Op 24 oktober nam CLEVI op uitnodiging van de Koreaanse Vereniging voor Industriële Intelligentie (KOIIA) deel aan de ‘Academie voor de ontwikkeling van kernpersoneel bij middelgrote bedrijven 2025, seminar over strategieën voor de toekomstbestendige industrie’, waar de CEO van CLEVI, Lee Hwan-ho, de keynote hield.
Wij namen deel aan de sessie ‘Praktijkvoorbeelden van AI-technologie en praktische strategieën voor DX’ met het onderwerp ‘Praktijkvoorbeelden van Physical AI en faalfactoren en verbeterstrategieën bij de introductie van RAG-agents’.
Nu de belangstelling voor AI-agents recentelijk toeneemt, zijn er steeds meer bedrijven die overwegen om AI te introduceren. Voor zover wij weten, hebben veel instellingen en bedrijven AI al op proef geïntroduceerd en in gebruik genomen.
Helaas blijkt uit onderzoek dat veel bedrijven en instellingen niet de gewenste ROI behalen, of dat functies die tijdens een PoC werkten in het daadwerkelijke project of op de werkvloer geen goede antwoorden geven of helemaal niet werken.
Door deze informatie zijn veel bedrijven terughoudend geworden met een overhaaste introductie van AI.
Tijdens deze lezing legde de CEO van CLEVI, Lee Hwan-ho, uitgebreid de beperkingen van RAG-systemen, een belangrijke oorzaak van mislukte overhaaste AI-introducties, en open-sourcemodellen en small LLM’s (SLM’s) uit. Ook lichtte hij toe waarom eerdere introductiecasussen waren mislukt.
Uiteindelijk wordt AI ingezet in de verwachting dat het het werk van mensen overneemt of betere prestaties levert dan mensen.
Medewerkers van bedrijven die AI momenteel hebben geïntroduceerd, klagen dat hun werklast juist toeneemt omdat zij, doordat zij geen vertrouwen hebben in de kwaliteit van AI-antwoorden, elk AI-antwoord afzonderlijk moeten controleren.
De reden hiervoor is dat de meeste bedrijven open-source SLM-modellen finetunen en als oplossing gebruiken.
Intuïtief zou je denken dat AI slimmer wordt wanneer het nieuwe kennis leert, maar wanneer AI nieuwe kennis aanleert, verliest het juist herinneringen uit het verleden, oftewel willekeurige parametergewichten.
Een nog ernstiger probleem is dat niemand weet welke informatie of kennis verloren is gegaan.
Omdat de invoering van AI geen kwestie is waarvoor slechts weinig middelen nodig zijn, zult u vanaf de PoC-fase veel validaties hebben uitgevoerd.
Waarom deden dergelijke problemen zich toen niet voor? Dat komt natuurlijk doordat het model opnieuw was getraind met doelgerichte informatie.
Als u een AI die alleen cijfers kende het alfabet aanleert en vervolgens alleen vragen over het alfabet stelt, is het vanzelfsprekend dat deze goed antwoordt. Maar hebben we in de praktijk alleen modellen nodig die gespecialiseerd zijn in een specifiek domein?
In onze praktijk worden we elke dag geconfronteerd met nieuwe omgevingen en nieuwe gegevens. Maar AI die is getraind door bestaande kennis willekeurig af te breken, kan noch veelzijdigheid noch nauwkeurigheid garanderen.
Daarom is het nodig om een From-scratch Foundation-model voor grote taalmodellen te bezitten of over de technologie te beschikken om zo'n model te bouwen.
Omdat dergelijke modellen vrijwel alle kennis ter wereld bevatten, zijn niet alleen de kwaliteit, maar ook de nauwkeurigheid van hun antwoorden hoog.
Voor gespecialiseerde domeinen kunt u de tekortkomingen van een gefinetunede SLM overwinnen door de technologie SFT(Supervised Fine-Tuning) te gebruiken, of bij kleine hoeveelheden gegevens een RAG-systeem of de Semantic Database-technologie, het door CLEVI zelf ontwikkelde intelligentiedatabasesysteem.
Omdat de overheid het belang van dergelijke foundationmodellen ook inziet, biedt zij volop ondersteuning.
Dat is het National Representative AI-project. Het belangrijkste doel van dit project is waarschijnlijk het veiligstellen van digitale soevereiniteit.
Omdat ook CLEVI op de hoogte was van de kritieke tekortkomingen van het gebruik van opensourcemodellen, hebben we onze modellen zelfstandig ontwikkeld en getraind, van gegevensverzameling tot architectuurontwerp.
De modellen van CLEVI leveren momenteel prestaties die geenszins onderdoen voor die van toonaangevende AI-systemen wereldwijd.
Omdat we met name over onze eigen modellen beschikken, heeft CLEVI ook geen last van afhankelijkheidsproblemen die kunnen ontstaan bij het gebruik van externe modellen.
De invoering van AI wordt nu een noodzaak in plaats van een keuze. Maar alleen het invoeren van de nieuwste technologie is niet voldoende om de gewenste resultaten te behalen.
Echte innovatie begint pas wanneer u de beperkingen van technologie nauwkeurig begrijpt en een optimale strategie opstelt die aansluit bij de omgeving en doelstellingen van uw organisatie.
Met onderscheidende technologische expertise, waaronder een eigen groot taalmodel en een Semantic Database, helpt CLEVI bedrijven trial-and-error en risico's tijdens het invoeringsproces van AI tot een minimum te beperken.
Ook in de toekomst zullen we blijven luisteren naar de stem van de praktijk en ons uiterste best doen om een betrouwbare AI-partner voor nog meer bedrijven te zijn. Moge u samen met CLEVI het echte succes van AI-adoptie realiseren.