Ford zatrudnia ponownie doświadczonych inżynierów po niespełnionych oczekiwaniach wobec AI
Koncern Ford Motor Company zatrudnił 350 doświadczonych inżynierów, w tym byłych pracowników, po tym jak systemy sztucznej inteligencji i automatyzacji nie zapewniły oczekiwanego poziomu jakości w produkcji.

Koncern Ford Motor Company podjął decyzję o ponownym zatrudnieniu 350 doświadczonych inżynierów, z których część to byli pracownicy firmy, a inni wcześniej współpracowali z dostawcami. Posunięcie to jest bezpośrednią konsekwencją niespełnienia oczekiwań co do poziomu jakości produktów, które miały zapewnić systemy sztucznej inteligencji i zautomatyzowane procesy.
Powrót do sprawdzonych rozwiązań
Jak donosi Bloomberg, Kumar Galhotra, dyrektor operacyjny Forda, poinformował dziennikarzy, że firma "coraz bardziej polegała na zautomatyzowanych systemach kontroli jakości", co jednak przyniosło rozczarowujące rezultaty. W odpowiedzi na te wyzwania, Ford "przywrócił specjalistów technicznych", których zadaniem jest "wykrywanie punktów awarii, zanim jakakolwiek część trafi na linię produkcyjną".
Charles Poon, wiceprezes Forda ds. inżynierii sprzętu pojazdów, przyznał, że firma "błędnie sądziła, iż samo wprowadzenie sztucznej inteligencji i zasilenie jej wymaganiami projektowymi doprowadzi do powstania produktu wysokiej jakości". To oświadczenie podkreśla, że choć AI ma potencjał, jej wdrożenie wymaga głębszego zrozumienia i integracji z procesami, a nie jedynie automatycznego zastosowania.
Rola inżynierów „szarych bród” i korzyści finansowe
Decyzja Forda nie oznacza całkowitego porzucenia planów związanych ze sztuczną inteligencją. Wręcz przeciwnie, ponownie zatrudnieni pracownicy, nazywani potocznie inżynierami "szarych bród" (ang. "gray beard" engineers), mają za zadanie szkolić młodszych pracowników oraz przeprogramowywać narzędzia AI. Ich doświadczenie i wiedza są kluczowe dla optymalizacji istniejących systemów i zapewnienia, że sztuczna inteligencja będzie wspierać, a nie zastępować, ludzką ekspertyzę w krytycznych obszarach jakości.
To strategiczne posunięcie już przynosi wymierne korzyści. Jak poinformował Jim Farley, dyrektor generalny Forda, firma odnotowuje obniżenie kosztów gwarancji i wycofań produktów. Te oszczędności "przyczyniają się do dosłownie setek milionów dolarów korzyści dla Forda w zakresie kosztów". Dodatkowo, w najnowszym badaniu JD Power Initial Quality Survey, Ford zajął pierwsze miejsce wśród marek masowych, co świadczy o znaczącej poprawie jakości produktów.
Decyzja Forda o ponownym zatrudnieniu doświadczonych inżynierów, mimo wcześniejszych inwestycji w AI, podkreśla rosnące zrozumienie w branży, że technologia, choć potężna, nie jest panaceum na wszystkie wyzwania. Wskazuje to na potrzebę synergii między zaawansowanymi systemami sztucznej inteligencji a niezastąpioną wiedzą i doświadczeniem ludzkim, szczególnie w tak złożonych procesach jak kontrola jakości w przemyśle motoryzacyjnym. Sukces Forda w tym zakresie może stanowić ważny precedens dla innych firm, które rozważają równowagę między automatyzacją a ludzką ekspertyzą.
Źródło: techcrunch.com
Komentarze
Zaloguj się, aby dołączyć do dyskusji.
Nikt jeszcze nie skomentował. Bądź pierwszy!
Czytaj dalej

VibeThinker-3B: Mały model językowy Sina rywalizuje z gigantami w logice, ale nie w wiedzy
Chiński model językowy VibeThinker-3B, opracowany przez firmę Sina, osiąga wyniki porównywalne z modelami stukrotnie większymi w zadaniach matematycznych i programistycznych, co podważa dotychczasowe założenia dotyczące
Redakcja Aigestwczoraj

Jak zbudować stabilny przepływ pracy dla danych Fable 5 Traces w Colab
Artykuł przedstawia kompleksowy przewodnik po tworzeniu stabilnego środowiska pracy z danymi Fable 5 Traces, obejmujący parsowanie wywołań narzędzi, audyt danych i trenowanie modeli bazowych.
Redakcja Aigestwczoraj

Liquid AI prezentuje LFM2.5-230M: mały model AI do zadań agentowych na urządzeniach brzegowych
Liquid AI wprowadza LFM2.5-230M, swój najmniejszy model AI, zoptymalizowany do zadań agentowych na urządzeniach brzegowych, takich jak telefony i roboty.
Redakcja Aigestwczoraj

DeepSeek prezentuje DSpark: przyspieszenie generowania DeepSeek-V4 o 60-85%
DeepSeek wprowadził DSpark, framework do spekulatywnego dekodowania, który znacząco przyspiesza generowanie treści przez modele DeepSeek-V4, oferując otwarte zasoby i kod do trenowania.
Redakcja Aigestwczoraj

Połowa użytkowników Claude twierdzi, że AI może wykonać co najmniej połowę ich pracy
Badanie przeprowadzone przez Anthropic wśród blisko 10 000 użytkowników Claude'a ujawnia, że wielu z nich uważa, iż sztuczna inteligencja jest już w stanie przejąć znaczną część ich obowiązków zawodowych.
Redakcja Aigestwczoraj

NVIDIA Open-SWE-Traces: Jak przygotować dane do dostrajania modeli inżynierii oprogramowania
Artykuł przedstawia praktyczne podejście do wykorzystania zbioru danych Open-SWE-Traces firmy NVIDIA w celu tworzenia wysokiej jakości danych do nadzorowanego dostrajania modeli AI w inżynierii oprogramowania.
Redakcja Aigest2 dni temu
Bądź na bieżąco ze światem AI
Najważniejsze newsy, recenzje i poradniki — raz w tygodniu, prosto na maila. Bez spamu.