フォード、自動化システムの誤りを修正するため元エンジニアを再雇用せざるを得なかった
フォードは AI と自動化システムへの過度な依存が品質低下を招いたと認め、熟練エンジニアの復職や再教育を通じて人的知見の重要性を再認識した。
キーポイント
自動化システムの限界と品質低下の要因
フォードは AI の導入だけで高品質な製品が生まれると誤信し、熟練エンジニアの退職により蓄積された組織的知識（インスティテューショナル・ナレッジ）がシステムに継承されなかったことが品質低下の主因となった。
熟練エンジニアの復職と再教育
自動化システムの欠陥を修正し、若手エンジニアを指導するため、350 名以上の経験豊富なエンジニアを雇用・昇進・復職させる措置が取られた。
データ品質と AI モデルの限界
AI の有効性は学習データの質に依存しており、過去の失敗事例や問題解決のノウハウがデータとして適切に反映されていないことが課題として浮き彫りになった。
影響分析・編集コメントを表示
影響分析
この事例は、製造業における AI 導入の過信に対する警鐘として極めて重要である。技術的な自動化が人間の経験や直感を完全に代替できるとする前提が誤りであったことを示し、今後の AI 実装においては「人間中心の設計（Human-in-the-loop）」と組織的知識のデジタル化が不可欠であることを浮き彫りにしている。
編集コメント
AI が万能であるという幻想が、実社会の品質管理においていかに脆いかを浮き彫りにした事例です。技術導入には、人的ナレッジの継承プロセスを同時に設計する必要性が痛感されます。
JD パワーの一般自動車メーカーにおける初期品質ランキングで第1位という新たな地位を祝うため、フォードは近年直面した課題、特に生産と設計における自動化システムへの依存について明らかにしました。その結果、これらの自動化システムは以前想定されていたほど堅牢ではなく、フォードが自社のロボットによって犯された誤りを修正するために経験豊富な技術者を雇用する必要が生じました。時には元従業員を再雇用することさえありました。
フォードの見解では、AI は強力であると同時に落とし穴にも陥りやすいものです。その効果は、AI モデルの訓練に使用されるデータの質に完全に依存します。さらに、自動車メーカーは複数の車両開発サイクルを通じて経験を積んだベテラン技術者が蓄積した組織的知識の価値を見誤りました。これらの現象の組み合わせがフォード車の品質低下を招きました。
「誤って、人工知能を導入し、既存の設計要件を調整するだけで高品質な製品が生み出されると考えていました」と、今週記者向けブリーフィングで語った車両ハードウェアエンジニアリング担当副社長チャールズ・プーン氏は述べました。
「誤って、人工知能を導入し、既存の設計要件を調整するだけで高品質な製品が生み出されると考えていました」
— チャールズ・プーン氏、フォード車両ハードウェアエンジニアリング担当副社長
プーン氏によると、同社の最も経験豊富な人材の多くは、蓄積された知識をフォードの自動化システムに完全に移行する前に退職してしまったという。そのため、これらの従業員の一部を再雇用してシステムを再訓練するか、あるいは現在フォードの車両品質維持に苦戦している若手エンジニアを指導するために戻ってもらう必要が生じた。プーン氏は、フォードがその専門性の層を再構築するため、350 人以上の経験豊富なエンジニアを採用し、昇進させ、または再雇用したと述べた。若手エンジニアへの指導に加えて、彼らはまた、フォードの自動化システムを支えるデータ収集と AI（人工知能）トレーニングの改善も任されている。
「最も経験豊富なエンジニアの多くは、これらの問題がシステムに潜り込む前に解決し特定する経験を持っている場所です」とプーン氏は語った。
フォードは現在、リコール件数において業界をリードしており[1]、その品質評価はここ数年で低下しています[2]。これらの課題は最近、エクスプローラーとアビエイターの発売に伴う困難、パンデミック中のサプライチェーンの混乱、そして車両リコール数の顕著な増加などにより、より一層浮き彫りとなりました。
フォードの最高経営責任者（COO）であるクマール・ガロトラ氏によると、自動車メーカーは最終的に、自社の品質へのアプローチがあまりにも分断されていると結論付けました。各部門がサイロ化して運営されており、会社は欠陥が発生した後にそれを見つけて修正するという「発見・修正」の哲学に大きく依存していました。このアプローチは即時的な問題に対処することはできましたが、そもそもその問題が発生することを防ぐものではありませんでした。
「私たちは『発見・修正』という思考から、問題が発生する前にそれを防止する方向へ移行しています」とガロトラ氏は述べています。「私たちは成果物ではなく、それを可能にする要素や初期指標に焦点を当てています。問題を賞賛するのをやめ、解決し始めましょう。」
変革は車両のハードウェアに留まりません。ソフトウェアおよびデジタルチームは現在、車両エンジニアリング、製造、サプライチェーンチームとより密接に連携して作業を行っていると経営陣は述べています。そしてフォードは、ソフトウェア開発に伴うスピードと柔軟性を、自動車グレードのエンジニアリングが求める厳格さと検証要件と組み合わせようとしています。
歴史的には必ずしもそうではありませんでした。プーン氏によると、フォードはプロセスの後半になって初めてソフトウェアの不具合を発見していたのは、利用可能な迅速な反復サイクルを十分に活用していなかったためです。ただし、プーン氏は、自動車メーカーが「速く動いて後で修正する」という考え方で、消費者向け電子機器企業のようにソフトウェアアップデートを同じスピードで展開することはできないと述べています。スマートフォンとは異なり、車両は顧客が納車された瞬間からソフトウェアが正しく機能することに依存する安全性が極めて重要な環境で動作するためです。この課題に対処するため、フォードは問題が発生する前に防ぐことを唯一の責任とする、専任の 40 人規模のソフトウェア品質保証チームを創設しました。
しかし、フォードが AI をより多くのプロセスに統合することに熱心でないと思うのは誤りです。この自動車メーカーは、自動化されたテスト能力を劇的に拡大し、さまざまな条件下でソフトウェアシステムに負荷をかけつつ、エッジケース（極端な事例）を特定するために設計された 10 万件以上の新しい AI 駆動型テストを追加したと述べています。テストフレームワークが高度に自動化されているため、開発の最終段階であってもソフトウェアの変更を迅速に再検証でき、変更によって新たな欠陥が生じないことを保証しています。
「これらのテストは非常に自動化されているため、ソフトウェアに変更が発生した場合でも、顧客に届く前に完全に動作することを確認するために、検証プロセス全体を迅速に再実行できます」とプーン氏は述べています。「私たちは、厳格な指標を持つ独自の厳密な分野として、ソフトウェアの信頼性を確立しました。」
Follow topics and authors from this story to see more like this in your personalized homepage feed and to receive email updates.
- Andrew J. Hawkins
-
-
-
-
原文を表示
To celebrate its new status as No. 1 in JD Power’s initial quality ranking among mainstream automakers, Ford is opening up about the challenges it has faced in recent years, especially around its reliance on automated systems in production and design. It turns out that those automated systems were not as robust as previously assumed, requiring Ford to hire experienced technicians — sometimes bringing back former employees — to correct errors made by the company’s robots.
In Ford’s view, AI is both powerful and prone to pitfalls. Its effectiveness depends entirely on the quality of the data used to train the AI models. In addition, the automaker underestimated the value of the institutional knowledge accumulated by its more veteran engineers who had worked through multiple vehicle-development cycles. And this combination of phenomena led to a drop in quality in Ford’s vehicles.
“Mistakenly, we thought that by just introducing artificial intelligence and adjusting the design requirements that we had, that that would produce a high-quality product,” said Charles Poon, VP of vehicle hardware engineering, in a briefing this week with reporters.
“Mistakenly, we thought that by just introducing artificial intelligence and adjusting the design requirements that we had, that that would produce a high-quality product.”
— Charles Poon, Ford’s VP of vehicle hardware engineering
According to Poon, some of the company’s most experienced personnel left before all of their accumulated knowledge could be fully transferred into Ford’s automated systems. That necessitated bringing back some of those employees to retrain those systems, or in some cases, mentor younger engineers who were currently struggling to maintain Ford’s vehicle quality. Poon said that Ford hired, promoted, or brought back over 350 experienced engineers to rebuild that layer of expertise. In addition to guiding younger engineers, they’ve also been tasked with improving the data collection and AI training that underpin Ford’s automated systems.
“That’s where some of our most experienced engineers have had experience solving and identifying those problems before they creep into the system,” Poon said.
Ford currently leads the industry in the number of recalls, and its quality ratings have slipped over the past several years. Those challenges became more pronounced recently, with the difficulties associated with the launches of the Explorer and Aviator, supply-chain disruptions during the covid pandemic, and the noticeable growth in the number of its vehicle recalls.
According to Ford’s COO Kumar Galhotra, the automaker eventually concluded that its approach to quality had become too fragmented. Different departments operated in silos, and the company relied heavily on a “find and fix” philosophy that focused on identifying defects after they appeared and correcting them as quickly as possible. While that approach could address immediate problems, it did not prevent those problems from occurring in the first place.
“We’re moving from that find-and-fix mentality to preventing issues before they occur,” Galhotra said. “We’re focused on enablers and early indicators versus outputs. Stop admiring the problem and start solving it.”
The transformation extends beyond vehicle hardware. Software and digital teams now work much more closely with vehicle engineering, manufacturing, and supply-chain teams, executives said. And Ford is now attempting to combine the speed and flexibility associated with software development with the rigor and validation requirements of automotive-grade engineering.
Historically, this wasn’t always the case. Ford was only discovering software bugs late in the process because it wasn’t fully leveraging the rapid iteration cycles available, Poon said. That said, the automaker couldn’t push out software updates as fast as consumer electronics companies with the mentality that it could “move fast and fix later,” Poon said. Vehicles, unlike smartphones, operate in a safety-critical environment where customers depend on software functioning correctly from the moment the vehicle is delivered. To fix this, Ford created a dedicated 40-person software quality assurance team with the sole responsibility of preventing problems before they occur.
But don’t think that Ford isn’t dedicated to integrating AI into more of its processes. The automaker says it has dramatically expanded its automated testing capabilities, adding more than 100,000 new AI-powered tests designed to identify edge cases and stress software systems under a wide range of conditions. Because the testing framework is highly automated, software changes can be rapidly revalidated even late in development, ensuring that modifications do not introduce new defects.
“Because these tests are highly automated, even if we have a late change in the software, we can rapidly run back through the entire validation process to guarantee it works perfectly well before it reaches the customer,” Poon said. “We’ve established software reliability as its own rigorous disciplines with strict metrics.”
Follow topics and authors from this story to see more like this in your personalized homepage feed and to receive email updates.
- Andrew J. Hawkins
-
-
-
-
-
関連記事
Facebook のクリエイタースタジオが AI コンパニオンアプリとして復活
Meta は、Facebook クリエイターページマネージャーを「再設計」したスタンドアロンの AI コンパニオンアプリとして復活させ、クリエイターが視聴者とつながりやすくし、Facebook での成長方法を具体的に示すことを目指している。
議員がスタッフによる AI 使用を否定、法案作成には使っていないと主張
アメリカのアンナ・パウリーナ・ルナ下院議員は、スタッフが大規模防衛法案の修正案要約でスペルチェックに AI を利用したことを認めつつも、法案本文の作成には AI を使用していないと否定し、「立法は決して AI で起草されない」と強調しました。
Anthropic と OpenAI の 2700 万ドルの政治代理戦争が引き分けに終わる
ニューヨーク州議会議員のアレックス・ボレス氏を巡り、Anthropic と OpenAI が 2700 万ドル規模で争った政治的代理戦争は、ボレス氏が民主党予備選で僅差で敗れたことで引き分けに終わった。
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み