Viime 24. lokakuuta Korean Industrial Intelligence Associationin (KOIIA) kutsusta Clevin toimitusjohtaja Lee Hwan-ho osallistui ”2025:n keskisuurten yritysten avainhenkilöiden kehitysakatemiaan, tulevaisuuden teollisuuteen varautumisen strategiaseminaariin” ja piti pääpuheenvuoron.
Osallistuimme ”AI-teknologian käyttöönottotapaukset ja DX:n käytännön strategiat” -sessioon aiheella ”Physical AI:n käyttötapaukset sekä RAG-agenttien käyttöönottoprosessin epäonnistumistekijät ja parannusstrategiat”.
Kiinnostus AI-agentteja kohtaan on viime aikoina kasvanut, ja yhä useammat yritykset harkitsevat AI:n käyttöönottoa. Tietojemme mukaan monet organisaatiot ja yritykset ovat jo ottaneet AI:n kokeilukäyttöön ja hyödyntävät sitä toiminnassaan.
Valitettavasti tutkimusten mukaan monissa yrityksissä ja organisaatioissa ei saavuteta toivottua ROI:ta, tai PoC-vaiheessa toimineet ominaisuudet eivät varsinaisessa tuotantokäytössä tai työpaikalla tuota asianmukaisia vastauksia tai toimi lainkaan.
Näiden tietojen vuoksi monet yritykset suhtautuvat varauksella AI:n hätiköityyn käyttöönottoon.
Tässä luennossa Clevin toimitusjohtaja Lee Hwan-ho selitti yksityiskohtaisesti RAG-järjestelmien rajoituksia, jotka ovat yksi AI:n hätiköidyn käyttöönoton keskeisistä epäonnistumisen syistä, sekä avoimen lähdekoodin malleja ja pieniä LLM-malleja (SLM), ja kertoi, miksi aiemmat käyttöönottotapaukset epäonnistuivat.
Loppujen lopuksi AI:n hyödyntämisen tarkoituksena on korvata ihmisten tekemää työtä tai saavuttaa ihmistä parempi suorituskyky.
AI:n käyttöön ottaneiden yritysten työntekijät eivät kuitenkaan luota AI:n vastausten laatuun, joten he joutuvat tarkistamaan jokaisen AI:n antaman vastauksen erikseen. Tämän vuoksi on syntynyt valituksia siitä, että työmäärä on päinvastoin kasvanut.
Syynä on se, että useimmat yritykset hienosäätävät avoimen lähdekoodin SLM-malleja ja käyttävät niitä ratkaisuina.
Intuitiivisesti ajatellen voisi kuvitella, että AI muuttuu älykkäämmäksi oppiessaan uutta, mutta kun AI:lle opetetaan uutta tietoa, se menettää pikemminkin aiemmat muistonsa eli satunnaiset parametripainonsa.
Vielä vakavampi ongelma on se, ettei kukaan tiedä, mitä tietoja tai osaamista on menetetty.
Koska tekoälyn käyttöönotto ei ole pieniä resursseja vaativa hanke, olette todennäköisesti tehneet paljon validointeja jo PoC-vaiheesta lähtien.
Miksi tällaisia ongelmia ei ilmennyt tuolloin? Syynä on tietenkin se, että malli koulutettiin uudelleen kohdetietojen avulla.
Opetitte vain numeroita tunteneelle tekoälylle aakkoset ja esititte sen jälkeen sille pelkästään aakkosiin liittyviä kysymyksiä, joten on luonnollista, että se vastasi hyvin. Mutta tarvitsemmeko käytännössä vain tiettyyn toimialaan erikoistuneita malleja?
Toimintaympäristömme joutuvat kohtaamaan joka päivä uusia ympäristöjä ja uutta dataa. Satunnaisesti aiempaa tietoa tuhoamalla koulutettu tekoäly ei kuitenkaan pysty takaamaan yleiskäyttöisyyttä eikä tarkkuutta.
Siksi tarvitaan From-scratch Foundation -perusmalli tai teknologia, jolla tällainen malli voidaan luoda.
Koska tällaisilla malleilla on hallussaan lähes kaikki maailman tieto, ne tarjoavat sekä korkealaatuisia että tarkkoja vastauksia.
Erikoistuneilla toimialoilla SFT(Supervised Fine-Tuning) -tekniikan käyttö tai pienen datamäärän tapauksessa RAG-järjestelmän taikka CLEVI:n itsenäisesti kehittämän älykkyystietokantajärjestelmän, semanttisen tietokannan, käyttö voi auttaa voittamaan hienosäädettyjen SLM-mallien heikkoudet.
Koska hallituskin ymmärtää tällaisten perusmallien merkityksen, se tarjoaa niille runsaasti tukea.
Kyseessä on National Representative AI -projekti. Tämän projektin tärkeimpänä tavoitteena on todennäköisesti digitaalisen suvereniteetin varmistaminen.
Myös CLEVI tiesi avoimen lähdekoodin mallien käytön vakavista heikkouksista, joten koulutimme CLEVI:n mallit itse kehittämällä kaiken datan keruusta arkkitehtuurin suunnitteluun.
CLEVI:n malleilla on tällä hetkellä suorituskyky, joka ei jää lainkaan jälkeen maailman johtavista tekoälyistä, vaikka niitä verrattaisiin keskenään.
Koska meillä on erityisesti omat mallimme, CLEVI ei myöskään kohtaa riippuvuusongelmia, joita ulkoisten mallien käyttö voi aiheuttaa.
Tekoälyn käyttöönotosta on nyt tulossa vaihtoehdon sijaan välttämättömyys. Pelkästään uusimman teknologian käyttöönotolla on kuitenkin vaikea saavuttaa haluttuja tuloksia.
Aito innovaatio alkaa vasta, kun ymmärrämme tarkasti teknologian rajoitukset ja laadimme organisaatiomme toimintaympäristöön ja tavoitteisiin sopivan optimaalisen strategian.
Erottuvan teknologisen osaamisensa, kuten oman erittäin suuren kielimallinsa ja semanttisen tietokantansa, ansiosta CLEVI minimoi yritysten tekoälyn käyttöönottoprosessissa kohtaamat kokeilut, erehdykset ja riskit.
Kuuntelemme jatkossakin tarkasti kentän ääntä ja teemme parhaamme, jotta voimme olla luotettava AI-kumppani yhä useammalle yritykselle. Rakennetaan yhdessä CLEVI:n kanssa AI:n käyttöönoton todellinen menestys.