Ford, yapay zekâ kalite denetimindeki aksaklıklar nedeniyle “gray beard” denetçileri yeniden işe aldı

• Ford Motor Co., kronik kalite sorunlarını azaltmak için “gray beard” olarak adlandırılan deneyimli mühendisleri yeniden çağırarak genç çalışanların eğitimi ve yapay zeka araçlarının tamamlanması için görevlendirdi
• Son 3 yılda 350 deneyimli mühendis işe alındı; bunların çoğu eski Ford çalışanı, bazıları ise tedarikçi kökenli
• Beklenen performansı gösteremeyen yapay zeka araçları tek başına kaliteye müdahale etmekte yetersiz kaldı ve kalite sorunları şirkete milyarlarca dolarlık maliyet çıkardı
• Yeniden işe alınan personel, saha muhakemesini aktarmanın yanı sıra kalite müdahalesinde kullanılan yapay zeka araçlarını yeniden ayarlama rolünü üstleniyor
• Ford, perşembe günü yayımlanan en son JD Power Initial Quality Survey araştırmasında kitlesel pazar markaları arasında birinci oldu

---

Deneyimli iş gücüyle desteklenen kalite müdahalesi

• Ford Motor Co., uzun süredir devam eden kalite sorunlarını yalnızca otomasyonla çözmek yerine, deneyimli personeli yeniden devreye alarak ele aldı
• Şirketin “gray beard” dediği mühendisler, genç çalışanların karar vermesine yardımcı oluyor ve beklenen sonuçları vermeyen yapay zeka araçlarını yeniden programlıyor

3 yılda 350 kişi yeniden işe alındı

• Ford, son 3 yıl içinde 350 deneyimli mühendis işe aldı
• İşe alınanlar arasında çok sayıda eski Ford çalışanı bulunuyor; tedarikçi kökenli mühendisler de var
• Bu kişiler, çözülmesi zor görünen kalite sorunlarıyla ilgilenmek üzere görevlendirildi

Yapay zeka araçlarının sınırları ve maliyet yükü

• Ford’un kalite sorunlarını çözmek için kullandığı yapay zeka araçları, beklenen rolü yeterince yerine getiremedi
• Kalite sorunları Ford’a milyarlarca dolar ölçeğinde maliyet çıkardı
• Şirket, deneyimli mühendislerin tecrübesinden yararlanarak hem yapay zeka araçlarını hem de genç çalışanların yetkinliklerini birlikte tamamlamayı amaçlıyor

JD Power araştırma sonucu

• Ford, perşembe günü yayımlanan en son JD Power Initial Quality Survey araştırmasında kitlesel pazar markaları arasında birinci sırayı aldı
• Bu sonuç, deneyimli mühendislerin yeniden işe alınması ve kalite sorunlarına yönelik müdahalenin ardından elde edilen performans olarak birlikte sunuluyor

[GN⁺]

Hacker News görüşleri

• 2000’lerin ortasındaki offshoring furyasını görmüş biri olarak, bu akışın da neredeyse aynı rotayı izlediğini düşünüyorum
  Büyük şirketlerin CEO/CFO’ları golf arkadaşlarına “yurtdışı iş gücüyle ne kadar tasarruf ettiklerini” anlatıyor, 1. aşamada insanları topluca işten çıkarıp işi yurtdışına göndererek 5-6 çeyrek boyunca finansal göstergeleri yukarı çekiyorlar
  2. aşamaya gelindiğinde çalışanlar ve organizasyon bozulmaya başlıyor, kültür ve iletişim engellerinin hâlâ verimli şekilde aşılamadığı ortaya çıkıyor. Bunu gerçekten iyi yapan çok az kişi var, çoğuna uymuyor
  3. aşama civarında başka iş bulabilecek yetenekte olanlar çoktan ayrılmış oluyor ve şirket, yanıp geriye kalmış bir kabuk gibi kalıp 5. aşamada doğal olarak yok oluyor
  • Özünde mesele kısa vadeli kâr. Accenture, Infosys gibi şirketlerin partnerları eski sanayi şirketlerinin yöneticilerini kuşatıyor ve şirket performansı kötüleşse bile bunu muhasebe oyunlarıyla kısa süreliğine örtebiliyorlar
    Sonra bir çeyrek çok kötü geldiğinde tüm mali yıl sarsılıyor, suçlama trafiği başlıyor ve “kemer sıkma”, “sabit maliyetleri değişken maliyetlere çevirme” gibi laflar ortaya çıkıyor
    O anda Big Consulting’in sunduğu, bu mali yılda hemen tasarruf kalemi olarak yazılabilecek öneri çok cazip görünüyor
    Çatlaklar hızla ortaya çıkıyor: program/proje yönetimi yetersiz, hizmet kalitesinin düştüğü hissediliyor ama ölçüm yok, ilk ekip ayrılınca outsource personeli yeniden eğitmek gerekiyor ve yeni proje kapsamı bile tahmin edilemiyor
    İş birimlerinin içinde gölge IT departmanları oluşuyor ve outsourcing firması vendor konsolidasyonu ya da diğer vendorlara baskı yapılmasıyla ilgilenmiyor
    Amaç kronik olarak kötü performans gösteren bir IT departmanını stratejik olarak iyileştirmekse belki değerli olabilir, fakat ana işteki kötü gidişi örtmek için aceleyle yapılırsa neredeyse hiç işe yaramıyor
  • Böyle bir liderliğin bozuk olduğu konusunda herkes hemfikir olsa da, benzer yetki ve karar alma konumuna gelince çoğunun aynı şeyi yapması işin komik tarafı
  • Bu hâlâ yaşanıyor, sadece içeride birkaç teknik çalışan bırakmaya çalışıyorlar. Sorun şu ki iç ekip teoride değişiklikleri doğrudan yapamıyor, sadece “yardımcı olması” bekleniyor; bu yüzden kalmak için teşvikleri zayıf oluyor
  • Çözüm tabii ki kültürel engelleri yapay zekayla aşmak. Nasıl olsa çeviri de yapıyor, böylece yurtdışı iş gücünün şirket dilini bilmesine bile gerek kalmıyor ve maliyet daha da düşüyor /s
• Çalışanları işten çıkarıp yerlerine yapay zeka koyma fikrinin başlı başına ne kadar kısa görüşlü olduğunu bir kenara bıraksak bile, Ford yanlış çalışanları işten çıkardı
  LLM’ler, aşağıdaki yapıtaşlarını zaten anladıkları için yüksek soyutlama seviyesinde çalışabilen deneyimli kıdemli mühendislerin elinde en iyi sonucu veriyor
  Bir bakıma LLM ajanları kullanmak, çok zeki ve hızlı ama kör noktaları olan ve kurumsal bilgisi eksik bir junior’a talimat vermeye benziyor
  Bunu iyi yapan kişi kıdemli mühendistir; kıdemlileri işten çıkardıysanız, LLM’leri en iyi kullanabilecek kişileri de göndermiş oldunuz
  • Bu işin en temel noktası. Karmaşık mimari iş promptları hazırlamak için, en azından soyutlama düzeyinde çözümü biliyor olmanız gerekir
    Kafanızda doğru sistem tasarımı yoksa hiçbir LLM bunu yoktan var edemez
  • Ford’un çalışan işten çıkardığını kim söyledi? Haberde böyle bir şey yok
• Modeller abartının gerisinde kaldığı için, bu akış genel olarak standart bir gidişat olacak
  LLM’ler ve ajanlar zor problemleri çözmede çok yardımcı, ama bizim sadece tasarım ve mimariyi yapıp geri kalan her şeyi onlara bırakabileceğimiz aşamada değiliz
  Yaklaştık ve bazı kullanım senaryolarında bu şimdiden mümkün olabilir, ancak düşük seviyeli işler ya da büyük şirketlerin geniş çaplı geçiş çalışmaları için hâlâ yetersiz
  Ajanlar da var, ajanların ajanlarını da kullanıyoruz, ama yine de projenin büyük parçalarını ayırıp çöp kod olduğu için köpeklere atmak zorunda kaldığımız oluyor. GLM-5.2 itibarıyla durum bu
  • Burada dokümantasyon odaklı geliştirme işe yarıyor. İş akışımın %75’i, giderek daha düşük soyutlama seviyelerinde doküman üretip sonunda bunun koda dönüşmesini sağlamak
    Testleri geçtikten sonra kod genelde optimal, temiz, bugsız ve inanılmaz iyi dokümante edilmiş oluyor
    Yine de insanın sürekli tekrarlayan şekilde devreye girmesi gerekiyor
• https://archive.is/DI4Cq
  The Verge de bunu ele alıyor:
  https://www.theverge.com/transportation/956316/ford-quality-...
  • Bunu tüm medya daha fazla işlemeli
• Sahada AI’nin başarısız olmasının nedeni, SKILL.md ya da diğer bilgi enjekte etme yöntemlerinin uyumu garanti etmemesi. AI, kendisinin “daha iyisini bildiğini” sanıyor
  • Bir arkadaşım da bunu önlemek için hook benzeri bir sürü mekanizma hazırladı, ama LLM yine de bazen bunları ihlal ediyor
    Burada kusursuz bir çözüm olduğuna dair büyük bir beklentim yok
  • Bunun ironi olup olmadığından emin değilim. Asıl başarısızlık nedeni bence çok fazla bilginin ve deneyimin sezgisel olması ve dokümante edilmemiş olması
  • Eğer asıl sorun uyum olsaydı, bilgisayarların kendilerine söyleneni harfiyen yapmamasını sağlamak için ayrıca bir yöntem icat etmemiz gerekmezdi
• Amerikalı yazılım mühendislerinin sendikaya ihtiyacı var
  Zaten başka yerde işe girmedilerse, %20 maaş artışı ve taş gibi bir sözleşme olmadan geri dönmemeliler
  • Bu sektör döngüsel olarak boom ve bust yaşar. Projeler ortaya çıkar ve kaybolur; yazılım şirketlerinde çalışsanız bile bu sadece biraz daha az hissedilir
    Daha sınırlı yükselme potansiyelini kabul edip istikrar istiyorsanız, sürekli IT/sunucu yönetimi gerektiren işler daha iyi olabilir
• Ford son 3 yılda 350 mühendis işe aldı ve bu, AI denetim araçlarının yetersizliğiyle aynı dönemde yaşandı
  Bunun LLM’lerle ilgisi yok; neredeyse kesin olarak, özel IBM donanımı üzerinde eski convolutional neural network (CNN) ile görsel denetim yapan MAIVIS ve AiTriz pilotundan söz ediliyor
  • Evet. Birçok kişi zamanlama denilen kritik noktayı kaçırıyor gibi görünüyor. Hata 3 yıl önce fark edildi ve otomobil tasarımı ile üretim süreçlerinin hazırlık süresi uzundur
    Üstelik bu hikâyenin çıkış noktası “Ford’un JD Power kalite araştırması sıralamasında üst sıralara geri dönmesi”, yani haber gecikmesi bile buna 6-18 ay daha ekliyor
    Bu durumda asıl işten çıkarma hatası 5-8 yıl önce yaşanmış oluyor

Söz konusu “MAIVIS ve AiTriz pilotunun” ne zaman uygulandığını bilmiyorum ama bir başka olasılık da Ford’un PR ekibinin şu anda AI karşı tepmesi anlatısının popüler olduğunu görüp, birden fazla nedeni olabilecek olumlu bir haber olayını açıklarken bunu fırsatçı biçimde öne çıkarmış olması
Ben kişisel olarak bu tür “AI karşı tepmesi” temalı yazılara, eskiden şirketlerin zaten yapmak istedikleri işten çıkarmaları meşrulaştırmak için sarıldığı “AI kaynaklı küçülme” teması kadar temkinli yaklaşılması gerektiğini düşünüyorum

• Gönderi başlığı “Ford rehires 350 engineers after AI fails to preserve expertise or train juniors” idi ama haberin içeriği bunu söylemiyor
  Gönderene: “Please submit the original source. If a post reports on something found on another site, submit the latter.” - https://news.ycombinator.com/newsguidelines.html
  Şimdilik başlığı haberin orijinal başlığına geri çevirdim
  Ek olarak, yayın organları bazen haber başlıklarını sonradan değiştiriyor; bu yüzden gönderen genelde yönergelere uymuş oluyor ama bizim bunu fark edip yetişmemiz zaman alabiliyor
• Evet, bunun AI ile ilgili görünmediği doğru. Umarım bu yorum en üste çıkar
• İlk deneme başarısız oldu diye geri adım attılar ama biraz zaman geçince tekrar deneyecek ve o insanları yine işten çıkaracaklar
  • kalıcı emek makinesi rüyası, kapitalistlerin sahte bir hayalin peşinden koşmak uğruna dünyayı bile yok edecek kadar saplantılı olduğu bir şey. Ezenler durdurulmalı
• Bilginin iki türü var. Markdown dosyalarına ya da vikilere kolayca kodlanabilen açık bilgi var, bir de esas olarak örgüt üyelerinin deneyimlerinde taşınan örtük bilgi
  Açık bilgi, devasa kurumsal bilgi buzdağının yalnızca görünen ucu gibi
  • O örtük bilginin kolay ölçülebilir bir değeri yok ve gelir tablosunda da görünmediği için çoğu yönetici bunu hesaba katmıyor
    Kariyerim boyunca bunun tekrar tekrar yaşandığını gördüm. Biri ayrıldığında ya da işten çıkarma olduğunda bu hesaba katılmazsa, şirket yıllardır birinin sessizce yürüttüğü veya bakımını yaptığı ve başka kimsenin aklına bile gelmemiş süreçleri sonradan anlamaya çalışırken panik yaşıyor
  • Belki damıtma süreci kullanılabilir. AI’ın kıdemli mühendise tekrar tekrar soru sorması gibi, tabii yapılmaması gereken de bu. Zeytinden yağ çıkarır gibi
• Basitçe düşünüyorum. Aynı anda 12 ev inşa eden, 100 çalışanlı bir şirket varsa, 6 kişilik bir iskelet ekibini 2 kişi + 1 robotluk bir ekiple değiştirmeyi deneyebilir
  Daha iyi bir seçenek olup olmadığını görmek için çeşitli deneyler yapılabilir ve bunun bedelini 4 çalışan öder
  Aynı anda 100 ev inşa eden, 1000 çalışanlı bir şirkette yaklaşık 12 kişi azaltılarak 3 robot ekip kurulabilir
  Aynı anda 1000 ev inşa eden, 10 bin çalışanlı bir şirkette bile deney için hâlâ birkaç ekip yeterlidir ve etkilenen çalışan sayısı yine yalnızca 20-30 kişi civarında kalır
  Bir şirketin kendi işinden bu kadar kopup, değişimin etkisini ancak bu ölçekte bir kitlesel zarar olmadan anlayamıyor hale gelmesi şaşırtıcı