Ապագա արդյունաբերությանը արձագանքելու ռազմավարությունների սեմինար․ Կորեայի արդյունաբերության ինտելեկտուալացման ասոցիացիա

Անցած հոկտեմբերի 24-ին Կորեայի արդյունաբերության ինտելեկտուալացման ասոցիացիայի (KOIIA) հրավերով մասնակցեցինք «2025 թ. միջին ձեռնարկությունների առանցքային տաղանդների զարգացման ակադեմիա, ապագա արդյունաբերությանը արձագանքելու ռազմավարությունների սեմինար» միջոցառմանը, որտեղ CLEVI-ի ներկայացուցիչ Ի Հվանհոն հանդես եկավ հիմնական զեկույցով։

Մենք մասնակցեցինք «AI տեխնոլոգիաների ներդրման օրինակներ և DX-ի գործնական ռազմավարություններ» նստաշրջանին՝ «Physical AI-ի կիրառման օրինակներ, ինչպես նաև RAG գործակալների ներդրման գործընթացում ձախողման գործոններն ու բարելավման ռազմավարությունները» թեմայով։

Վերջերս AI գործակալների նկատմամբ հետաքրքրության աճին զուգահեռ ավելանում է նաև այն ընկերությունների թիվը, որոնք դիտարկում են բազմաթիվ AI լուծումների ներդրումը։ Ինչպես հայտնի է, բազմաթիվ կազմակերպություններ և ընկերություններ արդեն փորձնականորեն ներդրել և շահագործում են AI-ը։

Սակայն, ցավոք, ուսումնասիրությունները ցույց են տվել, որ բազմաթիվ ընկերություններում և կազմակերպություններում ակնկալվող ROI-ն չի ապահովվում, կամ այն գործառույթները, որոնք աշխատել են PoC-ի փուլում, հիմնական նախագծում կամ դաշտային պայմաններում չեն տալիս պատշաճ պատասխաններ կամ ընդհանրապես չեն աշխատում։

Այս տեղեկությունների պատճառով բազմաթիվ ընկերություններ խուսափում են AI-ի հապճեպ ներդրումից։

Այս դասախոսության ընթացքում CLEVI-ի ներկայացուցիչ Ի Հվանհոն մանրամասն ներկայացրեց հապճեպ AI ներդրման հիմնական ձախողման պատճառները՝ RAG համակարգերի սահմանափակումները, բաց կոդով մոդելները և փոքր LLM-ները (SLM), ինչպես նաև բացատրեց, թե ինչու են նախորդ ներդրման օրինակները ձախողվել։

Ի վերջո, AI-ն օգտագործելու պատճառն այն է, որ ակնկալում ենք՝ այն կկատարի մարդկանց աշխատանքը կամ մարդկանցից ավելի լավ արդյունք կցուցաբերի։

Ներկայում AI ներդրած ընկերությունների աշխատակիցները չեն վստահում AI-ի պատասխանների որակին և դժգոհում են, որ ստիպված են մեկընդմիշտ ստուգել AI-ի պատասխանների բովանդակությունը, ինչի հետևանքով իրենց աշխատանքային ծանրաբեռնվածությունը, հակառակը, ավելանում է։

Պատճառն այն է, որ ընկերությունների մեծ մասը բաց կոդով SLM մոդելները ֆայն-թյունինգի է ենթարկում և օգտագործում որպես լուծում։

Ինտուիտիվորեն թվում է, թե նոր ուսուցում ստանալուց AI-ն ավելի խելացի կդառնա, սակայն, ընդհակառակը, AI-ին նոր գիտելիքներ սովորեցնելիս այն կորցնում է անցյալի հիշողությունները, այսինքն՝ պատահական պարամետրային կշիռները։

Ավելի լուրջ խնդիրն այն է, որ ոչ ոք չի իմանում, թե ինչ տեղեկություն կամ գիտելիք է կորել։

Քանի որ AI-ի ներդրումը փոքր ռեսուրսներ պահանջող գործընթաց չէ, հավանաբար PoC-ի փուլից սկսած բազմաթիվ վավերացումներ եք իրականացրել։

Ինչո՞ւ այդ ժամանակ նման խնդիրներ չառաջացան։ Իհարկե, պատճառն այն է, որ վերապատրաստումն իրականացվել էր թիրախային տեղեկատվության հիման վրա։

Թվեր միայն իմացող AI-ին այբուբեն եք սովորեցրել, իսկ դրանից հետո նրան տվել եք միայն այբուբենին վերաբերող հարցեր, ուստի բնական է, որ այն լավ է պատասխանել։ Սակայն գործնական միջավայրում արդյո՞ք մեզ անհրաժեշտ են միայն նման հատուկ տիրույթին մասնագիտացած մոդելներ։

​

Մեր գործնական միջավայրերն ամեն օր բախվում են նոր պայմանների և նոր տվյալների։ Սակայն նախկին գիտելիքները պատահականորեն ոչնչացնելով սովորող AI-ն չի կարող երաշխավորել ոչ միայն ունիվերսալությունը, այլև ճշգրտությունը։

Հետևաբար անհրաժեշտ է ունենալ From-scratch Foundation գերխոշոր լեզվական մոդել կամ այն ստեղծելու տեխնոլոգիա։

Քանի որ նման մոդելներն ունեն աշխարհի գրեթե ողջ գիտելիքը, դրանք ապահովում են ոչ միայն պատասխանների բարձր որակ, այլև բարձր ճշգրտություն։

Մասնագիտացված տիրույթների դեպքում SFT(Supervised Fine-Tuning) տեխնոլոգիայի կիրառմամբ, իսկ փոքր քանակությամբ տվյալների դեպքում՝ RAG համակարգի կամ CLEVI-ի կողմից ինքնուրույն մշակված ինտելեկտուալ տվյալների բազայի համակարգի՝ սեմանտիկ տվյալների բազայի տեխնոլոգիայի կիրառմամբ, հնարավոր է հաղթահարել fine-tuning-ով ուսուցանված SLM-ի թերությունները։

Քանի որ կառավարությունը նույնպես գիտակցում է այսպիսի foundation մոդելների կարևորությունը, այն մեծ աջակցություն է ցուցաբերում։

Խոսքը National Representative AI նախագծի մասին է։ Այս նախագծի գլխավոր նպատակը, հավանաբար, թվային ինքնիշխանության ապահովումն է։

Քանի որ CLEVI-ն նույնպես գիտեր open-source մոդելների օգտագործման ժամանակ առաջացող ճակատագրական թերությունների մասին, մենք ինքնուրույն մշակեցինք ամեն ինչ՝ տվյալների հավաքագրումից մինչև ճարտարապետության նախագծում, և դրանց հիման վրա ուսուցանեցինք CLEVI-ի մոդելները։

Ներկայում CLEVI-ի մոդելներն ունեն այնպիսի կատարողականություն, որը որևէ կերպ չի զիջում աշխարհի առաջատար AI համակարգերին և կարող է մրցել դրանց հետ։

Հատկապես, քանի որ մենք ունենք սեփական մոդելներ, CLEVI-ն կախվածության խնդրի հետ առնչություն չունի, քանի որ այն կարող է առաջանալ արտաքին մոդելների օգտագործման դեպքում։

Այժմ AI-ի ներդրումը դառնում է ոչ թե ընտրություն, այլ անհրաժեշտություն։ Սակայն միայն նորագույն տեխնոլոգիաների ներդրմամբ դժվար է հասնել ցանկալի արդյունքների։

Իրական նորարարությունը սկսվում է միայն այն ժամանակ, երբ ճշգրիտ հասկանում ենք տեխնոլոգիայի սահմանափակումները և մշակում մեր կազմակերպության պայմաններին ու նպատակներին համապատասխան օպտիմալ ռազմավարություն։

CLEVI-ն իր տարբերակիչ տեխնոլոգիական հնարավորություններով, ներառյալ սեփական գերխոշոր լեզվական մոդելը և սեմանտիկ տվյալների բազան, նվազագույնի է հասցնում այն փորձությունները և ռիսկերը, որոնց ձեռնարկությունները բախվում են AI-ի ներդրման ընթացքում։

Մենք շարունակելու ենք ականջալուր լինել ոլորտի ձայնին և առավելագույն ջանքեր գործադրել՝ ավելի շատ ընկերությունների համար վստահելի AI գործընկեր դառնալու նպատակով։ Մաղթում ենք, որ AI-ի ներդրման իրական հաջողությունը կերտեք CLEVI-ի հետ միասին։