Στις 24 Οκτωβρίου, κατόπιν πρόσκλησης της Korea Industrial Intelligence Association (KOIIA), συμμετείχαμε στο «Ακαδημία ανάπτυξης βασικών ταλέντων για μεσαίες επιχειρήσεις 2025, Σεμινάριο στρατηγικών αντιμετώπισης των μελλοντικών βιομηχανιών», όπου ο διευθύνων σύμβουλος της CLEVI, Lee Hwan-ho, εκφώνησε την κεντρική ομιλία.
Στη συνεδρία «Παραδείγματα υιοθέτησης τεχνολογιών AI και πρακτικές στρατηγικές DX», συμμετείχαμε με θέμα «Παραδείγματα αξιοποίησης του Physical AI, παράγοντες αποτυχίας και στρατηγικές βελτίωσης κατά τη διαδικασία υιοθέτησης πρακτόρων RAG».
Καθώς αυξάνεται πρόσφατα το ενδιαφέρον για τους πράκτορες AI, αυξάνεται επίσης ο αριθμός των εταιρειών που εξετάζουν την υιοθέτηση πολλαπλών λύσεων AI. Γνωρίζουμε ότι πολλοί οργανισμοί και εταιρείες έχουν ήδη εφαρμόσει πιλοτικά και λειτουργούν λύσεις AI.
Ωστόσο, δυστυχώς, έρευνες έχουν δείξει ότι σε πολλές εταιρείες και οργανισμούς είτε δεν επιτυγχάνεται το επιθυμητό ROI είτε λειτουργίες που λειτουργούσαν στο PoC δεν παρέχουν σωστές απαντήσεις ή δεν λειτουργούν σωστά στο κύριο έργο ή στο πεδίο εφαρμογής.
Εξαιτίας αυτών των πληροφοριών, πολλές εταιρείες διστάζουν να υιοθετήσουν βιαστικά την AI.
Στη συγκεκριμένη διάλεξη, ο διευθύνων σύμβουλος της CLEVI, Lee Hwan-ho, εξήγησε λεπτομερώς τους περιορισμούς των συστημάτων RAG, οι οποίοι αποτελούν βασική αιτία αποτυχίας της βιαστικής υιοθέτησης της AI, καθώς και τα μοντέλα ανοιχτού κώδικα και τα μικρά LLM (SLM), εξηγώντας γιατί απέτυχαν οι προηγούμενες περιπτώσεις υιοθέτησης.
Τελικά, ο λόγος για τον οποίο αξιοποιούμε την AI είναι η προσδοκία ότι θα αναλάβει τη δουλειά των ανθρώπων ή ότι θα επιδείξει καλύτερη απόδοση από τους ανθρώπους.
Καθώς τα στελέχη που εργάζονται στις εταιρείες οι οποίες έχουν υιοθετήσει την AI σήμερα δεν εμπιστεύονται την ποιότητα των απαντήσεων της AI, εκφράζονται όλο και περισσότερα παράπονα ότι ο φόρτος εργασίας τους έχει αυξηθεί, επειδή πρέπει να ελέγχουν μία προς μία τις απαντήσεις της AI.
Ο λόγος είναι ότι οι περισσότερες εταιρείες χρησιμοποιούν μοντέλα SLM ανοιχτού κώδικα ως λύσεις, αφού πρώτα τα προσαρμόσουν με fine-tuning.
Διαισθητικά, μπορεί να πιστεύουμε ότι η AI θα γίνει εξυπνότερη αν αποκτήσει νέα εκπαίδευση, όμως, αντίθετα, όταν η AI μαθαίνει νέες γνώσεις, χάνει τις προηγούμενες αναμνήσεις της, δηλαδή τα αυθαίρετα βάρη των παραμέτρων.
Το ακόμη σοβαρότερο πρόβλημα είναι ότι κανείς δεν γνωρίζει ποιες πληροφορίες ή γνώσεις έχουν χαθεί.
Η υιοθέτηση της AI δεν είναι κάτι που απαιτεί λίγους πόρους, επομένως πιθανότατα πραγματοποιήσατε πολλές验证σεις ήδη από το στάδιο PoC.
Γιατί, λοιπόν, δεν εμφανίστηκε τότε αυτό το πρόβλημα; Αυτό οφείλεται φυσικά στο ότι η επανεκπαίδευση έγινε με πληροφορίες-στόχους.
Σε μια AI που γνώριζε μόνο αριθμούς, διδάξαμε το αλφάβητο και στη συνέχεια θέσαμε μόνο ερωτήσεις σχετικά με το αλφάβητο, οπότε είναι φυσικό να απαντά σωστά. Όμως, στον χώρο εργασίας χρειαζόμαστε μόνο μοντέλα εξειδικευμένα σε έναν συγκεκριμένο τομέα;
Οι χώροι εργασίας μας έρχονται καθημερινά αντιμέτωποι με νέα περιβάλλοντα και νέα δεδομένα. Ωστόσο, μια AI που έχει εκπαιδευτεί καταστρέφοντας τυχαία την υπάρχουσα γνώση δεν μπορεί να εγγυηθεί ούτε τη γενικευσιμότητα ούτε την ακρίβεια.
Επομένως, είναι απαραίτητο είτε να διαθέτουμε ένα From-scratch Foundation υπερμεγέθες γλωσσικό μοντέλο είτε την τεχνολογία για τη δημιουργία του.
Αυτό συμβαίνει επειδή αυτά τα μοντέλα διαθέτουν σχεδόν όλη τη γνώση του κόσμου, με αποτέλεσμα να προσφέρουν υψηλή ποιότητα και ακρίβεια στις απαντήσεις.
Για εξειδικευμένους τομείς, μπορούμε να ξεπεράσουμε τα μειονεκτήματα ενός fine-tuned SLM χρησιμοποιώντας την τεχνική SFT(Supervised Fine-Tuning) ή, για μικρές ποσότητες δεδομένων, ένα σύστημα RAG ή την τεχνολογία semantic database, το σύστημα βάσης δεδομένων νοημοσύνης που ανέπτυξε η CLEVI.
Καθώς και η κυβέρνηση γνωρίζει τη σημασία αυτών των foundation models, παρέχει σημαντική υποστήριξη.
Πρόκειται για το έργο National AI. Ο σημαντικότερος στόχος αυτού του έργου είναι πιθανότατα η εξασφάλιση της ψηφιακής κυριαρχίας.
Επειδή και εμείς στην CLEVI γνωρίζαμε τα κρίσιμα μειονεκτήματα της χρήσης μοντέλων ανοιχτού κώδικα, αναπτύξαμε ανεξάρτητα τα μοντέλα της CLEVI, από τη συλλογή δεδομένων έως τον σχεδιασμό της αρχιτεκτονικής, και τα εκπαιδεύσαμε.
Τα μοντέλα της CLEVI διαθέτουν σήμερα επιδόσεις που δεν υστερούν καθόλου, ακόμη και σε σύγκριση με κορυφαίες AI παγκοσμίως.
Ειδικότερα, επειδή διαθέτουμε τα δικά μας μοντέλα, η CLEVI δεν αντιμετωπίζει το πρόβλημα εξάρτησης που μπορεί να προκύψει από τη χρήση εξωτερικών μοντέλων.
Η υιοθέτηση της AI γίνεται πλέον απαραίτητη και όχι προαιρετική. Ωστόσο, είναι δύσκολο να επιτευχθούν τα επιθυμητά αποτελέσματα μόνο με την υιοθέτηση της πιο πρόσφατης τεχνολογίας.
Η πραγματική καινοτομία ξεκινά όταν κατανοούμε με ακρίβεια τους περιορισμούς της τεχνολογίας και διαμορφώνουμε τη βέλτιστη στρατηγική για το περιβάλλον και τους στόχους του οργανισμού μας.
Με διαφοροποιημένες τεχνολογικές δυνατότητες, όπως το ιδιόκτητο υπερμεγέθες γλωσσικό μοντέλο και η semantic database, η CLEVI ελαχιστοποιεί τις δοκιμές και τα σφάλματα, καθώς και τους κινδύνους που αντιμετωπίζουν οι επιχειρήσεις κατά τη διαδικασία υιοθέτησης της AI.
Και στο εξής, θα ακούμε προσεκτικά τη φωνή της αγοράς και θα καταβάλλουμε κάθε δυνατή προσπάθεια για να γίνουμε ένας αξιόπιστος συνεργάτης AI για ακόμη περισσότερες επιχειρήσεις. Ευχόμαστε να δημιουργήσετε μαζί με την CLEVI την πραγματική επιτυχία της υιοθέτησης της AI.