در تاریخ ۲۴ اکتبر، به دعوت انجمن هوشمندسازی صنعتی کره (KOIIA)، در «آکادمی پرورش استعدادهای کلیدی شرکتهای متوسط ۲۰۲۵، سمینار راهبردهای 대응 با صنایع آینده» شرکت کردیم و آقای هوانهو لی، مدیرعامل CLEVI، سخنرانی اصلی را ایراد کردند.
ما در جلسه «موارد استفاده از فناوری AI و راهبردهای عملی DX» با موضوع «موارد استفاده از Physical AI و عوامل شکست و راهبردهای بهبود در فرایند استقرار عامل RAG» شرکت کردیم.
با افزایش علاقهمندی اخیر به عاملهای AI، تعداد شرکتهایی که در نظر دارند AI را به کار بگیرند نیز در حال افزایش است. تا آنجا که میدانیم، بسیاری از سازمانها و شرکتها AI را بهصورت آزمایشی مستقر و بهرهبرداری کردهاند.
اما متأسفانه بررسیها نشان داده است که در بسیاری از شرکتها و سازمانها، ROI مورد انتظار حاصل نمیشود یا قابلیتهایی که در PoC کار میکردند، در پروژه اصلی یا محیط عملیاتی پاسخهای درست ارائه نمیدهند یا اصلاً کار نمیکنند.
به دلیل این اطلاعات، بسیاری از شرکتها از استقرار شتابزده AI پرهیز میکنند.
در این سخنرانی، آقای هوانهو لی، مدیرعامل CLEVI، محدودیتهای سیستم RAG، که یکی از عوامل اصلی شکست در استقرار شتابزده AI است، و همچنین مدلهای متنباز یا Small LLM (SLM) را بهتفصیل توضیح دادند و تشریح کردند که چرا موارد استقرار پیشین با شکست مواجه شدهاند.
در نهایت، دلیل استفاده از AI این است که انتظار داریم کار انسان را بر عهده بگیرد یا عملکردی بهتر از انسان ارائه دهد.
با این حال، کارکنان اجرایی شرکتهایی که AI را مستقر کردهاند، به دلیل نداشتن اعتماد به کیفیت پاسخهای AI، از این موضوع گلایه دارند که بررسی تکتک پاسخهای AI باعث افزایش حجم کارشان شده است.
دلیل این امر آن است که بیشتر شرکتها مدل SLM متنباز را Fine-tune کرده و بهعنوان راهکار استفاده میکنند.
از نظر شهودی، تصور میکنیم که اگر AI آموزش جدیدی ببیند، هوشمندتر میشود؛ اما آموزش دانش جدید به AI، برعکس، باعث از دست رفتن خاطرات قبلی، یعنی وزنهای پارامتری تصادفی، میشود.
مشکل جدیتر این است که هیچکس نمیداند چه اطلاعات یا دانشی از دست رفته است.
از آنجا که پذیرش هوش مصنوعی به منابع کمی نیاز ندارد، احتمالاً از مرحله PoC اعتبارسنجیهای زیادی انجام دادهاید.
چرا در آن زمان چنین مشکلی 나타되지 않았을까요? دلیل آن، البته، این است که مدل با اطلاعات هدف بازآموزی شده بود.
وقتی به هوش مصنوعیای که فقط اعداد را میشناخت، الفبا را آموزش دادیم و پس از آن فقط درباره الفبا سؤال پرسیدیم، طبیعی است که پاسخهای خوبی ارائه دهد. اما آیا در محیطهای واقعی فقط به مدلهایی تخصصیشده برای چنین حوزههای خاصی نیاز داریم؟
محیطهای کاری ما هر روز با محیطها و دادههای جدید مواجه میشوند. اما هوش مصنوعیای که در حین یادگیری، دانشهای قبلی را بهصورت تصادفی از بین میبرد، نهتنها قابلیت استفاده عمومی، بلکه دقت را نیز تضمین نمیکند.
بنابراین، داشتن یک مدل زبانی بزرگ From-scratch Foundation یا فناوری لازم برای ساخت چنین مدلی ضروری است.
زیرا این مدلها تقریباً تمام دانش موجود در جهان را در اختیار دارند و به همین دلیل، نهتنها کیفیت پاسخهایشان، بلکه دقتشان نیز بالاست.
در حوزههای تخصصی، میتوان با استفاده از فناوری SFT(Supervised Fine-Tuning)، یا برای دادههای کمحجم با استفاده از سیستم RAG یا فناوری پایگاهداده معنایی، یعنی سیستم پایگاهداده هوشمندی که توسط CLEVI توسعه داده شده است، بر نقاط ضعف SLM فاینتیونشده غلبه کرد.
دولت نیز از اهمیت این مدلهای پایه آگاه است و به همین دلیل حمایتهای گستردهای ارائه میکند.
این همان پروژه هوش مصنوعی ملی است. بزرگترین هدف این پروژه، احتمالاً 확보 حاکمیت دیجیتال است.
ما در CLEVI نیز از نقاط ضعف致命ی استفاده از مدلهای متنباز آگاه بودیم؛ بنابراین، از جمعآوری داده گرفته تا طراحی معماری، مدلهای CLEVI را بهصورت مستقل توسعه داده و آموزش دادیم.
مدلهای CLEVI در حال حاضر عملکردی دارند که حتی در رقابت با برترین هوشهای مصنوعی جهان نیز بههیچوجه عقب نمیمانند.
بهویژه از آنجا که مدلهای اختصاصی خود را در اختیار داریم، CLEVI با مشکل وابستگیای که ممکن است هنگام استفاده از مدلهای خارجی ایجاد شود، مواجه نیست.
اکنون پذیرش هوش مصنوعی از یک انتخاب به یک ضرورت تبدیل میشود. اما صرفاً با بهکارگیری جدیدترین فناوریها، دستیابی به نتایج موردنظر دشوار است.
نوآوری واقعی زمانی آغاز میشود که محدودیتهای فناوری را بهدرستی درک کنیم و راهبردی بهینه متناسب با محیط و اهداف سازمان خود تدوین کنیم.
CLEVI با بهرهگیری از توانمندیهای فناورانه متمایزی مانند مدل زبانی بزرگ اختصاصی و پایگاهداده معنایی، خطاهای آزمونوخطا و ریسکهایی را که شرکتها در فرایند پذیرش هوش مصنوعی با آنها مواجه میشوند، به حداقل میرساند.
ما همچنان به صدای فعالان عرصههای مختلف گوش خواهیم سپرد و تمام تلاش خود را به کار خواهیم گرفت تا به شریک هوش مصنوعی قابلاعتماد برای شرکتهای بیشتری تبدیل شویم. امیدواریم موفقیت واقعی در پیادهسازی هوش مصنوعی را همراه با CLEVI رقم بزنید.