Le 24 octobre dernier, à l’invitation de l’Association coréenne de l’intelligence industrielle (KOIIA), le PDG de Clevi, Lee Hwan-ho, a prononcé un discours liminaire lors de l’« Académie 2025 de développement des talents clés des entreprises de taille intermédiaire, Séminaire sur les stratégies pour faire face aux industries du futur ».
Nous avons participé à la session « Cas d’utilisation des technologies d’IA et stratégies pratiques de transformation numérique (DX) » 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 nombreuses institutions et entreprises ont introduit l’IA à titre expérimental et l’utilisent dans leurs opérations.
Cependant, il ressort des études que, malheureusement, de nombreuses entreprises et institutions n’obtiennent pas le ROI escompté, ou que des fonctionnalités qui fonctionnaient lors de la PoC ne fournissent pas de réponses adéquates ou ne fonctionnent pas correctement 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 PDG de Clevi, Lee Hwan-ho, a expliqué en détail les limites des systèmes RAG, l’une des principales causes d’échec des déploiements précipités de l’IA, ainsi que les modèles open source et les petits LLM (SLM), afin d’expliquer pourquoi les précédentes initiatives de déploiement avaient échoué.
En fin de compte, si nous utilisons l’IA, c’est parce que nous espérons qu’elle remplacera le travail humain ou qu’elle offrira de meilleures performances que les humains.
Les équipes opérationnelles des entreprises qui ont actuellement adopté l’IA ne font pas confiance à la qualité des réponses fournies par celle-ci. Elles se plaignent donc que leur charge de travail augmente, car elles doivent vérifier une à une les réponses de l’IA.
La raison réside dans le fait que la plupart des entreprises utilisent des modèles SLM open source affinés comme solutions.
Intuitivement, on pourrait penser que l’IA deviendra plus intelligente en acquérant de nouveaux apprentissages. Pourtant, lorsque l’on fait apprendre de nouvelles connaissances à l’IA, elle perd au contraire ses souvenirs passés, 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 n’est pas une démarche nécessitant peu de 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 ? Tout simplement parce que l’IA avait été réentraînée avec des informations cibles.
Vous avez appris l’alphabet à une IA qui ne connaissait que les chiffres, puis vous ne lui avez posé que des questions portant sur l’alphabet ; il est donc naturel qu’elle y réponde correctement. Mais sur le terrain, avons-nous réellement besoin uniquement de modèles spécialisés dans un domaine spécifique ?
Sur le terrain, nous sommes chaque jour confrontés à de nouveaux environnements et à de nouvelles données. Pourtant, une IA entraînée en détruisant aléatoirement les connaissances existantes ne peut garantir ni la polyvalence ni même la précision.
Il est donc nécessaire de disposer d’un modèle de langage géant de fondation From-scratch, ou de la technologie permettant de créer un tel modèle.
Comme ces modèles possèdent presque toutes les connaissances du monde, ils offrent non seulement une meilleure qualité de réponse, mais aussi une plus grande précision.
Pour les domaines spécialisés, il est possible d’utiliser 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 en interne par Clevi, afin de surmonter les limites d’un SLM affiné.
Le gouvernement étant lui aussi conscient de l’importance de ces modèles de fondation, il apporte un soutien considérable.
Il s’agit précisément du projet National AI. Le principal objectif de ce projet est sans doute 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 nos modèles de manière indépendante, de la collecte des données à la conception de l’architecture, puis nous les avons entraînés.
Aujourd’hui, les modèles de Clevi affichent des performances qui ne sont absolument pas en reste, même lorsqu’ils sont comparés aux meilleures IA au monde.
En particulier, puisque nous possédons nos propres modèles, Clevi n’est pas concerné 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. Cependant, il est difficile d’obtenir les résultats souhaités en se contentant d’adopter les dernières technologies.
La véritable innovation ne commence que lorsque l’on comprend précisément les limites de la technologie et que l’on élabore une stratégie optimale adaptée à l’environnement et aux objectifs de notre organisation.
Grâce à ses technologies différenciantes, telles que son propre modèle de langage géant et sa base de données sémantique, Clevi minimise les tâtonnements et les risques auxquels les entreprises sont confrontées lors de l’adoption de l’IA.
À l'avenir également, nous continuerons d'écouter attentivement les voix du terrain et ferons tout notre possible pour devenir un partenaire en IA digne de confiance pour un plus grand nombre d'entreprises. Nous vous invitons à bâtir, avec Clevi, une véritable réussite de l'adoption de l'IA.