भविष्यातील उद्योगांना सामोरे जाण्याच्या धोरणांवरील परिसंवाद - कोरिया इंडस्ट्रियल इंटेलिजन्स असोसिएशन

गेल्या 24 ऑक्टोबर रोजी कोरिया इंडस्ट्रियल इंटेलिजन्स असोसिएशन (KOIIA) यांच्या निमंत्रणावरून ‘2025 मध्यम आकाराच्या उद्योगांतील प्रमुख प्रतिभा विकास अकादमी, भविष्यातील उद्योगांना सामोरे जाण्याच्या धोरणांवरील परिसंवाद’मध्ये सहभागी होऊन CLEVI चे प्रतिनिधी ली ह्वान-हो यांनी प्रमुख भाषण केले.

आम्ही ‘AI तंत्रज्ञान स्वीकारण्याची उदाहरणे आणि DX अंमलबजावणी धोरणे’ या सत्रात ‘Physical AI वापरण्याची उदाहरणे आणि RAG एजंट सादर करण्याच्या प्रक्रियेतील अपयशाचे घटक व सुधारणा धोरणे’ या विषयावर सहभागी झालो.

अलीकडे AI एजंट्सबद्दलची रुची वाढत असल्याने, AI स्वीकारण्याचा विचार करणाऱ्या कंपन्यांची संख्याही वाढत आहे. अनेक संस्था आणि कंपन्यांनी आधीच AI प्रायोगिक स्वरूपात स्वीकारून त्याचे संचालन सुरू केले आहे, असे दिसते.

मात्र, दुर्दैवाने, अनेक कंपन्या आणि संस्थांमध्ये अपेक्षित ROI मिळत नसल्याचे, तसेच PoC मध्ये कार्यरत असलेली कार्ये मुख्य प्रकल्पात किंवा प्रत्यक्ष क्षेत्रात योग्य उत्तरे देत नसल्याचे किंवा कार्यरतच होत नसल्याचे आढळले आहे.

या माहितीमुळे अनेक कंपन्या AI घाईघाईने स्वीकारण्यास कचरू लागल्या आहेत.

या व्याख्यानात CLEVI चे प्रतिनिधी ली ह्वान-हो यांनी घाईघाईने AI स्वीकारण्यामागील प्रमुख अपयशाचे कारण असलेल्या RAG प्रणालीच्या मर्यादा तसेच ओपन-सोर्स मॉडेल्स आणि स्मॉल LLM (SLM) यांचे सविस्तर स्पष्टीकरण देत, यापूर्वीच्या स्वीकाराच्या प्रयत्नांना अपयश का आले हे स्पष्ट केले.

शेवटी, AI वापरण्याचे कारण म्हणजे ते माणसांची कामे करेल किंवा माणसांपेक्षा चांगली कामगिरी करेल अशी अपेक्षा असते.

मात्र, सध्या AI स्वीकारलेल्या कंपन्यांमधील प्रत्यक्ष काम करणाऱ्या कर्मचाऱ्यांना AI च्या उत्तरांच्या गुणवत्तेवर विश्वास नसल्याने, AI ची उत्तरे प्रत्येक वेळी तपासावी लागत आहेत आणि त्यामुळे उलट कामाचा ताण वाढत असल्याच्या तक्रारी वाढत आहेत.

याचे कारण असे आहे की बहुतेक कंपन्या ओपन-सोर्स SLM मॉडेलचे फाइन-ट्युनिंग करून ते समाधान म्हणून वापरत आहेत.

सहज विचार केला तर AI नवीन शिकल्यावर अधिक हुशार होईल असे वाटते; परंतु AI ला नवीन ज्ञान शिकवल्यास त्याच्या पूर्वीच्या स्मृती, म्हणजेच अनियंत्रित पॅरामीटर वेट्स, गमावले जातात.

याहून गंभीर समस्या म्हणजे कोणती माहिती किंवा ज्ञान गमावले गेले आहे हे कोणालाही कळत नाही.

AI स्वीकारणे ही छोटी संसाधने लागणारी बाब नसल्यामुळे, PoCच्या टप्प्यापासूनच आपण अनेक पडताळण्या केल्या असतील.

मग यावेळी अशा समस्या का दिसून आल्या नाहीत? कारण, अर्थातच, लक्ष्यित माहितीवर पुन्हा प्रशिक्षण देण्यात आले होते.

ज्या AIला फक्त अंक माहीत होते, त्याला वर्णमाला शिकवून त्यानंतर केवळ वर्णमालेसंबंधी प्रश्न विचारले, त्यामुळे त्याने उत्तरे चांगली देणे स्वाभाविक आहे. पण प्रत्यक्ष कार्यक्षेत्रात केवळ अशा विशिष्ट डोमेनसाठी खास तयार केलेली मॉडेल्सच आवश्यक असतात का?

​

आपल्या कार्यक्षेत्राला दररोज नवीन वातावरणे आणि नवीन डेटाचा सामना करावा लागतो. मात्र विद्यमान ज्ञान यादृच्छिकपणे नष्ट करत शिकवलेले AI सर्वसाधारणता तर सोडाच, अचूकतेचीही हमी देऊ शकत नाही.

म्हणून From-scratch Foundation अतिविशाल भाषा मॉडेल असणे किंवा असे मॉडेल तयार करण्यासाठी आवश्यक तंत्रज्ञान असणे गरजेचे आहे.

अशा मॉडेल्समध्ये जगातील जवळजवळ सर्व ज्ञान असल्यामुळे, उत्तरांची गुणवत्ता तसेच अचूकताही अधिक असते.

विशिष्ट डोमेनसाठी SFT(Supervised Fine-Tuning) हे तंत्रज्ञान वापरता येते. तसेच, कमी प्रमाणातील डेटासाठी RAG प्रणाली किंवा CLEVIने स्वतः विकसित केलेल्या इंटेलिजन्स डेटाबेस प्रणालीतील सिमॅंटिक डेटाबेस तंत्रज्ञानाचा वापर केल्यास, फाइन-ट्यून केलेल्या SLMच्या मर्यादा दूर करता येतात.

अशा फाउंडेशन मॉडेल्सचे महत्त्व सरकारलाही माहीत असल्यामुळे, ते मोठ्या प्रमाणावर मदत देत आहे.

हा म्हणजे राष्ट्रीय प्रतिनिधी AI प्रकल्प. या प्रकल्पाचे सर्वात मोठे उद्दिष्ट डिजिटल सार्वभौमत्व सुनिश्चित करणे हे असेल.

ओपन-सोर्स मॉडेल वापरताना उद्भवणाऱ्या गंभीर मर्यादा आम्हाला माहीत असल्यामुळे, CLEVIने डेटा संकलनापासून आर्किटेक्चर डिझाइनपर्यंत सर्व काही स्वतंत्रपणे विकसित करून CLEVIची मॉडेल्स प्रशिक्षित केली आहेत.

सध्या CLEVIच्या मॉडेल्सची कामगिरी जगातील आघाडीच्या AI प्रणालींशी स्पर्धा करतानाही अजिबात कमी पडत नाही.

विशेषतः, आमच्याकडे स्वतःची मॉडेल्स असल्यामुळे बाह्य मॉडेल्स वापरल्यास उद्भवू शकणाऱ्या अवलंबित्वाच्या समस्यांशी CLEVIचा काहीही संबंध नाही.

आता AI स्वीकारणे हा पर्याय न राहता गरज बनत आहे. मात्र केवळ नवीनतम तंत्रज्ञान स्वीकारल्याने अपेक्षित परिणाम मिळवणे कठीण आहे.

खरी नवकल्पना तंत्रज्ञानाच्या मर्यादा अचूकपणे समजून घेऊन, आपल्या संस्थेच्या वातावरणाला आणि उद्दिष्टांना अनुरूप सर्वोत्तम धोरण आखल्यावरच सुरू होते.

CLEVI आपल्या स्वतंत्र अतिविशाल भाषा मॉडेल आणि सिमॅंटिक डेटाबेससारख्या वेगळेपण निर्माण करणाऱ्या तांत्रिक क्षमतेद्वारे, कंपन्यांना AI स्वीकारताना येणाऱ्या चाचपडण्याच्या टप्प्यांचा आणि जोखमींचा कमीतकमी परिणाम होईल याची खात्री करत आहे.

यापुढेही आम्ही क्षेत्रातील आवाज ऐकून घेत राहू आणि अधिकाधिक कंपन्यांचा विश्वास संपादन करणारा AI भागीदार होण्यासाठी सर्वतोपरी प्रयत्न करू. AI स्वीकारण्याचे खरे यश CLEVI सोबत घडवून आणाल, अशी आमची इच्छा आहे.