No dia 24 de outubro, a convite da Associação Coreana de Inteligentização Industrial (KOIIA), participamos do “2025 Academia de Desenvolvimento de Talentos Essenciais para Empresas de Médio Porte, Seminário sobre Estratégias para Responder às Indústrias do Futuro”, no qual o CEO da Clevi, Lee Hwan-ho, proferiu o discurso principal.
Participamos da sessão “Casos de adoção de tecnologia de IA e estratégias práticas de DX” com o tema “Casos de uso de Physical AI e fatores de falha e estratégias de melhoria durante a implementação de agentes RAG”.
Com o aumento recente do interesse por agentes de IA, também está crescendo o número de empresas que consideram adotar muitas soluções de IA. Pelo que sabemos, muitas instituições e empresas já estão realizando testes-piloto e operando soluções de IA.
No entanto, infelizmente, pesquisas mostram que, em muitas empresas e instituições, o ROI esperado não é alcançado ou funções que funcionavam na PoC não fornecem respostas adequadas ou não funcionam corretamente no projeto principal ou no campo.
Por causa dessas informações, muitas empresas estão relutantes em adotar a IA precipitadamente.
Nesta palestra, o CEO da Clevi, Lee Hwan-ho, explicou detalhadamente as limitações dos sistemas RAG, uma das principais causas de fracasso da adoção precipitada de IA, bem como os modelos de código aberto e os Small LLMs (SLMs), explicando por que os casos de adoção anteriores fracassaram.
Afinal, o motivo pelo qual utilizamos a IA é esperar que ela substitua o trabalho das pessoas ou apresente um desempenho superior ao humano.
Como os profissionais das empresas que adotaram a IA atualmente não confiam na qualidade das respostas geradas pela IA, surgem reclamações de que o trabalho, na verdade, aumentou, pois precisam verificar uma a uma as respostas da IA.
Isso ocorre porque a maioria das empresas utiliza modelos SLM de código aberto ajustados por fine-tuning como soluções.
Intuitivamente, pensamos que a IA ficará mais inteligente ao aprender algo novo, mas, ao contrário, quando ensinamos novos conhecimentos à IA, ela perde memórias anteriores, ou seja, pesos de parâmetros arbitrários.
O problema ainda mais grave é que ninguém sabe quais informações ou conhecimentos foram perdidos.
A adoção de IA não é algo que exige poucos recursos, portanto vocês devem ter realizado muitas validações desde a fase de PoC, certo?
Por que esse tipo de problema não apareceu naquela ocasião? Isso aconteceu, naturalmente, porque o modelo foi treinado novamente com informações do alvo.
Para uma IA que conhecia apenas números, foram ensinadas letras do alfabeto e, depois, feitas apenas perguntas sobre o alfabeto; portanto, é natural que ela responda bem. Mas, no ambiente real, será que precisamos apenas de modelos especializados em domínios específicos como esse?
Nosso ambiente se depara todos os dias com novos cenários e novos dados. No entanto, uma IA treinada enquanto destrói aleatoriamente os conhecimentos existentes não consegue garantir nem versatilidade nem precisão.
Por isso, é necessário possuir um modelo de linguagem de grande escala Foundation From-scratch ou ter a tecnologia para criá-lo.
Isso ocorre porque esses modelos possuem quase todo o conhecimento do mundo, o que proporciona não apenas alta qualidade nas respostas, mas também maior precisão.
No caso de domínios especializados, é possível superar as limitações dos SLMs ajustados usando uma tecnologia chamada SFT (Supervised Fine-Tuning) ou, para pequenas quantidades de dados, um sistema RAG ou a tecnologia de banco de dados semântico, o sistema de banco de dados de inteligência desenvolvido pela própria Clevi.
Como o governo também reconhece a importância desses modelos de fundação, não tem poupado esforços para oferecer amplo apoio.
Trata-se do projeto de IA representativa do país. O maior objetivo desse projeto provavelmente é garantir a soberania digital.
Como nós, da Clevi, também conhecíamos as limitações fatais do uso de modelos de código aberto, desenvolvemos tudo internamente, desde a coleta de dados até o projeto da arquitetura, e treinamos os modelos da Clevi.
Atualmente, os modelos da Clevi apresentam um desempenho que não fica nem um pouco atrás, mesmo quando competem com as principais IAs do mundo.
Além disso, como possuímos nossos próprios modelos, a Clevi não enfrenta problemas de dependência que podem ocorrer ao utilizar modelos externos.
A adoção de IA está deixando de ser uma opção e se tornando uma necessidade. No entanto, é difícil alcançar os resultados desejados apenas adotando as tecnologias mais recentes.
A verdadeira inovação começa somente quando compreendemos com precisão os limites da tecnologia e definimos a estratégia ideal de acordo com o ambiente e os objetivos da nossa organização.
Com tecnologias diferenciadas, como seu próprio modelo de linguagem de grande escala e banco de dados semântico, a Clevi minimiza as tentativas e erros e os riscos enfrentados pelas empresas durante o processo de adoção de IA.
Continuaremos ouvindo atentamente as vozes do mercado e faremos o nosso melhor para nos tornarmos um parceiro de IA em quem cada vez mais empresas possam confiar. Esperamos que você construa o verdadeiro sucesso da implementação da IA junto com a Clevi.