Den 24. oktober deltog CLEVI's direktør Lee Hwan-ho efter invitation fra Korea Industrial Intelligence Association (KOIIA) i »2025 Academy for udvikling af kernekompetencer i mellemstore virksomheder, seminar om strategier til at imødegå fremtidens industrier«, hvor han holdt hovedtalen.
Vi deltog i sessionen »Eksempler på implementering af AI-teknologi og praktiske DX-strategier« med emnet »Eksempler på anvendelse af Physical AI samt faktorer bag fejl og forbedringsstrategier under implementeringen af RAG-agenter«.
I takt med den stigende interesse for AI-agenter er der også en tendens til, at flere virksomheder overvejer at implementere AI. Mange institutioner og virksomheder har allerede indført AI på forsøgsbasis og taget det i drift.
Desværre viser undersøgelser, at mange virksomheder og institutioner ikke opnår den ønskede ROI, eller at funktioner, der fungerede i PoC-fasen, ikke giver korrekte svar eller slet ikke fungerer i det egentlige projekt eller i praksis.
På grund af disse oplysninger tøver mange virksomheder med at implementere AI forhastet.
Under foredraget forklarede CLEVI's direktør Lee Hwan-ho detaljeret begrænsningerne ved RAG-systemer, som er en af de typiske årsager til mislykkede, forhastede AI-implementeringer, samt open source-modeller og small LLM'er (SLM'er), og han forklarede, hvorfor tidligere implementeringer mislykkedes.
I sidste ende er årsagen til, at man anvender AI, at man forventer, at den overtager menneskers arbejde eller leverer bedre resultater end mennesker.
Medarbejdere i virksomheder, der har implementeret AI, har imidlertid ikke tillid til kvaliteten af AI-svarene. Derfor er der kommet mange klager over, at arbejdsbyrden i stedet er steget, fordi de er nødt til at kontrollere AI-svarene enkeltvis.
Årsagen er, at de fleste virksomheder finjusterer open source-SLM-modeller og bruger dem som løsninger.
Intuitivt tænker man, at AI bliver klogere, når den lærer noget nyt, men når AI i stedet lærer ny viden, mister den tidligere erindringer, det vil sige vilkårlige parameter-vægte.
Et endnu mere alvorligt problem er, at ingen ved, hvilke oplysninger eller hvilken viden der er gået tabt.
Implementering af AI er ikke noget, der kræver få ressourcer, så I har sikkert gennemført en omfattende validering allerede fra PoC-fasen.
Hvorfor opstod sådanne problemer så ikke på dette tidspunkt? Det skyldes naturligvis, at modellen blev genlært med målrettede oplysninger.
Hvis man lærer en AI, der kun kendte tal, alfabetet og derefter kun stiller den spørgsmål om alfabetet, er det naturligt, at den svarer godt. Men har man i praksis kun brug for modeller, der er specialiseret inden for et bestemt domæne som dette?
I vores praksis møder vi hver dag nye miljøer og nye data. Men en AI, der er trænet ved tilfældigt at ødelægge eksisterende viden, kan hverken garantere generaliserbarhed eller nøjagtighed.
Derfor er det nødvendigt enten at have en From-scratch Foundation-stormsprogmodel eller den teknologi, der kræves for at skabe en sådan model.
Det skyldes, at disse modeller rummer næsten al verdens viden og derfor leverer svar af høj kvalitet samt høj nøjagtighed.
For specialiserede domæner kan man overvinde ulemperne ved finetunede SLM'er ved at anvende teknologien SFT(Supervised Fine-Tuning) eller, ved mindre datamængder, et RAG-system eller CLEVI's egenudviklede intelligensdatabasesystem, den semantiske databaseteknologi.
Regeringen er også klar over betydningen af disse foundation-modeller og yder derfor omfattende støtte.
Det er netop projektet National AI. Projektets største mål er sandsynligvis at sikre digital suverænitet.
Hos CLEVI kendte vi også til de alvorlige ulemper ved at bruge open source-modeller, og derfor udviklede vi alt selv, fra dataindsamling til arkitekturdesign, og trænede CLEVI's modeller.
CLEVI's modeller har i dag en ydeevne, der på ingen måde står tilbage for verdens førende AI-systemer, selv når de konkurrerer med dem.
Fordi vi især har vores egne modeller, er CLEVI heller ikke berørt af de afhængighedsproblemer, der kan opstå ved brug af eksterne modeller.
Implementering af AI er nu ved at blive en nødvendighed snarere end et valg. Men det er vanskeligt at opnå de ønskede resultater blot ved at indføre den nyeste teknologi.
Ægte innovation begynder først, når man præcist forstår teknologiens begrænsninger og udarbejder den optimale strategi, der passer til organisationens miljø og mål.
Med differentierede teknologiske kompetencer som sin egen stormsprogmodel og semantiske database minimerer CLEVI de fejltrin og risici, som virksomheder oplever i forbindelse med implementering af AI.
Vi vil også fremover lytte til stemmerne fra praksis og gøre vores bedste for at blive en AI-partner, som endnu flere virksomheder kan have tillid til. Vi håber, at I sammen med CLEVI vil skabe den sande succes med implementeringen af AI.