Urriaren 24an, Koreako Industria Adimenduntzearen Elkarteak (KOIIA) gonbidatuta, «2025eko enpresa ertainen eta handien funtsezko talentua garatzeko akademia, etorkizuneko industriei erantzuteko estrategia-mintegia» ekitaldian parte hartu zuen CLEVIko ordezkari nagusi Lee Hwan-hok, eta hitzaldi nagusia eman zuen.
«AI teknologiaren adopzio-kasuak eta DXren estrategia praktikoak» saioan parte hartu genuen, «Physical AIren erabilera-kasuak eta RAG agenteak ezartzeko prozesuko porrot-faktoreak eta hobetzeko estrategiak» gaiari buruz.
Azkenaldian AI agenteekiko interesa handitu denez, gero eta enpresa gehiagok aztertzen du AI ugari ezartzeko aukera. Badakigunez, erakunde eta enpresa askok dagoeneko proban ezarri eta erabiltzen dute AI.
Hala ere, ikerketen arabera, zoritxarrez, enpresa eta erakunde askotan espero zen ROIa ez da lortzen; edo PoC-an funtzionatzen zuten funtzioek ez dute behar bezala erantzuten edo ez dute funtzionatzen benetako proiektuan edo lantokian.
Informazio horren ondorioz, enpresa askok ez dute AI presaka ezarri nahi.
Hitzaldi honetan, CLEVIko ordezkari nagusi Lee Hwan-hok xehetasunez azaldu zituen RAG sistemen mugak —AI presaka ezartzearen porrotaren arrazoi nagusietako bat— eta kode irekiko ereduei edo Small LLM (SLM) ereduei buruzkoak, eta azaldu zuen zergatik egin zuten porrot aurreko adopzio-kasuek.
Azken batean, AI erabiltzeko arrazoia da pertsonen lana ordezkatzea edo pertsonek baino errendimendu hobea erakustea espero delako.
AI ezarri duten enpresetako profesionalek ez dute AIren erantzunen kalitatean konfiantzarik; ondorioz, AIren erantzunak banan-banan egiaztatu behar dituztenez, kexak gero eta ugariagoak dira, lana areagotu egin zaielako.
Arrazoia da enpresa gehienek kode irekiko SLM ereduak fine-tuning bidez doitzen dituztela eta soluzio gisa erabiltzen dituztela.
Intuizioz, AIak ikaskuntza berria jasotzen duenean adimentsuagoa izango dela pentsatzen dugu; baina, aitzitik, AIari ezagutza berria irakasten zaionean, iraganeko oroitzapenak, hau da, parametroen ausazko pisuak, galtzen ditu.
Arazo are larriagoa da inork ez jakitea zer informazio edo ezagutza galdu den.
AIa ezartzea baliabide txikiak eskatzen dituen kontua ez denez, ziurrenik egiaztapen ugari egin zenituzten PoCaren fasetik bertatik.
Zergatik ez zen arazo hori agertu une hartan? Jakina, xede-informazioarekin berriro entrenatu zelako.
Zenbakiak soilik ezagutzen zituen AIari alfabetoa irakatsi genion, eta, ondoren, alfabetoari buruzko galderak baino egin ez genizkionez, normala da erantzun onak ematea. Baina lantokian, beharrezkoa al da hain domeinu zehatz batean espezializatutako eredu bat soilik izatea?
Gure lantokiak ingurune eta datu berriei egin behar die aurre egunero. Hala ere, aurretik zuen ezagutza ausaz suntsituz entrenatutako AIk ezin ditu ez erabilera orokorra ez zehaztasuna bermatu.
Horregatik, From-scratch Foundation eredu handi bat eduki behar da, edo eredu hori sortzeko teknologia behar da.
Eredu horiek munduko ezagutza ia guztia dutenez, erantzunen kalitatea ez ezik, zehaztasuna ere handia da.
Domeinu espezializatuetan, SFT (Supervised Fine-Tuning) teknologia erabil daiteke; datu-kantitate txikien kasuan, berriz, RAG sistema edo CLEVIk berak garatutako adimen-datu-baseko sistema, Semantic Database teknologia, erabiliz gero, doikuntza finaz egindako SLMen desabantailak gaindi daitezke.
Gobernuak ere oinarrizko eredu horien garrantzia ezagutzen duenez, laguntza handia eskaintzen ari da.
Hori da, hain zuzen, National Representative AI proiektua. Proiektu honen helburu nagusia subiranotasun digitala bermatzea izango da.
CLEVIk ere bazekien kode irekiko ereduak erabiltzeak zekarren desabantaila larriaz; horregatik, datu-bilketatik arkitekturaren diseinura arte dena modu independentean garatu, eta CLEVIren ereduak entrenatu zituen.
Gaur egun, CLEVIren ereduek munduko punta-puntako AIekin lehiatzeko adinako errendimendua dute, eta ez dira batere atzean geratzen.
Bereziki, berezko ereduak dituenez, CLEVIri ez dagokio kanpoko ereduak erabiltzean sor daitekeen mendekotasun-arazoa.
AIa ezartzea aukera izatetik ezinbestekoa izatera igarotzen ari da. Hala ere, zaila da nahi diren emaitzak lortzea azken teknologia ezartze hutsarekin.
Benetako berrikuntza teknologiaren mugak zehatz-mehatz ulertzen direnean eta gure erakundearen ingurune eta helburuekin bat datorren estrategia optimoa ezartzen denean hasten da.
CLEVIk, berezko eredu linguistiko handi bat eta Semantic Database bezalako teknologia bereizgarrien bidez, enpresek AIa ezartzeko prozesuan izaten dituzten saiakuntza eta erroreak eta arriskuak minimizatzen ditu.
Aurrerantzean ere, tokian tokiko ahotsak entzuten jarraituko dugu, eta ahalegin guztia egingo dugu enpresa gehiagorentzat konfiantzazko AI bazkide izateko. AIa ezartzearen benetako arrakasta CLEVIrekin batera eraikitzea espero dugu.