Spalio 24 d. Korėjos pramonės intelektualizacijos asociacijos (KOIIA) kvietimu dalyvavome renginyje „2025 m. vidutinių įmonių pagrindinių talentų ugdymo akademija, ateities pramonės strategijų seminaras“, kuriame CLEVI vadovas Hwanho Lee pasakė pagrindinę kalbą.
Dalyvavome sesijoje „AI technologijų diegimo atvejai ir praktinės DX strategijos“, pristatydami temą „Physical AI taikymo atvejai, nesėkmės veiksniai diegiant RAG agentus ir tobulinimo strategijos“.
Pastaruoju metu didėjant susidomėjimui AI agentais, daugėja ir įmonių, svarstančių apie AI diegimą. Žinoma, kad daugelis institucijų ir įmonių jau bando diegti ir naudoti AI.
Tačiau, deja, tyrimai parodė, kad daugelyje įmonių ir institucijų nepasiekiama tikėtina investicijų grąža (ROI), o funkcijos, veikusios PoC etape, pagrindiniame projekte ar realioje darbo aplinkoje dažnai nepateikia tinkamų atsakymų arba apskritai neveikia.
Dėl šios informacijos daugelis įmonių vengia skubiai diegti AI.
Šioje paskaitoje CLEVI vadovas Hwanho Lee išsamiai paaiškino pagrindines skuboto AI diegimo nesėkmės priežastis – RAG sistemų ribotumus, atvirojo kodo modelius ir mažuosius LLM (SLM), taip pat paaiškino, kodėl ankstesni diegimo atvejai buvo nesėkmingi.
Galiausiai AI naudojamas todėl, kad tikimasi, jog jis atliks žmonių darbą arba pademonstruos geresnius rezultatus nei žmonės.
Kadangi įmonėse, jau įsidiegusiose AI, praktinį darbą atliekantys darbuotojai nepasitiki AI atsakymų kokybe, vis dažniau skundžiamasi, kad darbo krūvis, priešingai, padidėjo, nes reikia nuolat tikrinti AI atsakymų turinį.
Taip yra todėl, kad dauguma įmonių sprendimams naudoja atvirojo kodo SLM modelius, pritaikytus tiksliniam naudojimui atliekant papildomą mokymą.
Intuityviai atrodo, kad AI, mokydamasis naujos informacijos, taps išmanesnis, tačiau mokant AI naujų žinių prarandami ankstesni prisiminimai, t. y. atsitiktiniai parametrų svoriai.
Dar rimtesnė problema ta, kad niekas nežino, kokia informacija ar žinios buvo prarastos.
Kadangi DI diegimas nėra darbas, reikalaujantis nedaug išteklių, tikriausiai nuo pat PoC etapo atlikote daug patikrų.
Kodėl šį kartą tokia problema nepasireiškė? Žinoma, taip yra todėl, kad modelis buvo iš naujo mokomas naudojant tikslinę informaciją.
DI, kuris anksčiau žinojo tik skaičius, buvo išmokytas abėcėlės, o vėliau jam buvo pateikiami tik su abėcėle susiję klausimai, todėl natūralu, kad jis gerai atsakinėjo. Tačiau ar realiomis sąlygomis mums reikia tik tokio modelio, specializuoto konkrečioje srityje?
Mūsų veiklos aplinka kasdien susiduria su nauja aplinka ir naujais duomenimis. Tačiau DI, išmokytas atsitiktinai sunaikinant ankstesnes žinias, negali užtikrinti nei universalumo, nei tikslumo.
Todėl būtina turėti From-scratch Foundation didįjį kalbos modelį arba technologiją, leidžiančią tokį modelį sukurti.
Kadangi tokie modeliai turi beveik visas pasaulio žinias, jie pasižymi ne tik aukšta atsakymų kokybe, bet ir dideliu tikslumu.
Specializuotose srityse naudojant SFT(Supervised Fine-Tuning) technologiją, o nedideliam duomenų kiekiui – RAG sistemą arba CLEVI savarankiškai sukurtą intelektualiosios duomenų bazės sistemą, vadinamą semantinės duomenų bazės technologija, galima įveikti sureguliuoto SLM trūkumus.
Kadangi vyriausybė taip pat supranta šių pamatinių modelių svarbą, ji teikia didelę paramą.
Tai – Nacionalinio lyderio DI projektas. Pagrindinis šio projekto tikslas, be abejo, yra užtikrinti skaitmeninį suverenitetą.
Kadangi ir mes, CLEVI, žinojome apie kritinius atvirojo kodo modelių naudojimo trūkumus, savarankiškai sukūrėme viską – nuo duomenų rinkimo iki architektūros projektavimo – ir išmokėme CLEVI modelius.
Šiuo metu CLEVI modelių našumas visiškai nenusileidžia pirmaujančiam pasaulio DI, net ir su juo konkuruojant.
Ypač dėl to, kad turime savo modelius, CLEVI nesusiduria su priklausomybės problemomis, galinčiomis kilti naudojant išorinius modelius.
DI diegimas tampa ne pasirinkimu, o būtinybe. Tačiau vien naujausių technologijų diegimo nepakanka norimiems rezultatams pasiekti.
Tikroji inovacija prasideda tada, kai tiksliai suprantamos technologijos ribos ir sukuriama optimali strategija, atitinkanti mūsų organizacijos aplinką bei tikslus.
Pasitelkdama išskirtines technologijas, tokias kaip nuosavas didysis kalbos modelis ir semantinė duomenų bazė, CLEVI sumažina įmonių patiriamų bandymų ir klaidų bei rizikų mastą diegiant DI.
Ir toliau įsiklausysime į darbuotojų, dirbančių vietoje, nuomones ir stengsimės tapti patikimu AI partneriu dar daugiau įmonių. Tikimės, kad tikrąją AI diegimo sėkmę kursite kartu su CLEVI.