Le 24 octobre dernier, à l’invitation de l’Association coréenne de l’intelligence industrielle (KOIIA), le chef de la direction de Clevi, Lee Hwan-ho, a participé au « Programme de développement des talents clés des entreprises de taille intermédiaire 2025 – Séminaire sur les stratégies pour faire face aux industries de l’avenir », où il a prononcé le discours-programme.
Nous avons participé à la séance « Cas d’utilisation des technologies d’IA et stratégies pratiques de transformation numérique » sur le thème « Cas d’utilisation de l’IA physique, facteurs d’échec et stratégies d’amélioration lors de l’introduction d’agents RAG ».
Alors que l’intérêt pour les agents d’IA augmente récemment, de plus en plus d’entreprises envisagent également d’adopter de nombreuses solutions d’IA. Nous savons déjà que de nombreux organismes et entreprises ont mis en place des projets pilotes d’IA et les exploitent.
Malheureusement, des études montrent que, dans de nombreuses entreprises et institutions, le ROI souhaité n’est pas atteint ou que des fonctionnalités qui fonctionnaient dans le cadre d’une PoC ne fournissent pas de réponses adéquates ou ne fonctionnent tout simplement pas dans le cadre du projet principal ou sur le terrain.
En raison de ces informations, de nombreuses entreprises hésitent à adopter l’IA de manière précipitée.
Lors de cette conférence, le chef de la direction de Clevi, Lee Hwan-ho, a expliqué en détail les limites des systèmes RAG, l’une des principales causes d’échec d’une adoption précipitée de l’IA, ainsi que les modèles open source et les petits LLM (SLM), afin d’expliquer pourquoi les précédentes initiatives d’adoption ont échoué.
En fin de compte, la raison d’utiliser l’IA est de lui faire accomplir le travail des personnes ou de s’attendre à ce qu’elle offre de meilleures performances que les personnes.
Les équipes opérationnelles des entreprises qui ont adopté l’IA constatent actuellement que leur charge de travail augmente plutôt, car elles n’ont pas confiance dans la qualité des réponses de l’IA et doivent donc vérifier chaque réponse une par une.
La raison tient au fait que la plupart des entreprises utilisent des modèles SLM open source ajustés avec précision comme solutions.
Intuitivement, on pourrait penser que l’IA deviendra plus intelligente si elle acquiert de nouveaux apprentissages, mais lorsque l’on lui fait apprendre de nouvelles connaissances, elle perd plutôt ses souvenirs antérieurs, c’est-à-dire certains poids de paramètres arbitraires.
Le problème le plus grave est que personne ne sait quelles informations ou connaissances ont été perdues.
Comme l’adoption de l’IA ne se fait pas sans mobiliser d’importantes ressources, vous avez probablement effectué de nombreuses validations dès la phase de PoC.
Pourquoi ces problèmes ne sont-ils pas apparus à ce moment-là? C’est bien sûr parce que le modèle avait été réentraîné avec des informations ciblées.
Vous avez appris l’alphabet à une IA qui ne connaissait que les chiffres, puis vous lui avez posé uniquement des questions sur l’alphabet; il est donc normal qu’elle fournisse de bonnes réponses. Mais sur le terrain, avons-nous réellement besoin uniquement de modèles spécialisés dans un domaine précis?
Sur le terrain, nous sommes confrontés chaque jour à de nouveaux environnements et à de nouvelles données. Cependant, une IA entraînée en détruisant aléatoirement ses connaissances existantes ne peut garantir ni sa polyvalence ni sa précision.
Il est donc nécessaire de disposer d’un modèle de langage géant From-scratch Foundation ou de la technologie permettant de créer un tel modèle.
Comme ces modèles possèdent presque toutes les connaissances du monde, ils offrent une qualité et une précision élevées dans leurs réponses.
Pour les domaines spécialisés, il est possible de surmonter les limites des SLM ajustés en utilisant une technologie appelée SFT(Supervised Fine-Tuning), ou, pour de petites quantités de données, un système RAG ou la technologie de base de données sémantique, le système de base de données d’intelligence développé par CLEVI.
Le gouvernement étant lui aussi conscient de l’importance de ces modèles de fondation, il leur accorde un soutien important.
Il s’agit du projet 국가대표AI. Le principal objectif de ce projet est probablement d’assurer la souveraineté numérique.
Chez CLEVI, nous connaissions également les inconvénients critiques liés à l’utilisation de modèles open source. Nous avons donc développé indépendamment tous les éléments, de la collecte des données à la conception de l’architecture, afin d’entraîner les modèles de CLEVI.
Les modèles de CLEVI offrent actuellement des performances qui ne sont aucunement inférieures à celles des principales IA du monde, même lorsqu’ils leur font concurrence.
En particulier, comme nous possédons nos propres modèles, CLEVI n’est pas concernée par les problèmes de dépendance susceptibles de survenir lors de l’utilisation de modèles externes.
L’adoption de l’IA devient désormais une nécessité plutôt qu’un choix. Toutefois, il est difficile d’obtenir les résultats souhaités en se contentant d’adopter les dernières technologies.
La véritable innovation ne commence que lorsque nous comprenons précisément les limites de la technologie et établissons la stratégie optimale adaptée à l’environnement et aux objectifs de notre organisation.
Grâce à ses technologies différenciatrices, notamment son propre modèle de langage géant et sa base de données sémantique, CLEVI réduit au minimum les essais et erreurs ainsi que les risques auxquels les entreprises sont confrontées lors de l’adoption de l’IA.
Nous continuerons d’être à l’écoute des voix sur le terrain et de faire de notre mieux pour devenir un partenaire d’IA digne de confiance pour un nombre toujours plus grand d’entreprises. Nous espérons que vous contribuerez à créer, avec CLEVI, une véritable réussite de l’adoption de l’IA.