Den 24. oktober deltok CLEVI på invitasjon fra 한국산업지능화협회 (KOIIA) i «2025-akademiet for utvikling av nøkkelkompetanse i mellomstore bedrifter, seminar om strategier for å møte fremtidens industrier», der CLEVI-direktør Lee Hwan-ho holdt hovedtalen.
Vi deltok i sesjonen «Eksempler på bruk av AI-teknologi og praktiske strategier for DX» med temaet «Eksempler på bruk av Physical AI samt faktorer som fører til fiasko og forbedringsstrategier ved innføring av RAG-agenter».
Ettersom interessen for AI-agenter har økt den siste tiden, er det også stadig flere virksomheter som vurderer å ta i bruk AI. Mange institusjoner og bedrifter har allerede begynt å prøve ut og drifte AI-løsninger.
Dessverre viser undersøkelser at mange bedrifter og institusjoner ikke oppnår ønsket ROI, eller at funksjoner som fungerte i en PoC, ikke gir tilfredsstillende svar eller fungerer som de skal i hovedprosjektet eller ute i felt.
På grunn av denne informasjonen nøler mange bedrifter med å ta i bruk AI for raskt.
I foredraget forklarte CLEVI-direktør Lee Hwan-ho begrensningene ved RAG-systemer, som er en av de viktigste årsakene til at AI-innføringer mislykkes når de gjennomføres for raskt. Han redegjorde også i detalj for åpen kildekode-modeller og små LLM-er (SLM), og forklarte hvorfor tidligere innføringer mislyktes.
Grunnen til at vi bruker AI, er tross alt at vi forventer at den skal utføre menneskers arbeid eller levere bedre ytelse enn mennesker.
De ansatte som arbeider med AI i bedrifter som har tatt teknologien i bruk, stoler imidlertid ikke på kvaliteten på AI-svarene. Derfor kommer det stadig flere klager på at arbeidsmengden i stedet har økt, fordi de må kontrollere AI-svarene ett for ett.
Årsaken er at de fleste bedrifter finjusterer SLM-modeller med åpen kildekode og bruker dem som løsninger.
Intuitivt tenker man at AI blir smartere når den lærer noe nytt. Når AI lærer ny kunnskap, mister den imidlertid tidligere minner, det vil si vilkårlige parametervekter.
Et enda mer alvorlig problem er at ingen vet hvilken informasjon eller kunnskap som har gått tapt.
Siden innføring av AI ikke er noe som krever lite ressurser, har dere sannsynligvis gjennomført mange valideringer allerede i PoC-fasen.
Hvorfor oppsto ikke slike problemer på dette tidspunktet? Det skyldes selvfølgelig at modellen ble trent på nytt med målrettet informasjon.
Hvis man lærer en AI som bare kunne tall, alfabetet, og deretter bare stiller spørsmål om alfabetet, er det naturlig at den svarer godt. Men trenger man i praksis bare modeller som er spesialisert på slike bestemte domener?
I praksis møter vi nye miljøer og nye data hver dag. Men en AI som er trent ved å ødelegge eksisterende kunnskap tilfeldig, kan ikke garantere verken generaliserbarhet eller nøyaktighet.
Derfor trenger man en From-scratch Foundation-stormodell for språk, eller teknologi som kan utvikle en slik modell.
Fordi disse modellene har nesten all kunnskap i verden, gir de ikke bare høy kvalitet på svarene, men også høy nøyaktighet.
For spesialiserte domener kan man bruke teknologien SFT (Supervised Fine-Tuning), eller ved små datamengder bruke et RAG-system eller CLEVIs egenutviklede intelligensdatabase, Semantic Database-teknologi, for å overvinne ulempene ved en finjustert SLM.
Myndighetene vet også hvor viktig slike foundation-modeller er, og yter derfor betydelig støtte.
Dette er det nasjonale AI-prosjektet. Det viktigste målet med dette prosjektet er trolig å sikre digital suverenitet.
I CLEVI kjente vi også til de alvorlige ulempene ved bruk av åpen kildekode-modeller. Derfor utviklet vi modellene våre selvstendig, fra datainnsamling til arkitekturdesign, og trente dem selv.
CLEVI-modellene har i dag en ytelse som på ingen måte står tilbake for verdens ledende AI-systemer, selv når de konkurrerer med dem.
Siden vi spesielt har våre egne modeller, er CLEVI heller ikke berørt av avhengighetsproblemene som kan oppstå ved bruk av eksterne modeller.
Innføring av AI er i ferd med å bli en nødvendighet, ikke et valg. Men det er vanskelig å oppnå de ønskede resultatene ved ganske enkelt å ta i bruk den nyeste teknologien.
Ekte innovasjon begynner først når man forstår teknologiens begrensninger nøyaktig og utarbeider den optimale strategien for organisasjonens miljø og mål.
Med differensiert teknologisk kompetanse, som egenutviklede stormodeller for språk og Semantic Database, minimerer CLEVI prøving og feiling samt risikoene virksomheter møter i prosessen med å ta i bruk AI.
Også fremover vil vi lytte til stemmene fra feltet og gjøre vårt ytterste for å bli en AI-partner som stadig flere virksomheter kan stole på. Vi håper dere vil skape den virkelige suksessen med innføringen av AI sammen med CLEVI.