Den 24. oktober deltok Clevi-sjef Lee Hwan-ho som hovudtalar på «2025 Academy for utvikling av nøkkelkompetanse i mellomstore verksemder, seminar om strategiar for å møte framtidsindustrien», etter invitasjon frå Korea Industrial Intelligence Association (KOIIA).
Vi deltok i økta «Døme på innføring av AI-teknologi og praktiske DX-strategiar» med temaet «Døme på bruk av Physical AI, feilkjelder og forbetringsstrategiar ved innføring av RAG-agentar».
Etter kvart som interessa for AI-agentar har auka den siste tida, er det stadig fleire verksemder som vurderer å ta i bruk AI. Vi forstår det slik at mange institusjonar og verksemder allereie har innført AI på prøvebasis og tek det i bruk.
Dessverre viser undersøkingar at mange verksemder og institusjonar ikkje oppnår den forventa ROI-en, eller at funksjonar som fungerte i ein PoC, ikkje gir gode svar eller ikkje fungerer som dei skal i hovudprosjektet eller ute i felt.
På grunn av denne informasjonen er mange verksemder tilbakehaldne med å innføre AI for raskt.
I dette foredraget forklarte Clevi-sjef Lee Hwan-ho inngåande avgrensingane ved RAG-system, som er ei av dei viktigaste årsakene til mislykka og forhasta AI-innføringar, samt open source-modellar og små LLM-ar (SLM). Han forklarte kvifor dei tidlegare innføringsforsøka hadde mislukkast.
Grunnen til at ein tek i bruk AI, er trass alt forventninga om at AI skal kunne overta oppgåvene til menneske eller prestere betre enn menneske.
Dei tilsette som arbeider praktisk med AI i verksemder som har innført teknologien, stoler ikkje på kvaliteten på AI-svara. Difor kjem det stadig fleire klager på at arbeidsmengda i staden har auka, fordi dei må kontrollere AI-svara eitt for eitt.
Årsaka er at dei fleste verksemdene finjusterer open source-baserte SLM-modellar og brukar dei som løysingar.
Intuitivt kan ein tru at AI blir smartare når det lærer noko nytt, men når AI lærer ny kunnskap, mistar det i staden tidlegare minne, det vil seie vilkårlege parametervekter.
Eit endå meir alvorleg problem er at ingen veit kva for informasjon eller kunnskap som har gått tapt.
Sidan innføring av AI ikkje er noko som krev lite ressursar, har de truleg gjennomført mykje validering heilt frå PoC-fasen.
Kvifor dukka ikkje slike problem opp på dette tidspunktet? Det er sjølvsagt fordi modellen vart trena på nytt med målretta informasjon.
Når ein lærer ein AI som berre kjende tal, alfabetet, og deretter berre stiller spørsmål om alfabetet, er det naturleg at han svarar godt. Men treng ein ute i verksemda berre modellar som er spesialiserte på slike bestemte domene?
Arbeidskvardagen vår møter kvar dag nye miljø og nye data. Men ein AI som er trena ved å øydeleggje eksisterande kunnskap tilfeldig, kan ikkje garantere korkje allsidigheit eller nøyaktigheit.
Difor treng ein å ha ein From-scratch Foundation-stor språkmodell, eller teknologi som kan utvikle ein slik modell.
Sidan desse modellane har nesten all kunnskap i verda, er ikkje berre kvaliteten på svara, men òg nøyaktigheita høg.
For spesialiserte domene kan ein overvinne ulempene ved ein finjustert SLM ved å bruke teknologien SFT(Supervised Fine-Tuning), eller, for mindre datamengder, eit RAG-system eller CLEVI sitt eigenutvikla intelligensdatabasesystem, teknologien semantisk database.
Sidan styresmaktene òg kjenner til kor viktige slike foundation-modellar er, sparer dei ikkje på støtta.
Det er nettopp det nasjonale AI-prosjektet. Det viktigaste målet med dette prosjektet er truleg å sikre digital suverenitet.
Vi i CLEVI kjende òg til dei kritiske ulempene ved å bruke open source-modellar, og har difor utvikla alt frå datainnsamling til arkitekturdesign på eiga hand for å trene CLEVI-modellane våre.
CLEVI-modellane våre har i dag ein yting som på ingen måte står tilbake for AI-systema til dei fremste aktørane i verda, sjølv når dei blir samanlikna med kvarandre.
Særleg sidan vi eigne modellar, er CLEVI heller ikkje råka av avhengigheitsproblema som kan oppstå ved bruk av eksterne modellar.
Innføring av AI er no i ferd med å bli ei nødvendighet, ikkje eit val. Men det er vanskeleg å oppnå dei ønska resultata berre ved å ta i bruk den nyaste teknologien.
Ekte innovasjon byrjar først når ein forstår avgrensingane til teknologien nøyaktig og utarbeider den optimale strategien tilpassa miljøet og måla til organisasjonen vår.
Med differensiert teknologisk kompetanse, som eigne store språkmodellar og semantiske databasar, minimerer CLEVI prøvinga og feila og risikoen verksemder møter i prosessen med å ta i bruk AI.
Framover vil vi halde fram med å lytte til røysta frå arbeidskvardagen og gjere vårt beste for å bli ein AI-partnar som fleire verksemder kan stole på. Vi håpar de saman med CLEVI kan skape verkeleg suksess med innføringa av AI.