El pasado 24 de octubre, por invitación de la Asociación Coreana para la Inteligencia Industrial (KOIIA), participamos en el «Seminario sobre estrategias para responder a las industrias del futuro, Academia de formación de talentos clave para empresas medianas de 2025», donde el director ejecutivo de CLEVI, Lee Hwan-ho, pronunció el discurso inaugural.
Participamos en la sesión «Casos de implementación de tecnología de IA y estrategias prácticas de DX» con el tema «Casos de uso de Physical AI y factores de fracaso y estrategias de mejora durante la implementación de agentes RAG».
A medida que ha aumentado el interés por los agentes de IA, también ha crecido la cantidad de empresas que consideran implementar diversas soluciones de IA. Según sabemos, muchas instituciones y empresas ya han implementado y operado la IA de forma piloto.
Sin embargo, las investigaciones muestran que, lamentablemente, en muchas empresas e instituciones no se obtiene el ROI esperado, o que las funciones que operaban durante la PoC no proporcionan respuestas adecuadas o no funcionan correctamente en el proyecto principal o en el entorno operativo.
Debido a esta información, muchas empresas están evitando implementar la IA de manera precipitada.
En esta conferencia, el director ejecutivo de CLEVI, Lee Hwan-ho, explicó detalladamente las limitaciones de los sistemas RAG, una de las principales causas del fracaso de las implementaciones apresuradas de IA, así como los modelos de código abierto y los SLM (Small LLM), y explicó por qué fracasaron los casos de implementación anteriores.
En última instancia, la razón para utilizar la IA es esperar que realice el trabajo de las personas o que ofrezca un mejor desempeño que ellas.
Los equipos operativos de las empresas que han implementado la IA actualmente no confían en la calidad de sus respuestas, por lo que han surgido quejas de que su carga de trabajo, en lugar de disminuir, ha aumentado porque deben revisar minuciosamente cada respuesta de la IA.
La razón radica en que la mayoría de las empresas utilizan modelos SLM de código abierto ajustados mediante fine-tuning como soluciones.
Intuitivamente, podríamos pensar que la IA se volverá más inteligente al aprender algo nuevo, pero, por el contrario, cuando aprende nuevos conocimientos, pierde recuerdos del pasado, es decir, pesos de parámetros arbitrarios.
El problema aún más grave es que nadie llega a saber qué información o conocimientos se han perdido.
Dado que implementar IA no es algo que requiera pocos recursos, seguramente realizaron muchas validaciones desde la etapa de PoC.
¿Por qué no aparecieron esos problemas en ese momento? Por supuesto, se debe a que se volvió a entrenar con información objetivo.
A una IA que solo conocía números se le enseñaron letras del alfabeto y después solo se le hicieron preguntas sobre el alfabeto; por supuesto, respondió bien. Pero en el entorno operativo, ¿solo necesitamos modelos especializados en dominios específicos como este?
En nuestro entorno operativo nos enfrentamos cada día a nuevos entornos y nuevos datos. Sin embargo, una IA entrenada destruyendo aleatoriamente sus conocimientos existentes no puede garantizar ni la generalidad ni la precisión.
Por lo tanto, es necesario contar con un modelo de lenguaje de gran escala From-scratch Foundation o con la tecnología para crearlo.
Esto se debe a que estos modelos contienen conocimientos sobre prácticamente todo el mundo, por lo que ofrecen una alta calidad y precisión en sus respuestas.
En el caso de dominios especializados, se puede utilizar la tecnología SFT(Supervised Fine-Tuning), o bien, para pequeñas cantidades de datos, un sistema RAG o la tecnología de base de datos semántica, el sistema de base de datos de inteligencia desarrollado internamente por CLEVI, para superar las desventajas de los SLM ajustados mediante fine-tuning.
Como el gobierno también conoce la importancia de estos modelos fundacionales, está brindando un amplio apoyo.
Se trata del proyecto de IA nacional. El principal objetivo de este proyecto sería garantizar la soberanía digital.
En CLEVI también conocíamos las desventajas críticas de utilizar modelos de código abierto, por lo que desarrollamos todo de manera independiente, desde la recopilación de datos hasta el diseño de la arquitectura, y entrenamos los modelos de CLEVI.
Actualmente, los modelos de CLEVI tienen un rendimiento que no se queda atrás en absoluto frente a las principales IA del mundo.
En particular, como contamos con modelos propios, CLEVI tampoco enfrenta los problemas de dependencia que pueden surgir al utilizar modelos externos.
La adopción de la IA se está convirtiendo en una necesidad, no en una opción. Sin embargo, es difícil obtener los resultados deseados simplemente incorporando la tecnología más reciente.
La verdadera innovación comienza cuando comprendemos con precisión los límites de la tecnología y establecemos la estrategia óptima para el entorno y los objetivos de nuestra organización.
CLEVI minimiza los errores y riesgos que enfrentan las empresas durante el proceso de adopción de la IA mediante capacidades tecnológicas diferenciadas, como su modelo de lenguaje de gran escala propio y su base de datos semántica.
Seguiremos escuchando las voces del campo y esforzándonos por convertirnos en un socio de IA en el que más empresas puedan confiar. Esperamos que construya el verdadero éxito de la adopción de la IA junto con CLEVI.