Etter noen år med tung satsing på automatiserte kvalitetssystemer meldte Ford denne uken, ifølge Bloomberg og TechCrunch, at de har ansatt 350 erfarne ingeniører. Noen er tidligere ansatte, andre kom fra underleverandører. Jobben deres er å lete etter feilpunkter før en del i det hele tatt når fabrikkgulvet, et arbeid de automatiserte systemene ikke klarte godt nok.
Det interessante for deg som bygger med KI ligger i hvorfor det sviktet. Ford antok at det holdt å mate modellene med eksisterende designkrav og la dem produsere resultatet.
«Vi trodde feilaktig at ved bare å introdusere kunstig intelligens og mate inn designkravene vi hadde, så ville det gi et produkt av høy kvalitet.» — Charles Poon, VP for maskinvare-ingeniørarbeid, Ford
Poeng-en er kjent fra egne prosjekter: en modell som får rå krav uten domenekunnskapen som fanger kant-tilfeller, produserer noe som ser riktig ut, men som feiler der det betyr mest. Ford beskriver ikke KI som en blindvei, men som noe som må trenes og styres av folk som vet hvor ting pleier å knekke. Veteranene brukes nettopp til å lære opp yngre ansatte og omprogrammere verktøyene.
Regnestykket er konkret. Ford knytter grepet til lavere garanti- og tilbakekallingskostnader, det Jim Farley kaller «hundrevis av millioner dollar» i medvind, og selskapet tok toppplassen blant vanlige bilmerker i JD Powers Initial Quality Survey denne uken. For de som bygger KI-drevne systemer er lærdommen at automatisering av kvalitetskontroll krever menneskelig ekspertise i loopen, ikke som overgangsfase, men som permanent del av arkitekturen.