From-scratch Foundation Model CLEVI AI(ivy)

“ಒಂದು ಸಣ್ಣ ಕಂಪನಿಯು ವಿಶ್ವದರ್ಜೆಯ ಅತಿ ದೊಡ್ಡ AI ಭಾಷಾ ಮಾದರಿಯನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸಿತು?”

ಸಣ್ಣ ಸ್ಟಾರ್ಟ್‌ಅಪ್‌ನಲ್ಲಿ ಅತಿ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಯನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸಲಾಯಿತು?

CLEVI 1.4 ಟ್ರಿಲಿಯನ್ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳ Foundation ಮಾದರಿಯನ್ನು ಬಹಿರಂಗಪಡಿಸಿದ ನಂತರ, ಇದು ಅತಿ ಹೆಚ್ಚು ಕೇಳಲಾದ ಪ್ರಶ್ನೆಯಾಗಿದೆ.

ಅನೇಕ ಕಂಪನಿಗಳು ಓಪನ್ ಸೋರ್ಸ್ ಮಾದರಿಗಳನ್ನು ಸರಳವಾಗಿ ಫೈನ್-ಟ್ಯೂನಿಂಗ್ ಮಾಡುವುದಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ, CLEVI ಡೇಟಾ ಸಂಗ್ರಹಣೆಯಿಂದ ಹಿಡಿದು ಮಾದರಿ ವಿನ್ಯಾಸ, ದೊಡ್ಡ ಪ್ರಮಾಣದ ವಿತರಿತ ತರಬೇತಿ ಮತ್ತು ಗುಣಮಟ್ಟ ಪರಿಶೀಲನೆಯವರೆಗೆ ಎಲ್ಲಾ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ನಿರ್ವಹಿಸಿದೆ.

ಆ ರಹಸ್ಯ ಮತ್ತು ಸ್ಪರ್ಧಾತ್ಮಕತೆಯನ್ನು ಕೆಳಗೆ ವಿವರವಾಗಿ ಪರಿಚಯಿಸುತ್ತೇವೆ.

1. ಒಂದು ಸಣ್ಣ ಕಂಪನಿಯು ಅತಿ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸುತ್ತದೆಯೇ?

2025ರ ಜುಲೈನಲ್ಲಿ, CLEVI ಸ್ವತಃ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಅತಿ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಯನ್ನು ಮಾರುಕಟ್ಟೆಗೆ ಬಿಡುಗಡೆ ಮಾಡಿದಾಗ, ಅನೇಕ ಗ್ರಾಹಕರು (ಬಳಕೆದಾರರು) ಆಶ್ಚರ್ಯ ಮತ್ತು ಅನುಮಾನದಿಂದ ಚರ್ಚೆಯಲ್ಲಿ ತೊಡಗಿದರು. “ಇದು ನಿಜವಾಗಿಯೂ ಸ್ವತಂತ್ರ ಅಭಿವೃದ್ಧಿಯೇ?” “ಓಪನ್ ಸೋರ್ಸ್ ಮಾದರಿಯನ್ನು ಸ್ವಲ್ಪ ಬದಲಾಯಿಸಿರುವುದಲ್ಲವೇ?”

ವಾಸ್ತವದಲ್ಲಿ, ದೇಶೀಯ ಮತ್ತು ವಿದೇಶಗಳ ಅನೇಕ ಕಂಪನಿಗಳು ಓಪನ್ ಸೋರ್ಸ್ ಮಾದರಿಗಳಿಗೆ ಕೇವಲ ವರ್ಗಾವಣೆ ಕಲಿಕೆ (fine-tuning) ಮಾಡಿ, ಅದನ್ನು ತಮ್ಮದೇ ಮಾದರಿಯಾಗಿ ಪ್ರಚಾರ ಮಾಡುವ ಸಂದರ್ಭಗಳು ಹೆಚ್ಚಾಗಿವೆ.

ಆದರೆ CLEVI **‘From-scratch Foundation Model’** ಅನ್ನು ಮುಂದಿಟ್ಟಿತು.

ಅಂದರೆ, ಡೇಟಾ ಸಂಗ್ರಹಣೆಯಿಂದ ಹಿಡಿದು ಮಾದರಿ ವಿನ್ಯಾಸ, ದೊಡ್ಡ ಪ್ರಮಾಣದ ವಿತರಿತ ತರಬೇತಿ ಮತ್ತು ಗುಣಮಟ್ಟ ಪರಿಶೀಲನೆಯವರೆಗೆ ಎಲ್ಲಾ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಸ್ವತಃ ವಿನ್ಯಾಸಗೊಳಿಸಿ ಕಾರ್ಯಗತಗೊಳಿಸಿತು.

2. ಅತಿ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಯ ಅಭಿವೃದ್ಧಿ ಏಕೆ ಕಷ್ಟಕರವಾಗಿದೆ

From-Scratch Foundation Model ಅನ್ನು ತರಬೇತಿಗೊಳಿಸಲು ಕೆಳಗಿನ ಎಲ್ಲಾ ಅಂಶಗಳನ್ನು ಕಲಿಯಬೇಕು.

ದೊಡ್ಡ ಪ್ರಮಾಣದ ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಡೇಟಾಸೆಟ್ ಅಗತ್ಯ

• ವೈವಿಧ್ಯತೆ: ಭಾಷೆ, ಡೊಮೇನ್ ಮತ್ತು ಸ್ವರೂಪ (ಪಠ್ಯ, ಚಿತ್ರ ಇತ್ಯಾದಿ)ಗಳಲ್ಲಿ ವೈವಿಧ್ಯತೆಯನ್ನು ಖಚಿತಪಡಿಸುವುದು
• ಶುದ್ಧೀಕರಣ: ಶಬ್ದ ನಿವಾರಣೆ, ಗುಣಮಟ್ಟ ನಿರ್ವಹಣೆ, ನಕಲಿ/ಹಾನಿಕಾರಕ ಡೇಟಾ ಫಿಲ್ಟರಿಂಗ್
• ಪರವಾನಗಿ: ಹಕ್ಕುಸ್ವಾಮ್ಯ ಮತ್ತು ಡೇಟಾ ಬಳಕೆಯ ಹಕ್ಕುಗಳನ್ನು ಸ್ಪಷ್ಟಪಡಿಸುವುದು

ದೊಡ್ಡ ಪ್ರಮಾಣದ ಕಂಪ್ಯೂಟಿಂಗ್ ಮೂಲಸೌಕರ್ಯ

• ಉನ್ನತ ಕಾರ್ಯಕ್ಷಮತೆಯ GPU/TPU ಕ್ಲಸ್ಟರ್: ಸಾವಿರಗಳಿಂದ ಹತ್ತಾರು ಸಾವಿರ ನೋಡ್‌ಗಳ ಸಾಧನಗಳನ್ನು ಒಗ್ಗೂಡಿಸಿ ದೊಡ್ಡ ಪ್ರಮಾಣದ ವಿತರಿತ ತರಬೇತಿಗೆ ಬೆಂಬಲ ನೀಡುವ ತಂತ್ರಜ್ಞಾನ
• ದಕ್ಷ ವಿತರಿತ ತರಬೇತಿ ಫ್ರೇಮ್‌ವರ್ಕ್: DeepSpeed, Megatron-LM, Ray ಇತ್ಯಾದಿ
• ಸ್ಟೋರೇಜ್/ನೆಟ್‌ವರ್ಕ್: ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾ ಇನ್‌ಪುಟ್ ಮತ್ತು ಔಟ್‌ಪುಟ್, ವೇಗದ ನೆಟ್‌ವರ್ಕ್ ಪರಿಸರ

ಮಾದರಿ ಆರ್ಕಿಟೆಕ್ಚರ್ ವಿನ್ಯಾಸ

• ನವೀನ ವಾಸ್ತುಶಿಲ್ಪಗಳ ಅಳವಡಿಕೆ: Transformer, MoE(Mixture of Experts), ಮಲ್ಟಿಮೋಡಲ್ ಇತ್ಯಾದಿ
• ಸ್ಕೇಲಬಿಲಿಟಿ: ಪ್ಯಾರಾಮೀಟರ್‌ಗಳ ಸಂಖ್ಯೆ, ಲೇಯರ್‌ಗಳ ಸಂಖ್ಯೆ, ಇನ್‌ಪುಟ್ ಉದ್ದ ಇತ್ಯಾದಿಗಳ ವಿಸ್ತರಣಾಶೀಲತೆಯನ್ನು ಪರಿಗಣಿಸುವುದು
• ದಕ್ಷತೆ: ತರಬೇತಿ/ಇನ್‌ಫರೆನ್ಸ್ ವೇಗ ಮತ್ತು ಮೆಮೊರಿ ಬಳಕೆಯ ಆಪ್ಟಿಮೈಸೇಶನ್

ತರಬೇತಿ ತಂತ್ರಗಳು ಮತ್ತು ಅಲ್ಗಾರಿಥಮ್‌ಗಳು

• ಪ್ರೀಟ್ರೈನಿಂಗ್ ಗುರಿ: ಭಾಷಾ ಮಾದರಿ (ಉದಾ., next token prediction), ಮಲ್ಟಿಮೋಡಲ್ (ಉದಾ., contrastive learning) ಇತ್ಯಾದಿ
• ಆಪ್ಟಿಮೈಸೇಶನ್ ತಂತ್ರಗಳು: mixed precision, gradient accumulation, learning rate schedule ಇತ್ಯಾದಿ
• ನಾರ್ಮಲೈಸೇಶನ್/ಸ್ಥಿರೀಕರಣ: dropout, layer norm, weight decay ಇತ್ಯಾದಿ

ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಪರಿಶೀಲನಾ ವ್ಯವಸ್ಥೆ

• ಬೆಂಚ್‌ಮಾರ್ಕ್ ಸೆಟ್: ಪ್ರಮಾಣಿತ ಡೇಟಾಸೆಟ್‌ಗಳ (Benchmarks) ಬಳಕೆ
• ಆಂತರಿಕ ಮೌಲ್ಯಮಾಪನ: ನೈಜ ಬಳಕೆಯ ಸನ್ನಿವೇಶಗಳನ್ನು ಆಧರಿಸಿದ ಮೌಲ್ಯಮಾಪನ
• ನಿರಂತರ ಮೇಲ್ವಿಚಾರಣೆ: ತರಬೇತಿಯ ವೇಳೆ/ನಂತರ ಗುಣಮಟ್ಟ, ಪಕ್ಷಪಾತ ಮತ್ತು ಸುರಕ್ಷತೆಯ ಪರಿಶೀಲನೆ

ಮಾನವ ಸಂಪನ್ಮೂಲ ಮತ್ತು ಸಂಸ್ಥೆಯ ಸಾಮರ್ಥ್ಯ

• AI/ML ಸಂಶೋಧಕರು: ಮಾದರಿ ವಿನ್ಯಾಸ, ಅಲ್ಗಾರಿಥಮ್ ಅಭಿವೃದ್ಧಿ
• ಡೇಟಾ ಎಂಜಿನಿಯರ್‌ಗಳು: ಡೇಟಾ ಸಂಗ್ರಹಣೆ/ಶುದ್ಧೀಕರಣ/ನಿರ್ವಹಣೆ
• ಇನ್‌ಫ್ರಾಸ್ಟ್ರಕ್ಚರ್ ಎಂಜಿನಿಯರ್‌ಗಳು: ವಿತರಿತ ವ್ಯವಸ್ಥೆಗಳು, ಕ್ಲೌಡ್/ಆನ್-ಪ್ರೆಮೈಸಸ್ ನಿರ್ವಹಣೆ
• ಪ್ರಾಜೆಕ್ಟ್ ಮ್ಯಾನೇಜರ್‌ಗಳು: ವೇಳಾಪಟ್ಟಿ, ಬಜೆಟ್ ಮತ್ತು ಗುಣಮಟ್ಟ ನಿರ್ವಹಣೆ

ನೈತಿಕತೆ·ಕಾನೂನು·ಭದ್ರತಾ ಪರಿಗಣನೆಗಳು

• AI ನೈತಿಕತೆ: ಪಕ್ಷಪಾತ, ಸುರಕ್ಷತೆ, ಪಾರದರ್ಶಕತೆ ಮತ್ತು ಹೊಣೆಗಾರಿಕೆ
• ಕಾನೂನು ಪಾಲನೆ: ವೈಯಕ್ತಿಕ ಮಾಹಿತಿ, ಕಾಪಿರೈಟ್ ಮತ್ತು ಡೇಟಾ ಸಾರ್ವಭೌಮತ್ವ
• ಭದ್ರತೆ: ಡೇಟಾ/ಮಾದರಿ ಸೋರಿಕೆ ತಡೆಗಟ್ಟುವಿಕೆ ಮತ್ತು ಪ್ರವೇಶ ನಿಯಂತ್ರಣ

ಪ್ರಸ್ತುತ, ವಿಶ್ವದಾದ್ಯಂತ AI ಸಂಶೋಧನಾ ಸಿಬ್ಬಂದಿಯ ಸಂಖ್ಯೆ ಸುಮಾರು 2,000ರಷ್ಟಿದ್ದು, ಅವರಲ್ಲಿಯೂ ಬಹುತೇಕರು META, Google, XAI ಮುಂತಾದ ಬಿಗ್ ಟೆಕ್ ಕಂಪನಿಗಳಲ್ಲಿ ಕೇಂದ್ರೀಕೃತರಾಗಿದ್ದಾರೆ. ದೇಶೀಯವಾಗಿ ಡೇಟಾ ಸಂಗ್ರಹಣೆಯಿಂದ ದೊಡ್ಡ ಪ್ರಮಾಣದ ತರಬೇತಿ ಮೂಲಸೌಕರ್ಯದವರೆಗೆ ನೇರವಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಿ Foundation ಮಾದರಿಯನ್ನು ರಚಿಸಬಲ್ಲ ತಂಡಗಳು ಅತ್ಯಂತ ವಿರಳವಾಗಿವೆ.

3. ಕಡಿಮೆ ಸಿಬ್ಬಂದಿಯೊಂದಿಗೆ ಅತಿ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸುವುದು.

CEO ಇ ಹ್ವಾನ್‌ಹೋ ಅವರು 10 ವರ್ಷಗಳಿಗೂ ಹೆಚ್ಚು ಕಾಲ ಡೀಪ್ ಲರ್ನಿಂಗ್ ಮತ್ತು ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಸಂಶೋಧಿಸಿದ ಅನುಭವದ ಆಧಾರದ ಮೇಲೆ, 3 ವರ್ಷಗಳ ಹಿಂದೆ “ವಿಶ್ವದ ಅತ್ಯುತ್ತಮ AIಯನ್ನು ನಿರ್ಮಿಸುತ್ತೇನೆ” ಎಂಬ ಗುರಿಯೊಂದಿಗೆ ಕಂಪನಿಯನ್ನು (CLEVI) ಸ್ಥಾಪಿಸಿದರು.

ಕಂಪನಿಯ ಸ್ವಂತ ಡೇಟಾ ಪೈಪ್‌ಲೈನ್ ನಿರ್ಮಾಣ, ದೊಡ್ಡ ಪ್ರಮಾಣದ ವಿತರಿತ ಡೀಪ್ ಲರ್ನಿಂಗ್ ಮೂಲಸೌಕರ್ಯ ವಿನ್ಯಾಸ, ಮಾದರಿ ವಾಸ್ತುಶಿಲ್ಪ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಗುಣಮಟ್ಟ ಪರಿಶೀಲನೆ ಸೇರಿದಂತೆ ಎಲ್ಲಾ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಸ್ವತಃ ವಿನ್ಯಾಸಗೊಳಿಸುವ ಮೂಲಕ Foundation Model ಅಭಿವೃದ್ಧಿಗೆ ಅಗತ್ಯವಾದ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಗಳಿಸಿಕೊಂಡರು.

ಹಲವಾರು ಬಾರಿ ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಿದ ಫಲವಾಗಿ, ಪ್ರಸ್ತುತ ವಿಶ್ವದ ಅತ್ಯುತ್ತಮ ಮಟ್ಟದ ಮಾದರಿಗಳೊಂದಿಗೆ ಸ್ಪರ್ಧಿಸಬಲ್ಲ Clevi-5-x ಮಾದರಿಯನ್ನು ಹೊಂದಿದ್ದಾರೆ.

ಅತಿ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ತರಬೇತುಗೊಳಿಸಲು, ನೂರಾರುಗಳಿಂದ ಸಾವಿರಾರು GPUಗಳನ್ನು ಕ್ಲಸ್ಟರ್‌ಗೆ ಸಂಪರ್ಕಿಸಿ, ಪ್ರತಿ ಸೆಕೆಂಡಿಗೆ ಅಸಂಖ್ಯಾತ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ಏಕಕಾಲದಲ್ಲಿ ನಿರ್ವಹಿಸಬಲ್ಲ ಮೂಲಸೌಕರ್ಯ ಅಗತ್ಯವಿದೆ. ಈ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ, ದೊಡ್ಡ ಪ್ರಮಾಣದ ವಿತರಿತ ಪರಿಸರದಲ್ಲಿ ಲೆಕ್ಕಾಚಾರಗಳ ಸಿಂಕ್ರೊನೈಸೇಶನ್ ಮತ್ತು ಸಂವಹನ ವಿಳಂಬವನ್ನು ಕನಿಷ್ಠಗೊಳಿಸುವ ತಂತ್ರಜ್ಞಾನವು ನಿರ್ಣಾಯಕವಾಗಿದೆ. ಇದುವರೆಗೆ ದೇಶೀಯವಾಗಿ “ನಿಖರ ನಿಯಂತ್ರಣ ಅಲ್ಗಾರಿದಮ್” ಇಲ್ಲದ ಕಾರಣ, ಬಹುತೇಕ ಕಂಪನಿಗಳಿಗೆ ಮಾದರಿಗಳನ್ನು ಸರಿಯಾಗಿ ತರಬೇತುಗೊಳಿಸಲು ಸಾಧ್ಯವಾಗಿರಲಿಲ್ಲ. CLEVIಯ CEO ಲೀ ಹ್ವಾನ್-ಹೋ ಅವರು ಇಂತಹ ಸ್ವತಂತ್ರ ವಿತರಿತ ಲೆಕ್ಕಾಚಾರ ನಿಯಂತ್ರಣ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಸ್ವತಃ ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಮೂಲಕ, ದೇಶೀಯವಾಗಿ ಮೊದಲ ಬಾರಿಗೆ 1.4 ಟ್ರಿಲಿಯನ್ (1.4 Trillion) ಪ್ಯಾರಾಮೀಟರ್ ಗಾತ್ರದ ಅತಿ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಯ ತರಬೇತಿಯನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಪೂರ್ಣಗೊಳಿಸಿದರು.

4. ಕಡಿಮೆ ಸಂಖ್ಯೆಯ ಡೆವಲಪರ್‌ಗಳಿಂದ ವಿವಿಧ ಮಾದರಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಸಾಧ್ಯವಾದ ಕಾರಣ

ಬಹುತೇಕ ಎಲ್ಲಾ ಬಿಗ್ ಟೆಕ್ ಕಂಪನಿಗಳಲ್ಲಿಯೂ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಮೂಲಸೌಕರ್ಯ ನಿಯಂತ್ರಣ ಮತ್ತು ಡೇಟಾ ಶುದ್ಧೀಕರಣ ತಂತ್ರಜ್ಞಾನಗಳಿವೆ.

ಇವುಗಳನ್ನು ನಿರ್ವಹಿಸಲು ನೂರಾರುಗಳಿಂದ ಸಾವಿರಾರು ಸಂಶೋಧನಾ ಸಿಬ್ಬಂದಿಯ ಅಗತ್ಯವಿದೆ.

ಆದರೆ, CLEVI ಕಡಿಮೆ ಸಂಖ್ಯೆಯ ಸಂಶೋಧನಾ ಸಿಬ್ಬಂದಿಯೊಂದಿಗೆ ವಿವಿಧ ಮಾದರಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿ ಹೊಂದಿದೆ.

ಇದು ಹೇಗೆ ಸಾಧ್ಯವಾಯಿತು?

CLEVI, Teacher-Student Model(Knowledge Distilation) ತಂತ್ರಜ್ಞಾನದ ಮೂಲಕ ಕಡಿಮೆ ಸಂಖ್ಯೆಯ ಸಿಬ್ಬಂದಿಯಿಂದ ವಿವಿಧ ಮಾದರಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿ ಹೊಂದಿದೆ.

ಹಾಗಾದರೆ, Teacher-Student ತಂತ್ರಜ್ಞಾನವನ್ನು ಪರಿಶೀಲಿಸೋಣ.

Teacher-Student(ಜ್ಞಾನ ಬಟ್ಟಿ ಇಳಿಸುವಿಕೆ)

Teacher-Student ತಂತ್ರಜ್ಞಾನವು ಸರಳವಾಗಿ ಹೇಳುವುದಾದರೆ, ಅತಿ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿ (Teacher Model) ಮೂಲಕ ಚೈಲ್ಡ್ ಮಾದರಿಯನ್ನು (Student Model) ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ ಪ್ರತಿಕ್ರಿಯೆ ನೀಡುವ ಮೂಲಕ, ಕಡಿಮೆ ಸಂಖ್ಯೆಯ ಸಿಬ್ಬಂದಿಯಿಂದಲೂ ನೂರಾರು ಸಂಶೋಧನಾ ಸಿಬ್ಬಂದಿಗೆ ಪರ್ಯಾಯವಾಗಿ ವಿವಿಧ ಮಾದರಿಗಳನ್ನು ವೇಗವಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ನೆರವಾಗುವ ತಂತ್ರಜ್ಞಾನವಾಗಿದೆ.

• Mother Model(ಅತಿ ದೊಡ್ಡ ಮಾದರಿ) ವಿವಿಧ ಕ್ಷೇತ್ರಗಳ ಮಾದರಿಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ ಪ್ರತಿಕ್ರಿಯೆ ನೀಡುವ ಮೂಲಕ, ನೂರಾರು ಸಂಶೋಧನಾ ಸಿಬ್ಬಂದಿಗೆ ಪರ್ಯಾಯವಾಗುತ್ತದೆ.
• ಈ ವಿಧಾನದಲ್ಲಿ Clevi-x-platform ಮೂಲಕ ತರಬೇತಿ ನಡೆಸಿದರೆ, Reasoning, VLM, Physical AI, Coding Agent ಮುಂತಾದ ಉನ್ನತ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮಾದರಿಗಳನ್ನು 10–15 ದಿನಗಳಲ್ಲಿ ತರಬೇತುಗೊಳಿಸಿ ನಿಯೋಜಿಸಬಹುದು.

Clevi Coding Agent

Clevi Phsycal AI Learning Platform

VLM-Vision Language Model

ಭದ್ರತಾ ಏಜೆಂಟ್

5. Clevi-x-platform ತಂತ್ರಜ್ಞಾನ ಮತ್ತು ಗುಣಮಟ್ಟದ ವಿಭಿನ್ನತೆ

ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ವಿಸ್ತರಣೀಯತೆ

• ತಾರ್ಕಿಕ ನಿರ್ಣಯ(CoT/Reasoning)ದಲ್ಲಿ ಮೇಲುಗೈ: cip-5-x ತನ್ನ ವಿನ್ಯಾಸ ತತ್ತ್ವದಲ್ಲೇ ಹಂತ ಹಂತದ ತಾರ್ಕಿಕ ಪ್ರಗತಿ ಮತ್ತು ಆಧಾರಗಳ ಪ್ರಸ್ತುತಪಡಿಸುವಿಕೆಯನ್ನು ಒಳಗೊಂಡಿದ್ದು, ವಿಜ್ಞಾನ, ಗಣಿತ ಮತ್ತು ಎಂಜಿನಿಯರಿಂಗ್ ಸಮಸ್ಯೆ ಪರಿಹಾರದಲ್ಲಿ ಹೆಚ್ಚಿನ ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಗಣನಾ ಹಾಗೂ ವ್ಯಾಖ್ಯಾನ ಸಾಮರ್ಥ್ಯವನ್ನು ತೋರಿಸುತ್ತದೆ. ಆಂತರಿಕ ಬೆಂಚ್‌ಮಾರ್ಕ್‌ಗಳ ಆಧಾರದ ಮೇಲೆ GPT-5 ಮಟ್ಟಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಗುರಿಯಾಗಿಸಿಕೊಂಡು ವಿನ್ಯಾಸಗೊಳಿಸಿ ನಿರ್ವಹಿಸಲಾಗುತ್ತಿದೆ ಮತ್ತು ಒಂದೇ ಪ್ರಾಂಪ್ಟ್ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿನ ಪುನರುತ್ಪಾದಕತೆ/ಪರಿಶೀಲನೀಯತೆಯನ್ನು ಪ್ರಮುಖ ಗುಣಮಟ್ಟದ ಸೂಚಕವಾಗಿ ನಿರ್ವಹಿಸಲಾಗುತ್ತದೆ.

• ಮಲ್ಟಿಮೋಡಲ್‌ನ ಸಂಪೂರ್ಣ ಸ್ಪೆಕ್ಟ್ರಮ್: ಉದ್ದೇಶಕೇಂದ್ರೀತ VLM(cip-5-vision), ದೊಡ್ಡ ಪ್ರಮಾಣದ ಮಲ್ಟಿಮೋಡಲ್ ಸಂಸ್ಕರಣಾ ಮಾದರಿ(ivy-4-mm) ಮತ್ತು ಹಗುರವಾದ ಆನ್-ಡಿವೈಸ್(ivy-3-text) ಮಾದರಿಗಳನ್ನು ಒಂದೇ ವೇದಿಕೆಯಲ್ಲಿ ಉತ್ಪಾದಿಸಿ ಸಂಯೋಜಿಸುವ ಮೂಲಕ, ಕಾರ್ಯದ ಸ್ವರೂಪಕ್ಕೆ (ಹುಡುಕಾಟ/ವರ್ಗೀಕರಣ/ಸಾರಾಂಶ vs. ತಾರ್ಕಿಕ ನಿರ್ಣಯ/ವಿವರಣೆ/ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆ) ಅನುಗುಣವಾದ ಅತ್ಯುತ್ತಮ ಸಂಯೋಜನೆಯನ್ನು ಆಯ್ಕೆ ಮಾಡಬಹುದು.

ಎಂಟರ್‌ಪ್ರೈಸ್ ಅನ್ವಯಿಕೆ

• ಆನ್-ಪ್ರೆಮಿಸಸ್ ಭದ್ರತೆ ಮತ್ತು ಲಭ್ಯತೆ: ಮುಚ್ಚಿದ ಜಾಲದ ಸಂಪೂರ್ಣ ವ್ಯಾಪ್ತಿಯಲ್ಲಿ (ಇನ್‌ಪುಟ್-ತರಬೇತಿ-ಸೇವೆ-ಬ್ಯಾಕಪ್) ಕಾರ್ಯನಿರ್ವಹಣೆ, HA ವಿನ್ಯಾಸ, ಮಾಡ್ಯುಲರ್ ವಿಸ್ತರಣೆ ಮತ್ತು SVCE(ಪ್ರತ್ಯೇಕಿತ ಸುರಕ್ಷಿತ ಕಾರ್ಯಗತಗೊಳಿಸುವ ಪರಿಸರ)ದ ಮೂಲಕ ಡೇಟಾ ಹಾಗೂ ಮಾದರಿ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ರಕ್ಷಿಸಲಾಗುತ್ತದೆ.
• ತ್ವರಿತ ಪರಿಚಯ ಮತ್ತು ವಿಸ್ತರಣೆ: Ivy Chat(ಕೆಲಸಕೇಂದ್ರಿತ ಮಲ್ಟಿಮೋಡಲ್ ಸಂವಾದ/ಏಜೆಂಟ್) ಮತ್ತು API Platform(ಜಾಗತಿಕ ಪ್ರಮಾಣಿತ SaaS) ಮೂಲಕ ತ್ವರಿತ ಅನ್ವಯಿಕೆ ಹಾಗೂ ಕಾರ್ಯಾಚರಣೆಗೆ ಬೆಂಬಲ ನೀಡಲಾಗುತ್ತದೆ.

ಭೌತಿಕ AI(Physical AI)ಯ ವೈಶಿಷ್ಟ್ಯ

• NVIDIA Isaac ಆಧಾರಿತ ಸಿಮ್ಯುಲೇಶನ್ ಮತ್ತು ವಿಕಾಸಾಧಾರಿತ ಬಲವರ್ಧಿತ ಕಲಿಕೆ(Evolutionary RL)ಯ ಸಂಯೋಜನೆ, Sim2Real ವರ್ಗಾವಣೆ ಮತ್ತು ಸಿಂಥೆಟಿಕ್ ಡೇಟಾದ ಸಮಾಂತರ ಕಲಿಕೆಯ ಮೂಲಕ ಕಲಿಕೆಯ ದಕ್ಷತೆ ಹಾಗೂ ನೈಜ ಕ್ಷೇತ್ರದ ಹೊಂದಾಣಿಕೆ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೆಚ್ಚಿಸಲಾಗಿದೆ. ಡಿಜಿಟಲ್‌ನಿಂದ ರೋಬೋಟಿಕ್ಸ್ ಕಲಿಕೆ ಮತ್ತು ನಿಯೋಜನೆವರೆಗೆ ಒಳಗೊಂಡಿರುವ ಈ ವ್ಯಾಪ್ತಿಗೆ ಪರ್ಯಾಯಗಳು ವಿರಳವಾಗಿವೆ.

ಸೇವಾ ಗುಣಮಟ್ಟ ಮತ್ತು ಆಡಳಿತ

• ಮಾದರಿ/ಪ್ರಾಂಪ್ಟ್/ಉಪಕರಣಗಳ ಆವೃತ್ತಿ ನಿರ್ವಹಣೆ, ಮೌಲ್ಯಮಾಪನ ಸೂಟ್(ಕೊರಿಯನ್ ಮತ್ತು ಇಂಗ್ಲಿಷ್ ಜ್ಞಾನ, ಕೈಗಾರಿಕೆವಾರು ಕಾರ್ಯಗಳು, ಭ್ರಮೆ ಮತ್ತು ಸುರಕ್ಷತಾ ಸೂಚಕಗಳು), ಬದಲಾವಣೆ ನಿರ್ವಹಣೆ(SLO/SLA) ಮತ್ತು ಕಾರ್ಯಾಚರಣೆಯ ಅವಲೋಕನ(ವಿಳಂಬ·ಯಶಸ್ಸಿನ ಪ್ರಮಾಣ·TCO)ಗಳನ್ನು ಒಂದೇ ವೇದಿಕೆಯ ಪ್ರಕ್ರಿಯೆಯ ಮೂಲಕ ನಿರ್ವಹಿಸಲಾಗುತ್ತದೆ.

ಪ್ರಸ್ತುತ ದಕ್ಷಿಣ ಕೊರಿಯಾದಲ್ಲಿ ಸುಮಾರು 300ಕ್ಕೂ ಹೆಚ್ಚು AI ಮಾದರಿ ಸೇವಾ ಕಂಪನಿಗಳಿದ್ದರೂ,

ಉನ್ನತ ಕಾರ್ಯಕ್ಷಮತೆಯ ಸ್ವತಂತ್ರ ಫೌಂಡೇಶನ್ ಮಾದರಿಗಳ ಮೂಲಕ ಆನ್-ಪ್ರೆಮಿಸಸ್ ಮತ್ತು ಕ್ಲೌಡ್ ಸೇವೆಗಳನ್ನು ಏಕಕಾಲದಲ್ಲಿ ಒದಗಿಸಬಲ್ಲ ಏಕೈಕ ಸಂಸ್ಥೆ CLEVI ಆಗಿದೆ.

6. ಭಾಷಾ ಮಾದರಿಗಳನ್ನು ಕೈಗಾರಿಕೆಯಲ್ಲಿ ಬಳಸುವ ವಿಧಾನಗಳು

AI ಅಳವಡಿಕೆಗೆ ಭಾರೀ ಹೂಡಿಕೆ ಮತ್ತು ಕಠಿಣ ಪರಿಶೀಲನೆ ಅಗತ್ಯವಿರುವುದರಿಂದ, ಅದು ನಿಜವಾಗಿಯೂ ಸಂಸ್ಥೆಗೆ ಸಹಾಯಕವಾಗುವ ಪರಿಹಾರವೇ ಎಂಬುದನ್ನು ನೇರವಾಗಿ ಹೋಲಿಸಿ ಅನುಭವಿಸುವ ಪ್ರಕ್ರಿಯೆ ಅತ್ಯಗತ್ಯವಾಗಿದೆ.

• ಕ್ಲೆವಿ ಕೇವಲ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸುವುದರಲ್ಲಿ ಸೀಮಿತವಾಗದೆ, ನೈಜ ಕೈಗಾರಿಕಾ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಅನ್ವಯಿಸಬಹುದಾದ AI ಪರಿಹಾರಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.
• ಉದಾಹರಣೆಗೆ, Ivy Chat Platform, Clevi API Platform, ಕೈಗಾರಿಕೆವಾರು ಕಸ್ಟಮೈಸೇಶನ್, ಭದ್ರತಾ ಅವಶ್ಯಕತೆಗಳಿಗೆ対応 ಸೇರಿದಂತೆ ಎಂಟರ್‌ಪ್ರೈಸ್ ಚಾನೆಲ್‌ಗಳನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಸಿದ್ಧಗೊಳಿಸಿದೆ.
• ಭೌತಿಕ AI, ರೋಬೋಟಿಕ್ಸ್, ಮಲ್ಟಿಮೋಡಲ್ ಡೇಟಾ ಸಂಸ್ಕರಣೆ ಸೇರಿದಂತೆ ದೇಶೀಯ ಹಾಗೂ ಅಂತರರಾಷ್ಟ್ರೀಯವಾಗಿ ಅಪರೂಪವಾಗಿ ಕಂಡುಬರುವ ತಾಂತ್ರಿಕ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಹೊಂದಿದೆ.

ಕ್ಲೆವಿ AIಯನ್ನು ‘ಉದ್ದೇಶ’ವಾಗಿ ಅಲ್ಲ, ‘ಸಾಧನ’ವಾಗಿ ಪರಿಗಣಿಸಿ, ನೈಜ ಕಾರ್ಯದಕ್ಷತೆ ಮತ್ತು ಕೈಗಾರಿಕಾ ನವೀನತೆಗೆ ಕೊಡುಗೆ ನೀಡುವ ಪ್ರಾಯೋಗಿಕ AI ಪರಿಹಾರಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.ನಿಜವಾದ From-scratch Foundation ಮಾದರಿಯ ವಿಭಿನ್ನತೆಯನ್ನು ನೇರವಾಗಿ ಅನುಭವಿಸಿ.

ವಿಚಾರಣೆಗಳು ಮತ್ತು ಡೆಮೊ ವಿನಂತಿಗಳು: [email protected]

Copyright© 2025 Clevi Inc. ಎಲ್ಲಾ ಹಕ್ಕುಗಳನ್ನು ಕಾಯ್ದಿರಿಸಲಾಗಿದೆ.