Il 24 ottobre scorso, su invito dell'Associazione coreana per l'intelligenza industriale (KOIIA), abbiamo partecipato all'“Accademia per la formazione dei talenti chiave delle medie imprese 2025, Seminario sulle strategie per affrontare le industrie del futuro”, durante il quale il CEO di CLEVI, Hwan-ho Lee, ha tenuto il discorso principale.
Abbiamo partecipato alla sessione “Casi di adozione delle tecnologie AI e strategie operative per la DX” con un intervento dal tema “Casi d'uso della Physical AI, fattori di insuccesso e strategie di miglioramento nel processo di adozione degli agenti RAG”.
Con il recente aumento dell'interesse per gli agenti AI, è in crescita anche il numero di aziende che stanno valutando l'adozione di molteplici soluzioni AI. Sappiamo che numerose istituzioni e aziende hanno già introdotto l'AI in via sperimentale e la stanno utilizzando.
Tuttavia, purtroppo, numerose aziende e istituzioni hanno riscontrato che il ROI desiderato non viene raggiunto oppure che funzionalità operative in fase di PoC non forniscono risposte adeguate o non funzionano correttamente nel progetto principale o sul campo.
A causa di queste esperienze, molte aziende esitano ad adottare l'AI in modo affrettato.
Durante la conferenza, il CEO di CLEVI Hwan-ho Lee ha spiegato in dettaglio i limiti dei sistemi RAG, una delle principali cause del fallimento delle adozioni affrettate dell'AI, nonché i modelli open source e gli Small LLM (SLM), illustrando perché i precedenti casi di adozione non abbiano avuto successo.
In definitiva, il motivo per cui si utilizza l'AI è affidarle le attività delle persone o aspettarsi prestazioni migliori di quelle umane.
Poiché i professionisti delle aziende che hanno adottato l'AI oggi non si fidano della qualità delle risposte generate dall'AI, stanno emergendo numerose lamentele sul fatto che il lavoro sia invece aumentato, dovendo controllare una per una le risposte dell'AI.
Il motivo risiede nel fatto che la maggior parte delle aziende utilizza come soluzione modelli SLM open source sottoposti a fine-tuning.
Intuitivamente si potrebbe pensare che l'AI diventi più intelligente acquisendo nuovi apprendimenti, ma quando si insegnano nuove conoscenze all'AI, questa finisce per perdere i ricordi precedenti, ossia i pesi dei parametri arbitrari.
Il problema ancora più grave è che nessuno sa quali informazioni o conoscenze siano andate perdute.
Poiché l’introduzione dell’IA non è un’attività che richiede poche risorse, probabilmente avete condotto numerose verifiche già dalla fase PoC.
Perché allora questi problemi non si sono manifestati? Naturalmente, perché il modello era stato riaddestrato sui dati target.
A un’IA che conosceva solo i numeri sono state insegnate le lettere dell’alfabeto, dopodiché le sono state poste solo domande relative all’alfabeto: è quindi naturale che rispondesse correttamente. Ma sul campo servono davvero soltanto modelli specializzati in uno specifico dominio?
Sul campo ci troviamo ogni giorno di fronte a nuovi ambienti e nuovi dati. Tuttavia, un’IA addestrata distruggendo casualmente le conoscenze acquisite non è in grado di garantire né la generalità né l’accuratezza.
Pertanto, è necessaria la disponibilità di un From-scratch Foundation Large Language Model o della tecnologia per crearne uno.
Poiché questi modelli possiedono quasi tutte le conoscenze del mondo, offrono una qualità e un’accuratezza delle risposte elevate.
Nel caso di domini specializzati, è possibile superare i limiti degli SLM sottoposti a fine-tuning utilizzando la tecnologia SFT (Supervised Fine-Tuning) oppure, per quantità ridotte di dati, un sistema RAG o la tecnologia dei database semantici, il sistema di database di intelligence sviluppato internamente da CLEVI.
Anche il governo riconosce l’importanza di questi foundation model e sta offrendo un ampio sostegno.
Si tratta del progetto National Representative AI. Il principale obiettivo di questo progetto è probabilmente garantire la sovranità digitale.
Anche CLEVI era consapevole dei gravi limiti dell’utilizzo di modelli open source; per questo ha sviluppato autonomamente ogni aspetto, dalla raccolta dei dati alla progettazione dell’architettura, e ha addestrato i propri modelli.
Attualmente, i modelli di CLEVI offrono prestazioni assolutamente competitive anche rispetto alle principali IA mondiali.
In particolare, poiché disponiamo di modelli proprietari, CLEVI non è soggetta ai problemi di dipendenza che possono verificarsi quando si utilizzano modelli esterni.
L’introduzione dell’IA sta diventando una necessità, non più una scelta. Tuttavia, è difficile ottenere i risultati desiderati limitandosi ad adottare le tecnologie più recenti.
La vera innovazione inizia soltanto quando si comprendono con precisione i limiti della tecnologia e si definisce la strategia ottimale in linea con l’ambiente e gli obiettivi della propria organizzazione.
Grazie a tecnologie distintive, tra cui il proprio Large Language Model e il database semantico, CLEVI riduce al minimo i tentativi, gli errori e i rischi che le aziende affrontano nel processo di introduzione dell’IA.
Continueremo ad ascoltare attentamente le voci dal campo e a fare del nostro meglio per diventare un partner AI di cui un numero sempre maggiore di aziende possa fidarsi. Ci auguriamo che possiate costruire insieme a CLEVI il vero successo dell’adozione dell’AI.