ഭാവി വ്യവസായങ്ങളോടുള്ള പ്രതികരണ തന്ത്ര സെമിനാർ - കൊറിയ ഇൻഡസ്ട്രിയൽ ഇന്റലിജൻസിഫിക്കേഷൻ അസോസിയേഷൻ

കഴിഞ്ഞ ഒക്ടോബർ 24-ന് കൊറിയ ഇൻഡസ്ട്രിയൽ ഇന്റലിജൻസിഫിക്കേഷൻ അസോസിയേഷന്റെ (KOIIA) ക്ഷണപ്രകാരം ‘2025 മധ്യവലുപ്പ സ്ഥാപനങ്ങളിലെ പ്രധാന പ്രതിഭകളെ വളർത്തുന്നതിനുള്ള അക്കാദമി, ഭാവി വ്യവസായങ്ങളോടുള്ള പ്രതികരണ തന്ത്ര സെമിനാർ’ എന്ന പരിപാടിയിൽ പങ്കെടുത്ത് CLEVIയുടെ പ്രതിനിധി ലീ ഹ്വാൻഹോ മുഖ്യപ്രഭാഷണം നടത്തി.

‘AI സാങ്കേതികവിദ്യ സ്വീകരിച്ച കേസുകളും DX പ്രായോഗിക തന്ത്രങ്ങളും’ എന്ന സെഷനിൽ ‘Physical AI ഉപയോഗിച്ച കേസുകളും RAG ഏജന്റിനെ അവതരിപ്പിക്കുന്ന പ്രക്രിയയിലെ പരാജയ കാരണങ്ങളും മെച്ചപ്പെടുത്തൽ തന്ത്രങ്ങളും’ എന്ന വിഷയത്തിൽ ഞങ്ങൾ പങ്കെടുത്തു.

അടുത്തിടെ AI ഏജന്റുകളോടുള്ള താൽപര്യം വർധിച്ചതിനാൽ, നിരവധി AI സംവിധാനങ്ങൾ അവതരിപ്പിക്കുന്നതിനെക്കുറിച്ച് പരിഗണിക്കുന്ന കമ്പനികളുടെ എണ്ണവും വർധിച്ചുവരികയാണ്. ഇതിനകം നിരവധി സ്ഥാപനങ്ങളും കമ്പനികളും AI പരീക്ഷണാടിസ്ഥാനത്തിൽ അവതരിപ്പിച്ച് പ്രവർത്തിപ്പിക്കുന്നതായി ഞങ്ങൾ മനസ്സിലാക്കുന്നു.

എന്നാൽ, നിർഭാഗ്യവശാൽ, പല കമ്പനികൾക്കും സ്ഥാപനങ്ങൾക്കും പ്രതീക്ഷിച്ച ROI ലഭിക്കാത്തതോ PoC-യിൽ പ്രവർത്തിച്ച സവിശേഷതകൾ യഥാർഥ പദ്ധതിയിലോ പ്രവർത്തനമേഖലയിലോ ശരിയായ ഉത്തരങ്ങൾ നൽകാത്തതോ പ്രവർത്തിക്കാത്തതോ ആയ സംഭവങ്ങൾ വളരെ കൂടുതലാണെന്ന് കണ്ടെത്തിയിട്ടുണ്ട്.

ഇത്തരം വിവരങ്ങൾ കാരണം പല കമ്പനികളും AI തിടുക്കത്തിൽ അവതരിപ്പിക്കുന്നതിൽ വിമുഖത കാണിക്കുന്നു.

ഈ പ്രഭാഷണത്തിൽ, തിടുക്കത്തിലുള്ള AI അവതരണത്തിന്റെ പ്രധാന പരാജയകാരണങ്ങളായ RAG സിസ്റ്റങ്ങളുടെ പരിമിതികളും ഓപ്പൺ സോഴ്‌സ് മോഡലുകളെയും സ്മോൾ LLM (SLM)-കളെയും കുറിച്ചും CLEVIയുടെ പ്രതിനിധി ലീ ഹ്വാൻഹോ വിശദമായി വിശദീകരിച്ചു. മുമ്പത്തെ അവതരണ കേസുകൾ പരാജയപ്പെട്ടതിന്റെ കാരണവും അദ്ദേഹം വിശദീകരിച്ചു.

അവസാനം, AI ഉപയോഗിക്കുന്നതിന്റെ കാരണം മനുഷ്യരുടെ ജോലി ഏറ്റെടുക്കുകയോ മനുഷ്യരേക്കാൾ മികച്ച പ്രകടനം കാഴ്ചവയ്ക്കുകയോ ചെയ്യുമെന്ന് പ്രതീക്ഷിക്കുന്നതിനാലാണ്.

നിലവിൽ AI അവതരിപ്പിച്ച കമ്പനികളിലെ പ്രായോഗിക പ്രവർത്തകർക്ക് AI ഉത്തരങ്ങളുടെ ഗുണനിലവാരത്തിൽ വിശ്വാസമില്ലാത്തതിനാൽ, AI ഉത്തരങ്ങളുടെ ഉള്ളടക്കം ഓരോന്നായി പരിശോധിക്കേണ്ടിവരുകയും അതുവഴി ജോലി കുറയുന്നതിനുപകരം വർധിക്കുകയും ചെയ്യുന്നു എന്ന പരാതികൾ ഉയരുകയാണ്.

മിക്ക കമ്പനികളും ഓപ്പൺ സോഴ്‌സ് SLM മോഡലുകൾ ഫൈൻ-ട്യൂൺ ചെയ്ത് പരിഹാരമായി ഉപയോഗിക്കുന്നതാണ് കാരണം.

അവബോധപരമായി, AI പുതിയ പഠനം നടത്തുമ്പോൾ അത് കൂടുതൽ ബുദ്ധിമാനാകുമെന്ന് നാം കരുതുന്നു. എന്നാൽ AI-യ്ക്ക് പുതിയ അറിവ് പഠിപ്പിക്കുമ്പോൾ, അത് മുൻകാല ഓർമ്മകൾ, അതായത് ക്രമരഹിതമായ പാരാമീറ്റർ ഭാരങ്ങൾ, നഷ്ടപ്പെടുത്തുന്നു.

ഏത് വിവരമോ അറിവോ നഷ്ടപ്പെട്ടുവെന്ന് ആർക്കും അറിയാൻ കഴിയാത്തതാണ് ഇതിലും ഗുരുതരമായ പ്രശ്നം.

AI നടപ്പാക്കൽ ചെറിയൊരു വിഭവം മാത്രം ആവശ്യമായ കാര്യമല്ലാത്തതിനാൽ, PoC ഘട്ടം മുതൽ നിങ്ങൾ നിരവധി പരിശോധനകൾ നടത്തിയിട്ടുണ്ടാകുമല്ലോ.

എന്നാൽ അന്ന് എന്തുകൊണ്ടാണ് അത്തരത്തിലുള്ള പ്രശ്നങ്ങൾ പ്രത്യക്ഷപ്പെടാതിരുന്നത്? കാരണം, തീർച്ചയായും ടാർഗറ്റ് വിവരങ്ങൾ ഉപയോഗിച്ച് വീണ്ടും പരിശീലനം നൽകിയതുകൊണ്ടാണ്.

അക്കങ്ങൾ മാത്രം അറിയുന്ന AI-യെ അക്ഷരമാല പഠിപ്പിച്ച്, പിന്നീട് അക്ഷരമാലയുമായി ബന്ധപ്പെട്ട ചോദ്യങ്ങൾ മാത്രം ചോദിച്ചാൽ സ്വാഭാവികമായും അത് മികച്ച രീതിയിൽ ഉത്തരം നൽകും. എന്നാൽ യഥാർത്ഥ പ്രവർത്തനസ്ഥലങ്ങളിൽ ഇത്തരത്തിലുള്ള ഒരു പ്രത്യേക ഡൊമെയ്‌നിൽ മാത്രം പ്രാവീണ്യമുള്ള മോഡൽ മതിയാകുമോ?

​

നമ്മുടെ പ്രവർത്തനസ്ഥലങ്ങൾ ഓരോ ദിവസവും പുതിയ സാഹചര്യങ്ങളെയും പുതിയ ഡാറ്റയെയും അഭിമുഖീകരിക്കുന്നു. എന്നാൽ നിലവിലുള്ള അറിവുകൾ ക്രമരഹിതമായി നശിപ്പിച്ചുകൊണ്ട് പരിശീലിപ്പിച്ച AI-ക്ക് പൊതുവായ ഉപയോഗക്ഷമത മാത്രമല്ല, കൃത്യതയും ഉറപ്പാക്കാൻ കഴിയില്ല.

അതിനാൽ From-scratch Foundation അടിസ്ഥാനത്തിലുള്ള വലിയ ഭാഷാ മോഡൽ സ്വന്തമായി കൈവശം വയ്ക്കുകയോ, അത്തരമൊരു മോഡൽ സൃഷ്ടിക്കാനുള്ള സാങ്കേതികവിദ്യ സ്വന്തമാക്കുകയോ ആവശ്യമാണ്.

ഇത്തരം മോഡലുകൾക്ക് ലോകത്തിലെ ഏകദേശം മുഴുവൻ അറിവും ഉള്ളതിനാൽ, ഉത്തരങ്ങളുടെ ഗുണനിലവാരം മാത്രമല്ല കൃത്യതയും ഉയർന്നതാണ്.

പ്രത്യേക ഡൊമെയ്‌നുകൾക്കായി SFT(Supervised Fine-Tuning) എന്ന സാങ്കേതികവിദ്യ ഉപയോഗിക്കുകയോ, ചെറിയ അളവിലുള്ള ഡാറ്റയ്ക്ക് RAG സിസ്റ്റം അല്ലെങ്കിൽ CLEVI സ്വയം വികസിപ്പിച്ച ഇന്റലിജൻസ് ഡാറ്റാബേസ് സിസ്റ്റമായ സെമാന്റിക് ഡാറ്റാബേസ് സാങ്കേതികവിദ്യ ഉപയോഗിക്കുകയോ ചെയ്താൽ, ഫൈൻ-ട്യൂൺ ചെയ്ത SLM-ന്റെ പരിമിതികളെ മറികടക്കാൻ കഴിയും.

ഇത്തരം ഫൗണ്ടേഷൻ മോഡലുകളുടെ പ്രാധാന്യം സർക്കാരിനും അറിയുന്നതിനാൽ, അവർ വലിയ പിന്തുണ നൽകിവരികയാണ്.

അതാണ് ദേശീയ പ്രതിനിധി AI പദ്ധതി. ഈ പദ്ധതിയുടെ ഏറ്റവും വലിയ ലക്ഷ്യം ഡിജിറ്റൽ പരമാധികാരം ഉറപ്പാക്കുക എന്നതായിരിക്കും.

ഓപ്പൺ സോഴ്‌സ് മോഡലുകൾ ഉപയോഗിക്കുമ്പോഴുണ്ടാകുന്ന ഗുരുതരമായ പരിമിതികളെക്കുറിച്ച് CLEVI-ക്കും അറിയാമായിരുന്നതിനാൽ, ഡാറ്റ ശേഖരണം മുതൽ ആർക്കിടെക്ചർ രൂപകൽപ്പന വരെ സ്വതന്ത്രമായി വികസിപ്പിച്ചാണ് CLEVI-യുടെ മോഡലുകൾ പരിശീലിപ്പിച്ചത്.

നിലവിൽ CLEVI-യുടെ മോഡലുകൾക്ക് ലോകത്തിലെ മുൻനിര AI-കളുമായി മത്സരിക്കുമ്പോഴും ഒട്ടും പിന്നിലാകാത്ത പ്രകടനമുണ്ട്.

പ്രത്യേകിച്ച്, സ്വന്തം മോഡലുകൾ കൈവശമുള്ളതിനാൽ ബാഹ്യ മോഡലുകൾ ഉപയോഗിക്കുമ്പോൾ ഉണ്ടാകാവുന്ന ആശ്രിതത്വ പ്രശ്നങ്ങളുമായി CLEVI-ക്ക് യാതൊരു ബന്ധവുമില്ല.

AI നടപ്പാക്കൽ ഇപ്പോൾ ഒരു തിരഞ്ഞെടുപ്പല്ല, അനിവാര്യതയായി മാറിക്കൊണ്ടിരിക്കുകയാണ്. എന്നാൽ ഏറ്റവും പുതിയ സാങ്കേതികവിദ്യ സ്വീകരിക്കുന്നതുകൊണ്ട് മാത്രം ആഗ്രഹിച്ച ഫലങ്ങൾ നേടുക പ്രയാസമാണ്.

സാങ്കേതികവിദ്യയുടെ പരിമിതികൾ കൃത്യമായി മനസ്സിലാക്കി, നമ്മുടെ സ്ഥാപനത്തിന്റെ സാഹചര്യങ്ങൾക്കും ലക്ഷ്യങ്ങൾക്കും അനുയോജ്യമായ മികച്ച തന്ത്രം രൂപപ്പെടുത്തുമ്പോഴാണ് യഥാർത്ഥ നവീകരണം ആരംഭിക്കുന്നത്.

സ്വതന്ത്രമായി വികസിപ്പിച്ച വലിയ ഭാഷാ മോഡലും സെമാന്റിക് ഡാറ്റാബേസും ഉൾപ്പെടെയുള്ള വ്യത്യസ്തമായ സാങ്കേതികവിദ്യകളിലൂടെ, സ്ഥാപനങ്ങൾ AI നടപ്പാക്കൽ പ്രക്രിയയിൽ നേരിടുന്ന പരീക്ഷണപ്പിഴവുകളും അപകടസാധ്യതകളും CLEVI പരമാവധി കുറയ്ക്കുന്നു.

ഇനിയും ഞങ്ങൾ പ്രവർത്തനമേഖലയിലെ ശബ്ദങ്ങൾക്ക് ചെവികൊടുക്കുകയും കൂടുതൽ കമ്പനികൾക്ക് വിശ്വസിക്കാവുന്ന AI പങ്കാളിയാകാൻ പരമാവധി ശ്രമിക്കുകയും ചെയ്യും. AI സ്വീകരണത്തിന്റെ യഥാർത്ഥ വിജയം CLEVI-യോടൊപ്പം നിങ്ങൾ സൃഷ്ടിക്കുമെന്ന് പ്രതീക്ഷിക്കുന്നു.