Am 24. Oktober nahm der CEO von Clevi, Lee Hwan-ho, auf Einladung der Korean Association of Intelligent Industrialization (KOIIA) an der Veranstaltung „2025 Akademie zur Förderung von Schlüsselkräften in mittelständischen Unternehmen, Seminar zu Strategien für den Umgang mit den Industrien der Zukunft“ teil und hielt die Keynote.
Wir nahmen an der Session „Beispiele für die Einführung von KI-Technologien und praktische DX-Strategien“ mit dem Thema „Anwendungsbeispiele für Physical AI sowie Fehlerfaktoren und Verbesserungsstrategien bei der Einführung von RAG-Agenten“ teil.
Mit dem zunehmenden Interesse an KI-Agenten steigt auch die Zahl der Unternehmen, die die Einführung zahlreicher KI-Lösungen in Betracht ziehen. Soweit wir wissen, haben bereits viele Institutionen und Unternehmen KI testweise eingeführt und in Betrieb genommen.
Bedauerlicherweise wurde jedoch festgestellt, dass bei vielen Unternehmen und Institutionen der gewünschte ROI nicht erreicht wird oder Funktionen, die im PoC funktioniert haben, im eigentlichen Projekt oder im praktischen Einsatz keine korrekten Antworten liefern oder überhaupt nicht funktionieren.
Aufgrund dieser Erkenntnisse zögern viele Unternehmen, KI vorschnell einzuführen.
In diesem Vortrag erläuterte Clevi-CEO Lee Hwan-ho ausführlich die Grenzen von RAG-Systemen als eine der Hauptursachen für das Scheitern vorschneller KI-Einführungen sowie Open-Source-Modelle und Small LLMs (SLMs) und erklärte, warum frühere Einführungsprojekte gescheitert sind.
Letztlich wird KI eingesetzt, weil man erwartet, dass sie die Arbeit von Menschen übernimmt oder eine bessere Leistung als Menschen erbringt.
Da die Mitarbeitenden von Unternehmen, die KI bereits eingeführt haben, der Qualität der KI-Antworten nicht vertrauen können, häufen sich Beschwerden, dass ihr Arbeitsaufwand stattdessen steigt, weil sie die Antworten der KI einzeln überprüfen müssen.
Der Grund dafür liegt darin, dass die meisten Unternehmen Open-Source-SLM-Modelle feinabstimmen und als Lösungen einsetzen.
Intuitiv könnte man annehmen, dass KI intelligenter wird, wenn sie Neues lernt. Lernt die KI jedoch neues Wissen, verliert sie stattdessen frühere Erinnerungen, also beliebige Parametergewichtungen.
Noch problematischer ist, dass niemand weiß, welche Informationen oder welches Wissen verloren gegangen sind.
Da die Einführung von KI kein Vorhaben mit geringem Ressourcenaufwand ist, haben Sie vermutlich bereits ab der PoC-Phase umfangreiche Validierungen durchgeführt.
Warum sind solche Probleme zu diesem Zeitpunkt nicht aufgetreten? Das liegt natürlich daran, dass mit Zieldaten nachtrainiert wurde.
Wenn man einer KI, die bisher nur Zahlen kannte, das Alphabet beibringt und ihr anschließend nur Fragen zum Alphabet stellt, beantwortet sie diese natürlich gut. Aber brauchen wir in der Praxis wirklich nur Modelle, die auf eine bestimmte Domäne spezialisiert sind?
In der Praxis sind wir täglich mit neuen Umgebungen und neuen Daten konfrontiert. Eine KI, die durch das zufällige Zerstören bisherigen Wissens trainiert wurde, kann jedoch weder ihre Allgemeingültigkeit noch ihre Genauigkeit gewährleisten.
Daher benötigen Sie entweder ein From-scratch-Foundation-Modell mit sehr großen Sprachmodellen oder die Technologie, ein solches Modell zu entwickeln.
Da diese Modelle nahezu über das gesamte Wissen der Welt verfügen, bieten sie nicht nur eine hohe Antwortqualität, sondern auch eine hohe Genauigkeit.
Bei spezialisierten Domänen können Sie die Nachteile eines feinabgestimmten SLM überwinden, indem Sie die Technologie SFT (Supervised Fine-Tuning) einsetzen oder bei kleineren Datenmengen ein RAG-System beziehungsweise die von CLEVI selbst entwickelte Intelligence-Datenbanksystem-Technologie Semantic Database verwenden.
Da auch die Regierung die Bedeutung dieser Foundation-Modelle kennt, stellt sie umfangreiche Unterstützung bereit.
Es handelt sich um das Projekt „Nationale KI“. Das wichtigste Ziel dieses Projekts dürfte die Sicherung der digitalen Souveränität sein.
Auch CLEVI war sich der gravierenden Nachteile beim Einsatz von Open-Source-Modellen bewusst und hat daher seine Modelle eigenständig trainiert – von der Datensammlung bis zum Architekturdesign.
Die Modelle von CLEVI verfügen derzeit über eine Leistungsfähigkeit, die auch im Wettbewerb mit weltweit führenden KI-Systemen in keiner Weise zurückliegt.
Da CLEVI insbesondere über eigene Modelle verfügt, ist das Unternehmen auch nicht von den Abhängigkeitsproblemen betroffen, die beim Einsatz externer Modelle entstehen können.
Die Einführung von KI entwickelt sich mittlerweile von einer Option zu einer Notwendigkeit. Allein durch die Einführung der neuesten Technologie lassen sich jedoch nur schwer die gewünschten Ergebnisse erzielen.
Wahre Innovation beginnt erst dann, wenn die Grenzen der Technologie genau verstanden und die optimale Strategie für die Umgebung und die Ziele unserer Organisation festgelegt werden.
Mit differenzierten Technologien wie einem eigenen sehr großen Sprachmodell und einer Semantic Database minimiert CLEVI die Fehlversuche und Risiken, mit denen Unternehmen bei der Einführung von KI konfrontiert sind.
Auch künftig werden wir den Stimmen aus der Praxis aufmerksam zuhören und unser Bestes geben, um für noch mehr Unternehmen ein vertrauenswürdiger KI-Partner zu sein. Wir hoffen, dass Sie gemeinsam mit CLEVI den wahren Erfolg der Einführung von KI gestalten.