የወደፊት ኢንዱስትሪዎችን ለመቋቋም ስትራቴጂ ሴሚናር - የኮሪያ የኢንዱስትሪ ኢንተለጀንስ ማህበር

ባለፈው ጥቅምት 24 በኮሪያ የኢንዱስትሪ ኢንተለጀንስ ማህበር (KOIIA) ግብዣ ላይ '2025 የመካከለኛ ደረጃ ኩባንያዎች ቁልፍ ተሰጥኦ ልማት አካዳሚ፣ የወደፊት ኢንዱስትሪዎችን ለመቋቋም ስትራቴጂ ሴሚናር' ላይ በመሳተፍ፣ የክሌቪ ዋና ሥራ አስፈጻሚ ሊ ሃዋን-ሆ ዋና ንግግር አደረጉ።

በ'የAI ቴክኖሎጂ አጠቃቀም ጉዳዮች እና የDX ተግባራዊ ስትራቴጂ' ክፍለ ጊዜ ላይ፣ 'የPhysical AI አጠቃቀም ጉዳዮች እና RAG ኤጀንትን በማስገባት ሂደት የሚከሰቱ የውድቀት ምክንያቶችና የማሻሻያ ስትራቴጂዎች' በሚል ርዕስ ተሳትፈናል።

በቅርቡ ለAI ኤጀንቶች ያለው ፍላጎት እየጨመረ በመምጣቱ፣ AIን ለማስገባት የሚያስቡ ኩባንያዎችም ቁጥር እየጨመረ ነው። ብዙ ተቋማትና ኩባንያዎች AIን በሙከራ ደረጃ አስገብተው እያስተዳደሩት እንደሆነ እናውቃለን።

ነገር ግን በሚያሳዝን ሁኔታ፣ በብዙ ኩባንያዎችና ተቋማት የሚፈለገው ROI አይገኝም፤ ወይም በPoC ወቅት የሰሩ ተግባራት በዋናው ፕሮጀክት ወይም በሥራ ቦታ ትክክለኛ መልስ አይሰጡም ወይም በጭራሽ አይሰሩም የሚል ጉዳይ በጣም ብዙ መሆኑ ተመርምሯል።

በእነዚህ መረጃዎች ምክንያት ብዙ ኩባንያዎች AIን በችኮላ ማስገባትን እየተጠነቀቁ ነው።

በዚህ ንግግር የክሌቪ ዋና ሥራ አስፈጻሚ ሊ ሃዋን-ሆ የችኮላ AI ማስገባት ዋና የውድቀት ምክንያት የሆነውን የRAG ስርዓት ገደብ፣ እንዲሁም ክፍት ምንጭ ሞዴሎችን ወይም ትንንሽ LLM (SLM) በተመለከተ በዝርዝር በማብራራት፣ ቀደም ሲል የተደረጉ የማስገባት ሙከራዎች ለምን እንደከሸፉ አብራርተዋል።

በመጨረሻም AIን የምንጠቀምበት ምክንያት የሰዎችን ሥራ እንዲተካ ወይም ከሰዎች የተሻለ አፈጻጸም እንዲያሳይ ስለምንጠብቅ ነው።

ነገር ግን AIን ያስገቡ ኩባንያዎች ውስጥ ያሉ የሥራ ባልደረቦች በAI መልሶች ጥራት ላይ እምነት ስለሌላቸው፣ የAI መልሶችን አንድ በአንድ ለመፈተሽ ሲገደዱ በተቃራኒው የሥራ ጫናቸው እየጨመረ መሆኑን የሚገልጹ ቅሬታዎች እየበዙ ነው።

ምክንያቱም አብዛኛዎቹ ኩባንያዎች ክፍት ምንጭ SLM ሞዴሎችን በፋይን-ቲዩን አሻሽለው እንደ መፍትሔ ስለሚጠቀሙ ነው።

በስሜት ሲታይ AI አዲስ ትምህርት ሲያገኝ የበለጠ ብልህ እንደሚሆን እናስባለን፤ ነገር ግን AIን አዲስ እውቀት እንዲማር ስናደርግ፣ ያለፈውን ትውስታውን፣ ማለትም የዘፈቀደ የፓራሜትር ክብደቶችን ያጣል።

ከዚህም የበለጠ አሳሳቢው ችግር የትኛውን መረጃ ወይም እውቀት እንዳጣ ማንም ማወቅ አለመቻሉ ነው።

የAI ማስገባት ትንሽ ሀብት የሚጠይቅ ሂደት ስላልሆነ፣ ከPoC ደረጃ ጀምሮ ብዙ ማረጋገጫዎችን አድርጋችሁ ይሆናል።

ታዲያ በዚህ ጊዜ እንደዚህ ያለ ችግር ለምን አልታየም? ምክንያቱም በታለመው መረጃ እንደገና ስልጠና ስለተሰጠው ነው።

ቁጥሮችን ብቻ ለሚያውቅ AI ፊደላትን አስተምረን፣ ከዚያም ስለ ፊደላት ብቻ ጥያቄዎችን ስለጠየቅን በተፈጥሮ ጥሩ መልስ ይሰጣል። ነገር ግን በሥራ ቦታ እንደዚህ ባለ የተወሰነ ዘርፍ ላይ ብቻ የተለየ ሞዴል ብቻ ያስፈልጋል?

​

የሥራ ቦታችን በየቀኑ አዳዲስ አካባቢዎችንና አዳዲስ መረጃዎችን ይጋፈጣል። ነገር ግን ያለውን እውቀት በዘፈቀደ እያጠፋ የተማረ AI አጠቃላይ አገልግሎትን ብቻ ሳይሆን ትክክለኛነትንም ማረጋገጥ አይችልም።

ስለዚህ From-scratch Foundation ግዙፍ የቋንቋ ሞዴል በእጃችሁ መኖር ወይም ይህን ሞዴል መፍጠር የሚያስችል ቴክኖሎጂ ያስፈልጋል።

እነዚህ ሞዴሎች በዓለም ላይ ያለውን እውቀት ከሞላ ጎደል ስለያዙ፣ የመልስ ጥራታቸው ብቻ ሳይሆን ትክክለኛነታቸውም ከፍተኛ ነው።

ለተለየ ዘርፍ SFT(Supervised Fine-Tuning) የተባለውን ቴክኖሎጂ መጠቀም ወይም ለአነስተኛ መጠን መረጃ RAG ስርዓትን ወይም በክሌቪ የተሰራውን የኢንተሌጀንስ የመረጃ ቋት ስርዓት የሆነውን የሲማንቲክ ዳታቤዝ ቴክኖሎጂ መጠቀም ከፋይን-ቱኒንግ የተደረገ SLM ጉዳቶች ለመላቀቅ ያስችላል።

መንግሥትም የእነዚህን ፋውንዴሽን ሞዴሎች አስፈላጊነት ስለሚያውቅ፣ ብዙ ድጋፍ እያደረገ ነው።

ይህም በትክክል የብሔራዊ ተወካይ AI ፕሮጀክት ነው። የዚህ ፕሮጀክት ትልቁ ዓላማ ዲጂታል ሉዓላዊነትን ማረጋገጥ ነው።

እኛ ክሌቪም ክፍት ምንጭ ሞዴል ስንጠቀም የሚከሰቱትን አስከፊ ጉዳቶች ስለምናውቅ፣ ከመረጃ ስብስብ ጀምሮ እስከ አርክቴክቸር ዲዛይን ድረስ በራሳችን አዘጋጅተን የክሌቪ ሞዴሎችን አሰልጥነናል።

በአሁኑ ጊዜ የክሌቪ ሞዴሎች ከዓለም መሪ AI ስርዓቶች ጋር ቢወዳደሩም በአፈጻጸም በፍጹም ወደኋላ የማይቀሩ ናቸው።

በተለይም የራሳችንን ሞዴል ስለያዝን፣ ውጫዊ ሞዴል ሲጠቀሙ ሊከሰት ከሚችለው የጥገኝነት ችግር እኛ ክሌቪ ጋር ምንም ግንኙነት የለውም።

አሁን የAI ማስገባት ምርጫ ሳይሆን አስፈላጊ ጉዳይ እየሆነ ነው። ነገር ግን ዘመናዊ ቴክኖሎጂን ብቻ ማስገባት የሚፈለገውን ውጤት ለማግኘት በቂ አይደለም።

እውነተኛ ፈጠራ የሚጀምረው የቴክኖሎጂን ገደቦች በትክክል ስንረዳና ከድርጅታችን አካባቢና ግቦች ጋር የሚስማማ ተመራጭ ስትራቴጂ ስናዘጋጅ ብቻ ነው።

ክሌቪ በራሱ የተሰራ ግዙፍ የቋንቋ ሞዴልና ሲማንቲክ ዳታቤዝ እንዲሁም በሌሎች የሚለይ የቴክኖሎጂ ብቃት በመጠቀም፣ ድርጅቶች በAI ማስገባት ሂደት የሚያጋጥማቸውን የሙከራና ስህተት ሂደት እና አደጋ እየቀነሰ ነው።

Առաջիկայում ևս մենք ուշադիր կլսենք ոլորտի ձայնը և կանենք առավելագույնը՝ ավելի շատ ընկերությունների համար վստահելի AI գործընկեր դառնալու նպատակով։ Հուսով ենք՝ AI-ի ներդրման իրական հաջողությունը կստեղծեք Clevi-ի հետ միասին։