین‌بخشی (Cross-Functional): تیم‌های نرم‌افزاری و دیجیتال اکنون مستقیماً با واحدهای مهندسی خودرو، تولید و زنجیره تأمین همکاری می‌کنند تا سیلوهای اطلاعاتی از بین برود.
- تضمین کیفیت (QA) اختصاصی: یک تیم جدید ۴۰ نفره برای تضمین کیفیت نرم‌افزار تشکیل شده است که منحصراً بر پیشگیری از باگ‌ها پیش از مرحله تحویل تمرکز دارد.
- دقت در اعتبارسنجی: شرکت در حال ترکیب انعطاف‌پذیری سبک توسعه نرم‌افزاری با الزامات سخت‌گیرانه و دقیق اعتبارسنجی در مهندسی سطح خودرو (Automotive-grade).
برخلاف گوشی‌های هوشمند، خودروها در محیط‌های حساس به ایمنی (Safety-critical) فعالیت می‌کنند و استراتژی «سریع حرکت کن و بعداً اصلاح کن» در اینجا اصلاً پذیرفته نیست. فورد متوجه شد که در گذشته باگ‌های نرم‌افزاری را خیلی دیر در فرآیند توسعه شناسایی می‌کرد، زیرا از چرخه‌های تکرار سریع (Rapid Iteration) بهره نمی‌برد. اکنون شرکت اصرار دارد که نرم‌افزار باید در لحظه تحویل خودرو به مشتری، به‌طور کامل و بدون نقص عمل کند.
با این حال، علی‌رغم اصلاحات منجر به انسان، شرکت بر اتوماسیون اعتبارسنجی نیز پافشاری می‌کند. فورد بیش از ۱۰۰,۰۰۰ تست جدید مبتنی بر هوش مصنوعی را برای شناسایی موارد خاص (Edge Cases) و وارد کردن فشار به سیستم‌های نرم‌افزاری اضافه کرده است. این اتوماسیون به تیم اجازه می‌دهد تغییرات متأخر در نرم‌افزار را در اواخر چرخه توسعه، بدون ایجاد نقص‌های جدید، سریعاً دوباره اعتبارسنجی کنند. چارلز پون اشاره کرد: «به دلیل اینکه این تست‌ها بسیار خودکار هستند، حتی اگر تغییری دیر هنگام در نرم‌افزار داشته باشیم، می‌توانیم سریعاً کل فرآیند اعتبارسنجی را طی کنیم... ما قابلیت اطمینان نرم‌افزاری را به عنوان یک دیسیپلین سخت‌گیرانه با معیارهای دقیق تعریف کرده‌ایم.»
این تغییر نشان‌دهنده یک درک گسترده‌تر در کل صنعت است: هوش مصنوعی نمی‌تواند جایگزین دانش سازمانی سیستماتیک شود. فورد با بازگرداندن خبرگان انسانی به حلقه آموزش AI، قابلیت اطمینان را نه به عنوان یک خروجی ساده نرم‌افزاری، بلکه به عنوان یک دیسیپلین مهندسی می‌بیند.
برای خواننده، این بدان معناست که خودروی بعدی شما ممکن است ایمن‌تر باشد، نه به دلیل هوش مصنوعی بیشتر، بلکه به این دلیل که انسان‌ها بالاخره در حال حسابرسی اشتباهات AI هستند. این موضوع نشان می‌دهد که در صنایع با ریسک بالا، ارزشمندترین دارایی، همان متخصص باسابقه‌ای است که دقیقاً می‌داند سیستم در کجا تمایل به شکستن دارد.
در آینده شاهد چرخش‌های مشابه «انسان در حلقه» (Human-in-the-loop) در سایر بخش‌های حساس به ایمنی، مانند هوافضا یا تولید تجهیزات پزشکی خواهیم بود، چرا که جذابیت اولیه اتوماسیون خالص AI در حال رنگ باختن است.
گام بعدی شما
- اگر در محیط‌های حساس (Safety-critical) فعالیت می‌کنید، استراتژی «انسان در حلقه» (Human-in-the-loop) را جایگزین اتوماسیون خالص کنید.
- بر روی مستندسازی دانشِ ضمنی کارکنان قدیمی تمرکز کنید تا پیش از بازنشستگی آن‌ها، این تجربیات دیجیتالی شود.
- تست‌های خودکار را برای شناسایی لبه‌های خطا (Edge Cases) به کار ببرید، اما تصمیم نهایی را به بازبینی انسانی بسپارید.
اما این بازگشت به انسان‌ها تنها بخشی از بازمهندسی است؛ اثر این رویکرد بر زنجیره تأمین قطعات در گزارش بعدی بررسی خواهیم کرد.
گفتگو