Ford, üretim ve tasarımda kullandığı otomatikleştirilmiş sistemlerden kaynaklanan kalite sorunlarını gidermek için 350'den fazla deneyimli mühendisi işe aldı veya eski çalışanlarını geri getirdi. Şirketin yakın zamanda JD Power'ın ilk kalite sıralamasında 16 yıl sonra ilk kez birinci olması, bu değişime gidişin sonucudur.

Yapay Zeka Sistemleri Kalite Sorunları Yarattı

Ford, otomatikleştirilmiş sistemlere ve yapay zeka tabanlı tasarıma geçişte deneyimli personelin birikimini yeterince hesaba almadığını kabul etti. Araç donanımı mühendisliği başkanı Charles Poon, şirketin yapay zeka ve tasarım gereksinimlerini değiştirerek otomatik olarak yüksek kaliteli ürün elde edebileceğini düşündüğünü, ancak bunun yanılgılı bir yaklaşım olduğunu belirtti. Özellikle, çok sayıda araç geliştirme döngüsü yaşamış tecrübeli mühendisler, otomasyon sistemleri tamamen devralana kadar ayrılmışlar; bu da kalite düşüşüne neden olmuştur.

Deneyim ve Veri Kalitesinin Yeniden Keşfi

Ford'un tecrübeli personeli geri işe alması, kurumsal bilginin otomasyona aktarılmasının ne kadar kritik olduğunu gösterdi. Poon, şirketin en deneyimli mühendislerinin sorunları tanımlamak ve sistemin içine girmeden önce çözmek konusunda önceki tecrübelerine sahip olduğunu vurguladı. Işe alınan 350'den fazla mühendis, genç mimar ve mühendisleri eğitmek, veri toplama kalitesini artırmak ve yapay zeka eğitimini iyileştirmekle görevlendirildi.

Bulma-Tamir Felsefesinden Kurtulma

Operasyon başkanı Kumar Galhotra, Ford'un kalite yaklaşımının aşırı parçalanmış hale geldiğini açıkladı. Farklı departmanlar bağımsız olarak çalışmış ve şirket, sorunlar ortaya çıktıktan sonra bunları hızlı biçimde düzeltmeye odaklı bir 'bulma ve tamir' felsefesine güvenmiştir. Galhotra, şirketin bu mentalitenin ötesine geçerek sorunları meydana gelmeden önce engellemeye yöneldiğini söyledi. Ford, geçmiş yıllarda artan geri çağırmaların da kalite sorunlarının artmasında etkili olduğunu kabul etti.

Ne anlama geliyor?

Üretim ve ürün tasarımında yapay zeka ve otomasyonun artan kullanımı, birçok endüstride verimliliği artırma potansiyeline sahiptir. Ancak Ford'un karşılaştığı zorluk, bu teknolojilerin verimli çalışabilmesi için gereken veri kalitesinin ve insan bilgisinin kritik önemini ortaya koymaktadır. Otomasyon sistemleri, eğitim için kullanılan verilerin kalitesine ve doğruluğuna tamamen bağımlıdır; düşük kaliteli veya eksik veriler, sistemin hatalı ve kullanışsız çıktılar üretmesine yol açabilir.

Ayrıca, mühendislik ve tasarım gibi karmaşık alanlarda, tecrübeli profesyonellerin elde ettikleri bilgi ve sezgi yalnızca algoritmaların yerine geçmez. Deneyimli personel, sorunu görüp ilgili sorunları önceden tahmin edebilen, sistemlerde gözlem yapabilen ve iyileştirmeler öneri yapabilen kişilerdir. Ford'un mühendisleri geri işe alması, otomasyonun insan bilgisini tamamen yok saymasının başarısızlığını göstermektedir.

Teknoloji sektöründe de benzer sorunlar görülmüştür; makine öğrenmesi modellerinin eğitim verilerinde önyargı veya eksiklik varsa, sonuçlar sapkın veya hatalı olabilmektedir. Bu nedenle başarılı otomasyonun sadece sistemi kurmaktan ibaret olmadığı, bunu desteklemek için nitelikli insan gücünün, gözlem ve kontrol mekanizmalarının da gerekli olduğu anlaşılmaktadır.