ከመጀመሪያ የተገነባ መሠረታዊ ሞዴል ክሌቪ AI(ivy)

“አንድ ትንሽ ኩባንያ እንዴት በዓለም ደረጃ ከፍተኛ የሆነ ግዙፍ የAI ቋንቋ ሞዴል መገንባት ቻለ?”

ከአንድ አነስተኛ ጀማሪ ኩባንያ እንዴት ግዙፍ የቋንቋ ሞዴል ተገነባ?

ክሌቪ 1.4 ትሪሊዮን ፓራሜትር ያለውን መሠረታዊ ሞዴል ካስተዋወቀ በኋላ በብዛት የተጠየቀው ጥያቄ ይህ ነው።

ብዙ ኩባንያዎች ክፍት ምንጭ ሞዴሎችን በቀላሉ ከማስተካከል በተለየ፣ ክሌቪ ከመረጃ ስብስብ ጀምሮ እስከ ሞዴል ንድፍ፣ ትልቅ ደረጃ ያለው የተሰራጨ ሥልጠና እና የጥራት ማረጋገጫ ድረስ ሁሉንም ሂደቶች በራሱ አከናውኗል።

ይህንን ሚስጥር እና የውድድር አቅሙን ከዚህ በታች በዝርዝር እናቀርባለን።

1. አንድ ትንሽ ኩባንያ ግዙፍ የቋንቋ ሞዴል ይገነባል?

በ2025 ጁላይ፣ ክሌቪ በራሱ ያዘጋጀውን ግዙፍ የቋንቋ ሞዴል ለገበያ ሲያቀርብ፣ ብዙ ደንበኞች (ተጠቃሚዎች) በመደነቅና በጥርጣሬ ተናወጡ። “በእርግጥ በራሳቸው ያዘጋጁት ነው?” “ክፍት ምንጭ ሞዴልን ትንሽ ቀይረውት አይደለምን?”

በእርግጥም በሀገር ውስጥና በውጭ ያሉ ብዙ ኩባንያዎች በክፍት ምንጭ ሞዴሎች ላይ ቀላል የማስተላለፊያ ሥልጠና (fine-tuning) ብቻ በማድረግ እንደራሳቸው ሞዴል አድርገው የሚያስተዋውቁበት ሁኔታ ብዙ ነበር።

ነገር ግን ክሌቪ **‘ከመጀመሪያ የተገነባ መሠረታዊ ሞዴል’** የሚለውን አቀረበ።

ይህም ማለት ከመረጃ ስብስብ ጀምሮ እስከ ሞዴል ንድፍ፣ ትልቅ ደረጃ ያለው የተሰራጨ ሥልጠና እና የጥራት ማረጋገጫ ድረስ ሁሉንም ሂደቶች በቀጥታ ነድፎ አከናወነ ማለት ነው።

2. ግዙፍ የቋንቋ ሞዴል ማዘጋጀት አስቸጋሪ የሚሆንበት ምክንያት

ከመጀመሪያ የተገነባ መሠረታዊ ሞዴልን ለማሰልጠን ከታች የተዘረዘሩትን ነገሮች በሙሉ ማሟላት ያስፈልጋል።

ትልቅ መጠን ያለው ከፍተኛ ጥራት ያለው የመረጃ ስብስብ ያስፈልጋል

• ልዩነት፦ የቋንቋ፣ የዘርፍ እና የቅርጽ (ጽሑፍ፣ ምስል ወዘተ) ልዩነትን ማረጋገጥ
• ማጣራት፦ ጫጫታን ማስወገድ፣ ጥራትን መቆጣጠር፣ የተባዙ/ጎጂ መረጃዎችን ማጣራት
• ፈቃድ፦ የቅጂ መብትንና የመረጃ አጠቃቀም መብትን በግልጽ ማረጋገጥ

ትልቅ ደረጃ ያለው የኮምፒውቲንግ መሠረተ ልማት

• ከፍተኛ አፈጻጸም ያላቸው GPU/TPU ክላስተሮች፦ በሺዎች እስከ አስር ሺዎች የሚደርሱ ኖዶችን በማዋሃድ ትልቅ መጠን ያለውን የተሰራጨ ሥልጠና የሚደግፍ ቴክኖሎጂ
• ቀልጣፋ የተሰራጨ የሥልጠና ማዕቀፍ፦ DeepSpeed, Megatron-LM, Ray ወዘተ
• ማከማቻ/ኔትወርክ፦ ትልቅ መጠን ያለው የመረጃ ግብዓትና ውጤት እንዲሁም ፈጣን የኔትወርክ አካባቢ

የሞዴል አርክቴክቸር ንድፍ

• ዘመናዊ አርክቴክቸርን ማካተት፦ Transformer፣ MoE(Mixture of Experts)፣ መልቲሞዳል ወዘተ
• ስኬላቢሊቲ፦ የፓራሜትሮች ብዛት፣ የንብርብሮች ብዛት፣ የግቤት ርዝመት ወዘተ መስፋፋትን ከግምት ውስጥ ማስገባት
• ቅልጥፍና፦ የሥልጠና/የግምበት ፍጥነትን እና የማስታወሻ አጠቃቀምን ማመቻቸት

የሥልጠና ስትራቴጂ እና አልጎሪዝም

• የቅድመ-ሥልጠና ዓላማ፦ የቋንቋ ሞዴል (ለምሳሌ next token prediction)፣ መልቲሞዳል (ለምሳሌ contrastive learning) ወዘተ
• የማመቻቸት ቴክኒኮች፦ mixed precision፣ gradient accumulation፣ learning rate schedule ወዘተ
• መደበኛነት/ማረጋጋት፦ dropout፣ layer norm፣ weight decay ወዘተ

የግምገማ እና የማረጋገጫ ሥርዓት

• የቤንችማርክ ስብስብ፦ መደበኛ የመረጃ ስብስቦችን (Benchmarks) መጠቀም
• የውስጥ ግምገማ፦ በተጨባጭ የአጠቃቀም ሁኔታዎች ላይ የተመሠረተ ግምገማ
• ቀጣይነት ያለው ክትትል፦ በሥልጠና ወቅት/በኋላ ጥራትን፣ አድልዎን እና ደህንነትን መፈተሽ

የሰው ኃይል እና የድርጅት አቅም

• የAI/ML ተመራማሪዎች፦ የሞዴል ዲዛይን፣ የአልጎሪዝም ልማት
• የውሂብ መሐንዲሶች፦ የውሂብ ማሰባሰብ/ማጣራት/ማስተዳደር
• የመሠረተ ልማት መሐንዲሶች፦ የተበታተኑ ሥርዓቶች፣ የደመና/ኦን-ፕሪሚስ አስተዳደር
• የፕሮጀክት አስተዳዳሪ፦ የጊዜ ሰሌዳ፣ በጀት፣ የጥራት አስተዳደር

የሥነ-ምግባር፣ የሕግ እና የደህንነት ጉዳዮች

• የAI ሥነ-ምግባር፦ አድልዎ፣ ደህንነት፣ ግልጽነት፣ ተጠያቂነት
• የሕግ ተገዢነት፦ የግል መረጃ፣ የቅጂ መብት፣ የውሂብ ሉዓላዊነት
• ደህንነት፦ የውሂብ/ሞዴል መፍሰስን መከላከል፣ የመዳረሻ ቁጥጥር

በአሁኑ ጊዜ በዓለም ዙሪያ ያሉ የAI ተመራማሪዎች ቁጥር ወደ 2,000 ገደማ ሲሆን፣ ከዚህም ውስጥ አብዛኛዎቹ META፣ Google፣ XAI በመሳሰሉ ታላላቅ የቴክኖሎጂ ኩባንያዎች ላይ ተሰባስበዋል። በአገር ውስጥ ከውሂብ ማሰባሰብ ጀምሮ እስከ ትልቅ ደረጃ የሥልጠና መሠረተ ልማት ድረስ በቀጥታ ነድፎ Foundation ሞዴል መፍጠር የሚችል ቡድን እጅግ አልፎ አልፎ ይገኛል።

3. በጥቂት ሰዎች ኃይል እጅግ ትልቅ የቋንቋ ሞዴል መፍጠር።

ዋና ሥራ አስፈጻሚ ኢሕዋንሆ ከ10 ዓመታት በላይ ባካበቱት የዲፕ ሌርኒንግ እና የማሽን ሌርኒንግ ምርምር ልምድ በመነሳት፣ ከ3 ዓመታት በፊት “የዓለምን ምርጥ AI እፈጥራለሁ” በሚል ዓላማ ኩባንያውን (ክሌቪን) መሠረቱ።

የኩባንያውን የራሱን የውሂብ ፓይፕላይን መገንባት፣ ትልቅ ደረጃ ያለው የተበታተነ የዲፕ ሌርኒንግ መሠረተ ልማት መንደፍ፣ የሞዴል አርክቴክቸር ማዘጋጀት፣ የጥራት ማረጋገጫ እና ሌሎችንም ጨምሮ ሁሉንም ሂደቶች በቀጥታ በመንደፍ Foundation Model ለማዘጋጀት የሚያስፈልጉ አቅሞችን አግኝቷል።

ሞዴሉን ብዙ ጊዜ ካሠለጠነ በኋላ፣ በአሁኑ ጊዜ በዓለም ደረጃ ካሉ ምርጥ ሞዴሎች ጋር ሊወዳደር የሚችል Clevi-5-x ሞዴል ባለቤት ሆኗል።

የግዙፍ ቋንቋ ሞዴሎችን በብቃት ለማሰልጠን፣ ከመቶዎች እስከ ሺዎች የሚደርሱ GPUዎችን በክላስተር ማገናኘት እና በሰከንድ በአንድ ጊዜ እስከ ኳድሪሊዮኖች የሚደርሱ ስሌቶችን ማከናወን የሚችል መሠረተ ልማት ያስፈልጋል። በዚህ ሂደት፣ በትልቅ የተከፋፈለ አካባቢ ውስጥ የስሌት ማመሳሰልን እና የግንኙነት መዘግየትን መቀነስ የሚያስችሉ ቴክኖሎጂዎች ወሳኝ ናቸው። እስካሁን ድረስ በአገር ውስጥ “ትክክለኛ የቁጥጥር አልጎሪዝም” ስላልነበረ አብዛኛዎቹ ኩባንያዎች ሞዴሎችን በትክክል ማሰልጠን አልቻሉም። የክሌቪ ዋና ሥራ አስፈጻሚ ኢህዋንሆ ሊ እንዲህ ዓይነቱን ራሱን የቻለ የተከፋፈለ የስሌት ቁጥጥር አልጎሪዝም በራሱ በማዘጋጀት፣ በአገር ውስጥ ለመጀመሪያ ጊዜ 1.4 ትሪሊዮን (1.4 Trillion) ፓራሜትሮች ያለው ግዙፍ የቋንቋ ሞዴል በማሰልጠን ተሳክቶለታል።

4. በጥቂት የልማት ሠራተኞች የተለያዩ ሞዴሎችን ማዘጋጀት የተቻለበት ምክንያት

አብዛኛዎቹ ትልልቅ የቴክኖሎጂ ኩባንያዎችም ቢሆኑ ትልቅ የመሠረተ ልማት ቁጥጥር እና የመረጃ ማጥራት ቴክኖሎጂዎች አሏቸው።

ይህንን ለማስተዳደር ከመቶዎች እስከ ሺዎች የሚደርሱ የምርምር ሠራተኞች ያስፈልጋሉ።

ነገር ግን ክሌቪ በጥቂት የምርምር ሠራተኞች የተለያዩ ሞዴሎችን ያዘጋጃል እና ይይዛል።

እንዴት ሊቻል ቻለ?

ክሌቪ Teacher-Student Model(Knowledge Distilation) ቴክኖሎጂን በመጠቀም በጥቂት ሠራተኞች የተለያዩ ሞዴሎችን ያዘጋጃል እና ይይዛል።

እንግዲህ የTeacher-Student ቴክኖሎጂን እንመልከት።

Teacher-Student(የእውቀት ዲስቲሌሽን)

Teacher-Student ቴክኖሎጂ በቀላሉ ሲብራራ፣ በግዙፍ የቋንቋ ሞዴል (Teacher Model) የልጅ ሞዴልን (Student Model) በመገምገምና ግብረመልስ በመስጠት፣ ጥቂት ሠራተኞች ብቻ በመጠቀም በመቶዎች የሚቆጠሩ የምርምር ሠራተኞችን በመተካት የተለያዩ ሞዴሎችን በፍጥነት ማዘጋጀት የሚያስችል ቴክኖሎጂ ነው።

• Mother Model(ግዙፍ ሞዴል) በተለያዩ መስኮች ያሉ ሞዴሎችን ይገመግማል እና ግብረመልስ ይሰጣል፤ በዚህም በመቶዎች የሚቆጠሩ የምርምር ሠራተኞችን ይተካል።
• በዚህ ዘዴ በClevi-x-platform በኩል ሥልጠና ብንሰጥ፣ እንደ Reasoning፣ VLM፣ Physical AI፣ Coding Agent ያሉ ከፍተኛ አፈጻጸም ያላቸውን ሞዴሎች በ10–15 ቀናት ውስጥ ማሰልጠንና ማሰራጨት እንችላለን።

Clevi Coding Agent

Clevi Phsycal AI Learning Platform

VLM-Vision Language Model

የደህንነት ኤጀንት

5. የClevi-x-platform ቴክኖሎጂና ጥራት ልዩነት

የሞዴል አፈጻጸምና ማስፋፋት አቅም

• የምክንያታዊ አስተሳሰብ (CoT/Reasoning) ብልጫ፦ cip-5-x ደረጃ በደረጃ የሎጂክ አስተሳሰብ ሂደትንና ማስረጃ ማቅረብን በንድፍ ፍልስፍናው ውስጥ ያካትታል፤ በሳይንስ፣ በሂሳብ እና በኢንጂነሪንግ ችግኝ አፈታት ውስጥ ከፍተኛ የእምነት ደረጃ ያለው የማስላትና የትንተና ችሎታ ያሳያል። በውስጣዊ የቤንችማርክ መስፈርቶች መሠረት ከ GPT-5 ደረጃ የሚበልጥ ወይም እኩል የአፈጻጸም ችሎታን ለማሳካት ተነድፎና እየተሠራ ሲሆን፣ በተመሳሳይ ፕሮምፕት ሁኔታ ውስጥ የሚደረግ ድግግሞሽና ማረጋገጥ እንደ ዋና የጥራት መለኪያ ይተዳደራል።

• የመልቲሞዳል ሙሉ ስፔክትረም፦ ዓላማ ተኮር VLM(cip-5-vision)፣ ትልቅ መጠን ያለው የመልቲሞዳል ማቀነባበሪያ ሞዴል (ivy-4-mm) እና ቀላል የኦን-ዲቫይስ ሞዴል (ivy-3-text) በአንድ መድረክ ላይ በማምረትና በማጣመር፣ ከተግባሩ ባህሪ (ፍለጋ/ምደባ/ማጠቃለያ ከ ምክንያታዊ አስተሳሰብ/ማብራሪያ/አፈጻጸም) ጋር የተስማማ የተመቻቸ ጥምረት ማድረግ ይቻላል።

የኢንተርፕራይዝ ተፈጻሚነት

• የኦን-ፕሪሚስ ደህንነትና ተደራሽነት፦ በተዘጋ ኔትወርክ ውስጥ በሙሉ (ግብዓት-ሥልጠና-አገልግሎት-ምትኬ) መሥራት፣ HA ንድፍ፣ ሞዱላር ማስፋፊያ እና SVCE (የተነጠለ አስተማማኝ የማስፈጸሚያ አካባቢ) በመጠቀም ውሂብና የሞዴል መለኪያዎችን በተነጠለ ሁኔታ ይጠብቃል።
• ፈጣን ጅምርና ማስፋፋት፦ Ivy Chat (የሥራ ቦታ መልቲሞዳል ውይይት/ኤጀንት) እና API Platform (ዓለም አቀፍ መደበኛ SaaS) በመጠቀም ፈጣን ትግበራንና አሠራርን ይደግፋል።

የፊዚካል AI (Physical AI) ልዩነት

• በNVIDIA Isaac ላይ የተመሠረተ ሲሙሌሽንን ከዝግመተ-ለውጥ ተኮር የማጠናከሪያ ትምህርት (Evolutionary RL) ጋር በማጣመር፣ Sim2Real ሽግግርንና የተዋሃደ ውሂብ ትይዩ ሥልጠናን በመጠቀም የሥልጠና ብቃትንና በመስክ የመላመድ ችሎታን አሻሽሏል። ከዲጂታል እስከ ሮቦቲክስ ሥልጠናና ማሰማራት ድረስ የሚሸፍን መሆኑ ተመሳሳይ አማራጮችን እጅግ አናሳ ያደርገዋል።

የአገልግሎት ጥራትና አስተዳደር

• የሞዴል/ፕሮምፕት/መሣሪያ ስሪት አስተዳደር፣ የግምገማ ስብስቦች (በኮሪያኛና በእንግሊዝኛ ዕውቀት፣ እንደ ኢንዱስትሪው የሚለያዩ ተግባራት፣ የቅዠትና የደህንነት መለኪያዎች)፣ የለውጥ አስተዳደር (SLO/SLA) እና የአሠራር ክትትል (የምላሽ ጊዜ፣ የስኬት መጠን፣ TCO) በአንድ የመድረክ ሂደት ይተዳደራሉ።

በአሁኑ ጊዜ በደቡብ ኮሪያ ከ300 በላይ የAI ሞዴል አገልግሎት ኩባንያዎች ቢኖሩም፣

ከፍተኛ አፈጻጸም ያለው የራሱን ፋውንዴሽን ሞዴል በመጠቀም የኦን-ፕሪሚስና የክላውድ አገልግሎቶችን በአንድ ጊዜ ማቅረብ የሚችለው ክሌቪ ብቻ ነው።

6. የቋንቋ ሞዴሎችን በኢንዱስትሪ ውስጥ የመጠቀሚያ መንገዶች

የAI ትግበራ ከፍተኛ ኢንቨስትመንትንና ጥብቅ ማረጋገጫን ስለሚፈልግ፣ በእውነት ለድርጅቱ ጠቃሚ መፍትሔ መሆኑን በቀጥታ ማወዳደርና መሞከር አስፈላጊ ነው።

• ክሌቪ ሞዴሎችን ብቻ ከመገንባት ባለፈ፣ በእውነተኛ የኢንዱስትሪ የሥራ መስኮች ላይ ሊተገበሩ የሚችሉ የAI መፍትሄዎችን ያቀርባል።
• ለምሳሌ፣ Ivy Chat Platform፣ Clevi API Platform፣ ለኢንዱስትሪዎች የተለየ ማበጀት፣ የደህንነት መስፈርቶችን ማሟላት እና ሌሎችንም ጨምሮ የኢንተርፕራይዝ ቻናሎችን በሙሉ አሟልቷል።
• አካላዊ AI፣ ሮቦቲክስ፣ ባለብዙ ሞዳል የውሂብ ሂደት እና በአገር ውስጥም ሆነ በዓለም አቀፍ ደረጃ ለማግኘት አስቸጋሪ የሆኑ ሌሎች ቴክኖሎጂያዊ ብቃቶችን ይዟል።

ክሌቪ AIን ‘ዓላማ’ ሳይሆን ‘መሣሪያ’ አድርጎ፣ ለእውነተኛ የሥራ ቅልጥፍናና ለኢንዱስትሪ ፈጠራ አስተዋፅኦ የሚያደርጉ ተጨባጭ የAI መፍትሄዎችን ያቀርባል። የእውነተኛ From-scratch Foundation ሞዴል ልዩነትን በቀጥታ ይለማመዱ።

ጥያቄዎች እና የዴሞ ጥያቄ፦ [email protected]

Copyright© 2025 Clevi Inc. All rights reserved.