O pasado 24 de outubro, por invitación da Asociación Coreana para a Intelixencia Industrial (KOIIA), participamos na «Academia de formación de talentos clave para empresas medianas de 2025, Seminario sobre estratexias para responder á industria do futuro», no que o CEO de CLEVI, Lee Hwan-ho, pronunciou o discurso inaugural.
Participamos na sesión «Casos de adopción de tecnoloxías de IA e estratexias prácticas de DX» co tema «Casos de uso da Physical AI, factores de fracaso no proceso de adopción de axentes RAG e estratexias de mellora».
A medida que medra o interese polos axentes de IA, tamén aumenta o número de empresas que consideran adoptar diversas solucións de IA. Temos entendido que moitas institucións e empresas xa están a introducir a IA de forma piloto e a poñela en funcionamento.
Non obstante, por desgraza, as investigacións indican que en moitas empresas e institucións non se obtén o ROI esperado, ou que funcións que funcionaban durante o PoC non ofrecen respostas adecuadas nin funcionan correctamente no proxecto principal ou no lugar de traballo.
Debido a esta información, moitas empresas están a dubidar á hora de adoptar a IA precipitadamente.
Nesta conferencia, o CEO de CLEVI, Lee Hwan-ho, explicou en detalle as limitacións dos sistemas RAG, unha das principais causas do fracaso dunha adopción precipitada da IA, así como os modelos de código aberto e os modelos SLM pequenos, e explicou por que fracasaran os casos de adopción anteriores.
En definitiva, a razón para utilizar a IA é esperar que substitúa o traballo das persoas ou que ofreza un rendemento superior ao das persoas.
Como os profesionais das empresas que adoptaron a IA actualmente non confían na calidade das respostas da IA, están a xurdir queixas de que a súa carga de traballo aumentou, xa que teñen que comprobar unha por unha as respostas da IA.
A razón reside en que a maioría das empresas empregan como solución modelos SLM de código aberto afinados mediante fine-tuning.
Intuitivamente, pensamos que a IA será máis intelixente se aprende algo novo, pero, pola contra, cando a IA aprende novos coñecementos, perde os recordos anteriores, é dicir, os pesos dos parámetros arbitrarios.
O problema aínda máis grave é que ninguén chega a saber que información ou coñecementos se perderon.
A adopción da IA non é algo que requira poucos recursos, polo que probablemente realizastes moitas validacións desde a fase de PoC.
Por que non apareceron problemas deste tipo naquela fase? Porque, naturalmente, o modelo foi readestrado cos datos obxectivo.
Se ensinamos o alfabeto a unha IA que só coñecía números e despois lle formulamos exclusivamente preguntas sobre o alfabeto, é lóxico que responda ben. Pero no ámbito operativo, só necesitamos modelos especializados nun dominio específico coma este?
No noso ámbito operativo enfrontámonos cada día a novos contornos e novos datos. Porén, unha IA adestrada destruíndo aleatoriamente os coñecementos existentes non pode garantir nin a xeneralidade nin a precisión.
Polo tanto, é necesario dispoñer dun modelo de linguaxe de gran escala From-scratch Foundation ou da tecnoloxía necesaria para crealo.
Como estes modelos posúen practicamente todo o coñecemento do mundo, ofrecen unha alta calidade de resposta e precisión.
No caso de dominios especializados, é posible superar as limitacións dos SLM afinados mediante a tecnoloxía SFT(Supervised Fine-Tuning) ou, para pequenas cantidades de datos, mediante un sistema RAG ou a tecnoloxía de base de datos semántica, o sistema de base de datos de intelixencia desenvolvido internamente por CLEVI.
O Goberno tamén coñece a importancia destes modelos fundacionais, polo que está a ofrecer un amplo apoio.
Trátase do proxecto National Representative AI. O principal obxectivo deste proxecto será probablemente garantir a soberanía dixital.
En CLEVI tamén coñeciamos as graves limitacións que aparecen ao utilizar modelos de código aberto, polo que desenvolvemos os nosos modelos de forma independente, desde a recompilación de datos ata o deseño da arquitectura.
Actualmente, os modelos de CLEVI ofrecen un rendemento que non queda atrás en absoluto, mesmo cando compiten coas principais IA do mundo.
En particular, como dispoñemos dos nosos propios modelos, CLEVI tampouco se ve afectada polos problemas de dependencia que poden xurdir ao utilizar modelos externos.
A adopción da IA está a converterse nunha necesidade, non nunha opción. Porén, é difícil obter os resultados desexados simplemente adoptando a tecnoloxía máis recente.
A verdadeira innovación comeza cando se comprenden con precisión as limitacións da tecnoloxía e se establece a estratexia óptima, adaptada ao contorno e aos obxectivos da nosa organización.
Con capacidades tecnolóxicas diferenciadas, como o seu propio modelo de linguaxe de gran escala e a súa base de datos semántica, CLEVI minimiza os erros e os riscos aos que se enfrontan as empresas durante o proceso de adopción da IA.
Seguiremos escoitando as voces do terreo e traballando arreo para converternos nun socio de IA no que máis empresas poidan confiar. Agardamos que creen connosco o verdadeiro éxito da adopción da IA.