بازگشت بازرسان باتجربه فورد برای بهبود کیفیت خودرو

کارخانه با صدایی یکنواخت کار می‌کرد. دوربین‌ها چشمک می‌زدند. اما ایرادها همچنان از چشم سیستم‌ها پنهان می‌ماندند.

فورد بی‌سروصدا تصمیم گرفت بیش از ۳۰۰ بازرس باتجربه را دوباره به کار بگیرد، آن هم پس از آنکه سامانه‌های خودکار کنترل کیفیت کمتر از حد انتظار قابل اتکا ظاهر شدند. بلومبرگ نخستین بار این تغییر رویکرد را گزارش کرد: ابزارهایی که قرار بود هزینه را کاهش دهند و سرعت تولید را بالا ببرند، نتوانستند با قضاوت حرفه‌ای و توان تشخیص الگو که نیروهای انسانی باتجربه به خط تولید می‌آورند، برابری کنند.

چارلز پون، معاون مهندسی سخت‌افزار خودرو، موضوع را روشن بیان کرد. هوش مصنوعی می‌تواند ابزاری فوق‌العاده باشد. اما عملکرد آن به داده‌ها و دانش سازمانی پشت آن وابسته است. فورد دوربین‌ها و مدل‌های یادگیری ماشین را وارد نقش‌های بازرسی کرده بود، ۹۰۰ دوربین هوشمند در کارخانه‌ها بخشی از همین سرمایه‌گذاری بود، اما شرکت دریافت که مشخصات طراحی به‌تنهایی به معنای قضاوت دقیق درباره کیفیت نیست.

تجربه‌کارها، فوت‌وفن‌های تازه را آموزش می‌دهند

مهندسان بازگشته دو وظیفه دارند. نخست، خطاهایی را اصلاح می‌کنند که سامانه‌های خودکار از دست داده‌اند. دوم، و شاید مهم‌تر، نقش آموزشی دارند: موارد مرزی را برچسب‌گذاری می‌کنند، داده‌های آموزشی را شکل می‌دهند و دانش ضمنی خود را به تکنسین‌های جوان‌تر منتقل می‌کنند. بازگشت کوتاه‌مدت به کار، انتقال دانش بلندمدت.

فورد می‌گوید این اقدام آن را دوباره به صدر رتبه‌بندی‌های کیفیت صنعت خودرو بازگردانده است.

این روایت، داستان رقابت هوش مصنوعی با انسان نیست. داستان تعادل است. بینایی ماشین در سرعت و ثبات عملکرد می‌درخشد. انسان‌ها در ظرافت، درک زمینه و تجربه برتری دارند. وقتی حسگرها با نقص‌های ناآشنا یا ریزه‌کاری‌های ظریف مونتاژ روبه‌رو می‌شوند، مدلی که بر پایه نمونه‌های گذشته آموزش دیده است ممکن است آن‌ها را اشتباه طبقه‌بندی کند یا نادیده بگیرد. این فاصله زمانی اهمیت پیدا می‌کند که پای میلیون‌ها خودرو و اعتبار برند در میان باشد.

این موضوع برای کل صنعت خودرو چه معنایی دارد؟ باید انتظار رویکردهای ترکیبی بیشتری را داشت. شرکت‌ها همچنان در بخش‌هایی که ثبات، روشن و قابل اندازه‌گیری است به اتوماسیون ادامه می‌دهند، اما هم‌زمان روی سامانه‌هایی سرمایه‌گذاری می‌کنند که به کارکنان باتجربه اجازه می‌دهد مدل‌ها را شکل دهند، نه اینکه با آن‌ها جایگزین شوند. خلاصه اینکه: اتوماسیون همراه با نظارت انسانی، نه اتوماسیون به جای انسان.

این ماجرا یک پرسش عملی هم مطرح می‌کند: چگونه می‌توان دهه‌ها تجربه میدانی و دست‌ورزی را در قالب مجموعه‌داده‌ها ثبت کرد؟ این همان معمایی است که فورد اکنون در حال حل آن است، هر بار با برچسب‌گذاری یک نقص.

درس ماجرا ساده و سرسختانه است. ابزارهای تازه قدرتمندند. اما میان‌بری برای رسیدن به تخصص نیستند. تنظیم دوباره مسیر فورد یادآور این نکته است که قضاوت انسانی، که با تجربه‌ای دشوار به دست آمده، همچنان آینده کیفیت خودرو را هدایت می‌کند.