El pasado 24 de octubre, por invitación de la Asociación Coreana de Inteligencia Industrial (KOIIA), participamos en el «Seminario sobre estrategias para responder a las industrias del futuro, Academia 2025 para la formación de talentos clave de empresas medianas», donde el CEO 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, factores de fracaso durante la implementación de agentes RAG y estrategias de mejora».
A medida que ha aumentado recientemente el interés por los agentes de IA, también está creciendo el número de empresas que consideran introducir diversas soluciones de IA. Sabemos que muchas instituciones y empresas ya han implementado la IA de forma piloto y la están operando.
Sin embargo, lamentablemente, se ha constatado que en muchas empresas e instituciones no se obtiene el ROI esperado, o que funciones que funcionaban en la PoC no ofrecen respuestas adecuadas o no funcionan correctamente en el proyecto principal o en el entorno operativo.
Debido a esta información, muchas empresas dudan en introducir la IA de forma precipitada.
En esta conferencia, el CEO de CLEVI, Lee Hwan-ho, explicó en detalle 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 small LLM (SLM), explicando 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 muestre un rendimiento superior al humano.
Sin embargo, como los profesionales de las empresas que han implementado la IA actualmente no confían en la calidad de sus respuestas, han surgido quejas de que su carga de trabajo está aumentando, ya que 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, pensamos que la IA se volverá más inteligente al adquirir nuevos conocimientos, pero, por el contrario, cuando aprende nuevos conocimientos, pierde recuerdos anteriores, 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 la adopción de la IA no es una tarea que requiera pocos recursos, seguramente realizaron muchas validaciones desde la etapa de PoC.
¿Por qué no aparecieron esos problemas en ese momento? Naturalmente, se debe a que se volvió a entrenar con información objetivo.
Al enseñar el alfabeto a una IA que solo conocía los números y plantearle después únicamente problemas relacionados con el alfabeto, es lógico que respondiera bien. Sin embargo, en el entorno real, ¿solo necesitamos modelos especializados en dominios específicos como este?
En nuestro entorno, nos enfrentamos cada día a nuevos entornos y nuevos datos. Sin embargo, una IA entrenada mientras destruye aleatoriamente los conocimientos existentes no puede garantizar ni la versatilidad ni la precisión.
Por lo tanto, es necesario disponer de un modelo de lenguaje de gran escala From-scratch Foundation o de la tecnología necesaria para crearlo.
Esto se debe a que estos modelos poseen prácticamente todo el conocimiento del mundo, por lo que ofrecen no solo una alta calidad de respuesta, sino también una gran precisión.
En el caso de dominios especializados, es posible superar las desventajas de un SLM ajustado mediante la tecnología SFT (Supervised Fine-Tuning) o, para pequeñas cantidades de datos, mediante un sistema RAG o la tecnología de base de datos semántica, el sistema de base de datos de inteligencia desarrollado internamente por CLEVI.
Dado que el Gobierno también conoce la importancia de estos modelos fundacionales, está proporcionando un amplio apoyo.
Se trata del proyecto National Representative AI. El principal objetivo de este proyecto probablemente sea garantizar la soberanía digital.
En CLEVI también conocíamos las graves desventajas de utilizar modelos de código abierto, por lo que desarrollamos de forma independiente todo el proceso, desde la recopilación de datos hasta el diseño de la arquitectura, y entrenamos los modelos de CLEVI.
Actualmente, los modelos de CLEVI ofrecen un rendimiento que no queda en absoluto por detrás incluso al competir con las principales IA del mundo.
En particular, al disponer de modelos propios, CLEVI tampoco se ve afectada por 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 adoptando las tecnologías más recientes.
La verdadera innovación comienza cuando comprendemos con precisión los límites de la tecnología y establecemos la estrategia óptima acorde con el entorno y los objetivos de nuestra organización.
Con capacidades tecnológicas diferenciadas, como sus propios modelos de lenguaje de gran escala y bases de datos semánticas, CLEVI minimiza los errores y riesgos que las empresas afrontan durante el proceso de adopción de la IA.
Seguiremos escuchando las voces del terreno y esforzándonos al máximo para convertirnos en un socio de IA en quien más empresas puedan confiar. Esperamos que construya el verdadero éxito de la adopción de la IA junto con CLEVI.