Am 24. Oktober nahm der CEO von CLEVI, Lee Hwan-ho, auf Einladung der Korean Association of Industrial Intelligence (KOIIA) an der „Akademie zur Förderung von Schlüsselkräften in mittelständischen Unternehmen 2025, Seminar zur Strategie für die Zukunftsindustrien“ teil und hielt die Grundsatzrede.
Wir nahmen an der Sitzung „Anwendungsfälle der Einführung von KI-Technologien und praktische Strategien für die DX“ mit dem Thema „Anwendungsfälle von Physical AI sowie Fehlerfaktoren und Verbesserungsstrategien bei der Einführung von RAG-Agenten“ teil.
Da das Interesse an KI-Agenten in letzter Zeit zunimmt, steigt auch die Zahl der Unternehmen, die die Einführung von KI in Betracht ziehen. Es ist bekannt, dass bereits viele Institutionen und Unternehmen KI testweise eingeführt haben und einsetzen.
Leider wurde jedoch festgestellt, dass in vielen Unternehmen und Institutionen der erwartete ROI nicht erreicht wird oder Funktionen, die im PoC funktioniert haben, im eigentlichen Projekt oder vor Ort keine korrekten Antworten liefern oder überhaupt nicht funktionieren.
Aufgrund dieser Informationen scheuen viele Unternehmen eine vorschnelle Einführung von KI.
In diesem Vortrag erläuterte der CEO von CLEVI, 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 liegt der Grund für den Einsatz von KI darin, dass man erwartet, dass sie die Arbeit von Menschen übernimmt oder eine bessere Leistung als Menschen erbringt.
Da die Praktiker in Unternehmen, die derzeit KI eingeführt haben, der Qualität der KI-Antworten nicht vertrauen können, häufen sich Beschwerden darüber, dass der Arbeitsaufwand sogar steigt, weil die Inhalte der KI-Antworten einzeln überprüft werden 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. Wenn man einer KI jedoch neues Wissen beibringt, verliert sie stattdessen Erinnerungen aus der Vergangenheit, also beliebige Parametergewichtungen.
Das noch schwerwiegendere Problem besteht darin, dass niemand weiß, welche Informationen oder welches Wissen verloren gegangen sind.
Da die Einführung von AI keine Angelegenheit ist, die mit geringem Ressourcenaufwand verbunden ist, haben Sie bereits während der PoC-Phase umfangreiche Validierungen durchgeführt.
Warum sind solche Probleme zu diesem Zeitpunkt nicht aufgetreten? Das liegt natürlich daran, dass das Modell mit zielgruppenspezifischen Informationen nachtrainiert wurde.
Wenn man einer AI, die bisher nur Zahlen kannte, das Alphabet beibringt und anschließend nur Fragen zum Alphabet stellt, ist es natürlich, dass sie gute Antworten liefert. Aber brauchen wir in der Praxis wirklich nur Modelle, die auf eine bestimmte Domäne spezialisiert sind?
In der Praxis stehen wir jeden Tag vor neuen Umgebungen und neuen Daten. Eine AI, die durch das zufällige Zerstören ihres bisherigen Wissens trainiert wurde, kann jedoch weder Allgemeingültigkeit noch Genauigkeit gewährleisten.
Daher benötigt man ein From-scratch Foundation Large Language Model oder die Technologie, ein solches Modell zu entwickeln.
Da diese Modelle über nahezu das gesamte Wissen der Welt verfügen, bieten sie nicht nur eine hohe Antwortqualität, sondern auch eine hohe Genauigkeit.
Bei spezialisierten Domänen kann man die Nachteile eines feinabgestimmten SLM überwinden, indem man die Technologie SFT (Supervised Fine-Tuning) einsetzt oder bei kleineren Datenmengen ein RAG-System beziehungsweise die von CLEVI selbst entwickelte Intelligence-Datenbanksystem-Technologie Semantic Database verwendet.
Da auch die Regierung die Bedeutung solcher Foundation Models erkannt hat, stellt sie umfangreiche Unterstützung bereit.
Es handelt sich um das Projekt „National Representative AI“. Das wichtigste Ziel dieses Projekts dürfte die Sicherung der digitalen Souveränität sein.
Auch wir von CLEVI kannten die gravierenden Nachteile der Verwendung von Open-Source-Modellen und haben daher unsere Modelle von der Datensammlung bis zum Architekturdesign eigenständig entwickelt und trainiert.
Die aktuellen Modelle von CLEVI verfügen über eine Leistungsfähigkeit, die im Wettbewerb mit den weltweit führenden AI-Systemen keineswegs zurücksteht.
Da wir insbesondere eigene Modelle besitzen, ist CLEVI auch nicht von den Abhängigkeitsproblemen betroffen, die bei der Nutzung externer Modelle entstehen können.
Die Einführung von AI wird inzwischen von einer Option zur Notwendigkeit. Doch allein durch die Einführung der neuesten Technologie lassen sich die gewünschten Ergebnisse nur schwer erzielen.
Wahre Innovation beginnt erst dann, wenn man die Grenzen der Technologie genau versteht und die optimale Strategie für die Umgebung und Ziele der eigenen Organisation entwickelt.
Mit differenzierten technologischen Kompetenzen wie dem eigenen Large Language Model und der Semantic Database minimiert CLEVI die Fehlversuche und Risiken, mit denen Unternehmen bei der Einführung von AI konfrontiert sind.
Auch in Zukunft werden wir den Stimmen aus der Praxis aufmerksam zuhören und unser Bestes geben, um für noch mehr Unternehmen ein vertrauenswürdiger KI-Partner zu werden. Wir hoffen, dass Sie gemeinsam mit CLEVI den wahren Erfolg bei der Einführung von KI gestalten.