Noong Oktubre 24, sa imbitasyon ng Korean Association of Industrial Intelligence (KOIIA), nakilahok si Clevi CEO Lee Hwan-ho sa “2025 Academy para sa Pagpapaunlad ng mga Pangunahing Talento ng mga Katamtaman at Malalaking Kumpanya, Seminar sa Estratehiya sa Pagtugon sa mga Industriya ng Hinaharap” at nagbigay ng pangunahing talumpati.
Nakilahok kami sa sesyong “Mga Kaso ng Pagpapatupad ng Teknolohiyang AI at Praktikal na Estratehiya sa DX” sa paksang “Mga Kaso ng Paggamit ng Physical AI, Mga Salik ng Pagkabigo sa Proseso ng Pagpapatupad ng RAG Agent, at mga Estratehiya sa Pagpapahusay.”
Dahil kamakailan ay tumataas ang interes sa mga AI agent, dumarami rin ang mga kumpanyang isinasaalang-alang ang pagpapatupad ng AI. Nauunawaan namin na maraming institusyon at kumpanya ang nagsasagawa na ng pilot implementation at operasyon ng AI.
Gayunman, sa kasamaang-palad, ipinakita ng mga pag-aaral na sa maraming kumpanya at institusyon, hindi nakakamit ang inaasahang ROI, o kaya naman ay hindi nakapagbibigay ng wastong sagot o hindi gumagana sa aktuwal na proyekto o lugar ng operasyon ang mga feature na gumana sa PoC.
Dahil sa mga impormasyong ito, nag-aatubili ang maraming kumpanya na magpatupad ng AI nang madalian.
Sa lektyur na ito, ipinaliwanag nang detalyado ni Clevi CEO Lee Hwan-ho ang mga limitasyon ng RAG system, na isang pangunahing sanhi ng pagkabigo ng mga madaliang pagpapatupad ng AI, pati na rin ang mga open-source model at small LLM (SLM), at ipinaliwanag kung bakit nabigo ang mga naunang kaso ng pagpapatupad.
Sa huli, ginagamit ang AI dahil inaasahang gagawin nito ang trabaho ng tao o magpapakita ito ng mas mahusay na performance kaysa sa tao.
Dahil hindi nagtitiwala sa kalidad ng mga sagot ng AI ang mga practitioner sa mga kumpanyang nagpatupad ng AI, dumarami ang reklamo na sa halip ay nadaragdagan ang kanilang trabaho dahil kailangan nilang suriin nang paisa-isa ang mga sagot ng AI.
Nagmumula ito sa katotohanang ginagamit ng karamihan sa mga kumpanya ang mga open-source SLM model bilang solusyon matapos itong i-fine-tune.
Sa unang tingin, maiisip na magiging mas matalino ang AI kapag natuto ito ng bagong bagay, ngunit kapag tinuruan ang AI ng bagong kaalaman, nawawala naman nito ang mga alaala mula sa nakaraan, ibig sabihin, ang mga arbitraryong parameter weight.
Mas seryosong problema na walang nakaaalam kung anong impormasyon o kaalaman ang nawala.
Dahil hindi maliit na resource ang kailangan sa pag-adopt ng AI, malamang ay nagsagawa na kayo ng maraming validation mula pa sa PoC.
Bakit hindi lumitaw ang ganoong problema sa pagkakataong ito? Siyempre, dahil muling sinanay ang modelo gamit ang target na impormasyon.
Kung tuturuan ang AI na mga numero lamang ang alam tungkol sa alpabeto, at pagkatapos ay mga tanong lamang tungkol sa alpabeto ang ibibigay, natural lamang na mahusay itong sumagot. Ngunit sa aktuwal na field, kailangan ba talaga natin ng mga modelong espesyalisado lamang sa partikular na domain?
Araw-araw, humaharap ang ating field sa mga bagong kapaligiran at bagong data. Ngunit ang AI na sinanay habang random na winawasak ang dati nitong kaalaman ay hindi makagagarantiya ng general-purpose na gamit, pati na rin ng katumpakan.
Samakatuwid, kinakailangan na magkaroon ng From-scratch Foundation na large language model, o ng teknolohiyang kayang lumikha ng ganitong modelo.
Dahil taglay ng mga modelong ito ang halos lahat ng kaalaman sa mundo, mataas ang kalidad at katumpakan ng kanilang mga sagot.
Para sa espesyalisadong domain, maaaring gamitin ang teknolohiyang tinatawag na SFT(Supervised Fine-Tuning), o kung maliit lamang ang dami ng data, maaaring gamitin ang RAG system o ang Semantic Database technology, ang intelligence database system na sariling binuo ng CLEVI, upang malampasan ang mga limitasyon ng fine-tuned SLM.
Dahil alam din ng pamahalaan ang kahalagahan ng mga foundation model na ito, hindi nito tinitipid ang suporta para sa mga ito.
Ito ang National Representative AI Project. Ang pinakamalaking layunin ng proyektong ito ay malamang na ang pagtiyak sa digital sovereignty.
Alam din ng CLEVI ang kritikal na mga limitasyong dulot ng paggamit ng open-source model, kaya independiyente naming binuo ang mga modelo ng CLEVI, mula sa pangangalap ng data hanggang sa pagdidisenyo ng architecture.
Sa kasalukuyan, ang mga modelo ng CLEVI ay may performance na hindi nahuhuli kahit ihambing sa mga nangungunang AI sa mundo.
Higit sa lahat, dahil nagmamay-ari kami ng sarili naming modelo, hindi naaapektuhan ang CLEVI ng mga isyu sa dependency na maaaring lumitaw kapag gumagamit ng external model.
Ang pag-adopt ng AI ay nagiging pangangailangan na, hindi na lamang isang opsyon. Gayunpaman, mahirap makamit ang ninanais na resulta sa simpleng pag-adopt lamang ng pinakabagong teknolohiya.
Nagsisimula lamang ang tunay na inobasyon kapag lubos nating nauunawaan ang mga limitasyon ng teknolohiya at nakabubuo tayo ng pinakamainam na estratehiyang naaayon sa kapaligiran at mga layunin ng ating organisasyon.
Sa pamamagitan ng natatanging teknolohiya tulad ng sarili nitong large language model at Semantic Database, pinapaliit ng CLEVI ang trial and error at mga panganib na nararanasan ng mga negosyo sa proseso ng pag-adopt ng AI.
Patuloy naming pakikinggan ang tinig ng mga nasa aktuwal na larangan at gagawin ang aming makakaya upang maging isang mapagkakatiwalaang AI partner para sa mas maraming kumpanya. Nawa'y makamit ninyo ang tunay na tagumpay sa paggamit ng AI kasama ang CLEVI.