ଭବିଷ୍ୟତ ଶିଳ୍ପ ପାଇଁ ପ୍ରତିକ୍ରିୟା ରଣନୀତି ସେମିନାର - କୋରିଆ ଇଣ୍ଡଷ୍ଟ୍ରିଆଲ୍ ଇଣ୍ଟେଲିଜେନ୍ସ ଆସୋସିଏସନ୍

ଗତ ୨୪ ଅକ୍ଟୋବରରେ କୋରିଆ ଇଣ୍ଡଷ୍ଟ୍ରିଆଲ୍ ଇଣ୍ଟେଲିଜେନ୍ସ ଆସୋସିଏସନ୍ (KOIIA)ର ଆମନ୍ତ୍ରଣରେ ‘୨୦୨୫ ମଧ୍ୟମ ଆକାରର ଉଦ୍ୟୋଗଗୁଡ଼ିକ ପାଇଁ ମୁଖ୍ୟ ପ୍ରତିଭା ବିକାଶ ଏକାଡେମି, ଭବିଷ୍ୟତ ଶିଳ୍ପ ପାଇଁ ପ୍ରତିକ୍ରିୟା ରଣନୀତି ସେମିନାର’ରେ ଅଂଶଗ୍ରହଣ କରି କ୍ଲେଭିର ପ୍ରତିନିଧି ଲି ହ୍ୱାନ୍-ହୋ ମୁଖ୍ୟ ଭାଷଣ ଦେଇଥିଲେ।

ଆମେ ‘AI ପ୍ରଯୁକ୍ତି ଗ୍ରହଣ ମାମଲା ଏବଂ DX ପ୍ରାୟୋଗିକ ରଣନୀତି’ ଅଧିବେଶନରେ ‘Physical AI ବ୍ୟବହାର ମାମଲା ଏବଂ RAG ଏଜେଣ୍ଟ ଗ୍ରହଣ ପ୍ରକ୍ରିୟାରେ ବିଫଳତାର କାରଣ ଓ ସୁଧାର ରଣନୀତି’ ବିଷୟରେ ଅଂଶଗ୍ରହଣ କରିଥିଲୁ।

ସମ୍ପ୍ରତି AI ଏଜେଣ୍ଟ ପ୍ରତି ଆଗ୍ରହ ବଢ଼ୁଥିବାରୁ, AI ଗ୍ରହଣ କରିବାକୁ ବିଚାର କରୁଥିବା କମ୍ପାନୀର ସଂଖ୍ୟା ମଧ୍ୟ ବଢ଼ୁଛି। ଅନେକ ପ୍ରତିଷ୍ଠାନ ଓ କମ୍ପାନୀ ପୂର୍ବରୁ AIକୁ ପରୀକ୍ଷାମୂଳକ ଭାବେ ଗ୍ରହଣ କରି ପରିଚାଳନା କରୁଥିବା ଜଣାପଡ଼ିଛି।

କିନ୍ତୁ ଦୁଃଖର ବିଷୟ, ଅନେକ କମ୍ପାନୀ ଓ ପ୍ରତିଷ୍ଠାନରେ ଆଶା କରାଯାଇଥିବା ROI ମିଳୁନାହିଁ, କିମ୍ବା PoCରେ କାମ କରୁଥିବା ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକ ପ୍ରକୃତ ପ୍ରକଳ୍ପ କିମ୍ବା କ୍ଷେତ୍ରସ୍ତରରେ ସଠିକ୍ ଉତ୍ତର ଦେଉନାହାନ୍ତି କିମ୍ବା କାମ କରୁନାହାନ୍ତି ବୋଲି ଅନୁସନ୍ଧାନରୁ ଜଣାପଡ଼ିଛି।

ଏହି ସୂଚନାଗୁଡ଼ିକ ଯୋଗୁଁ ଅନେକ କମ୍ପାନୀ AIକୁ ତରବରିଆ ଭାବେ ଗ୍ରହଣ କରିବାକୁ ଦ୍ୱିଧା କରୁଛନ୍ତି।

ଏହି ବକ୍ତୃତାରେ କ୍ଲେଭିର ପ୍ରତିନିଧି ଲି ହ୍ୱାନ୍-ହୋ ତରବରିଆ AI ଗ୍ରହଣର ପ୍ରମୁଖ ବିଫଳତାର କାରଣ—RAG ସିଷ୍ଟମର ସୀମାବଦ୍ଧତା ଏବଂ ଓପନ୍-ସୋର୍ସ ମଡେଲ୍ କିମ୍ବା ସ୍ମଲ୍ LLM (SLM)—ବିଷୟରେ ବିସ୍ତୃତ ଭାବେ ବ୍ୟାଖ୍ୟା କରି, ପୂର୍ବରୁ ହୋଇଥିବା ଗ୍ରହଣ ମାମଲାଗୁଡ଼ିକ କାହିଁକି ବିଫଳ ହୋଇଥିଲା ତାହା ବୁଝାଇଥିଲେ।

ଶେଷରେ, AI ବ୍ୟବହାର କରିବାର କାରଣ ହେଉଛି ଏହା ମଣିଷର କାମକୁ ପ୍ରତିସ୍ଥାପିତ କରିବ କିମ୍ବା ମଣିଷଠାରୁ ଉତ୍ତମ ପ୍ରଦର୍ଶନ ଦେବ ବୋଲି ଆଶା କରିବା।

ବର୍ତ୍ତମାନ AI ଗ୍ରହଣ କରିଥିବା କମ୍ପାନୀଗୁଡ଼ିକର କାର୍ଯ୍ୟକ୍ଷେତ୍ରର କର୍ମଚାରୀମାନେ AIର ଉତ୍ତରର ଗୁଣବତ୍ତା ଉପରେ ଭରସା କରିପାରୁନାହାନ୍ତି। ତେଣୁ AIର ଉତ୍ତରଗୁଡ଼ିକୁ ପ୍ରତ୍ୟେକଟି ଯାଞ୍ଚ କରିବାରେ ବ୍ୟସ୍ତ ହେବାରୁ ବିପରୀତ ଭାବେ କାମର ଭାର ବଢ଼ିଯାଉଛି ବୋଲି ଅଭିଯୋଗ ଶୁଣିବାକୁ ମିଳୁଛି।

ଏହାର କାରଣ ହେଉଛି, ଅଧିକାଂଶ କମ୍ପାନୀ ଓପନ୍-ସୋର୍ସ SLM ମଡେଲକୁ ଫାଇନ୍-ଟ୍ୟୁନ୍ କରି ସମାଧାନ ଭାବେ ବ୍ୟବହାର କରୁଛନ୍ତି।

ସ୍ୱାଭାବିକ ଭାବେ ଲାଗେ ଯେ AI ନୂତନ ଶିକ୍ଷା ଗ୍ରହଣ କଲେ ଅଧିକ ବୁଦ୍ଧିମାନ ହେବ। କିନ୍ତୁ ବିପରୀତ ଭାବେ, AIକୁ ନୂତନ ଜ୍ଞାନ ଶିଖାଇଲେ ଏହା ଅତୀତର ସ୍ମୃତି, ଅର୍ଥାତ୍ ମନମାନି ଥିବା ପାରାମିଟର ଓଜନ, ହରାଇଥାଏ।

ଏହାଠାରୁ ମଧ୍ୟ ଗମ୍ଭୀର ସମସ୍ୟା ହେଉଛି, କେଉଁ ସୂଚନା କିମ୍ବା ଜ୍ଞାନ ହରାଇଗଲା ତାହା କେହି ଜାଣିପାରୁନାହାନ୍ତି।

AI ଅପନାୟନ କୌଣସି ଛୋଟ ସମ୍ପଦରେ ସମ୍ପନ୍ନ ହେଉଥିବା କାମ ନୁହେଁ, ତେଣୁ PoC ପର୍ଯ୍ୟାୟରୁ ହିଁ ଆପଣମାନେ ଅନେକ ପରୀକ୍ଷା କରିଥିବେ।

ତେବେ ସେହି ସମୟରେ ଏପରି ସମସ୍ୟା କାହିଁକି ଦେଖା ଦେଇନଥିଲା? ଏହାର କାରଣ ନିଶ୍ଚିତ ଭାବେ ଟାର୍ଗେଟ୍ ସୂଚନା ଆଧାରରେ ପୁନଃପ୍ରଶିକ୍ଷଣ କରାଯାଇଥିଲା।

କେବଳ ସଂଖ୍ୟା ଜାଣିଥିବା AIକୁ ଅକ୍ଷର ଶିଖାଇବା ପରେ କେବଳ ଅକ୍ଷର ସମ୍ପର୍କିତ ପ୍ରଶ୍ନ ପଚରାଗଲା, ତେଣୁ ଏହା ଭଲ ଉତ୍ତର ଦେବା ସ୍ୱାଭାବିକ। କିନ୍ତୁ ବାସ୍ତବ କାର୍ଯ୍ୟକ୍ଷେତ୍ରରେ କେବଳ ଏପରି ନିର୍ଦ୍ଦିଷ୍ଟ ଡୋମେନ୍‌ରେ ବିଶେଷଜ୍ଞ ମଡେଲ୍‌ ହିଁ ଆବଶ୍ୟକ କି?

​

ଆମର କାର୍ଯ୍ୟକ୍ଷେତ୍ର ପ୍ରତିଦିନ ନୂତନ ପରିବେଶ ଏବଂ ନୂତନ ତଥ୍ୟର ସମ୍ମୁଖୀନ ହୁଏ। କିନ୍ତୁ ପୂର୍ବରୁ ଥିବା ଜ୍ଞାନକୁ ଅନିୟମିତ ଭାବରେ ନଷ୍ଟ କରି ଶିଖିଥିବା AI ସାଧାରଣ ପ୍ରୟୋଜ୍ୟତା ସହିତ ସଠିକତାକୁ ମଧ୍ୟ ନିଶ୍ଚିତ କରିପାରେ ନାହିଁ।

ତେଣୁ From-scratch Foundation ଅତିବୃହତ ଭାଷା ମଡେଲ୍‌ ରଖିବା କିମ୍ବା ଏହି ମଡେଲ୍‌ ତିଆରି କରିପାରିବା ପ୍ରଯୁକ୍ତି ଆବଶ୍ୟକ।

ଏପରି ମଡେଲ୍‌ଗୁଡ଼ିକରେ ପୃଥିବୀର ପ୍ରାୟ ସମସ୍ତ ଜ୍ଞାନ ଥିବାରୁ ଉତ୍ତରର ଗୁଣବତ୍ତା ସହିତ ସଠିକତା ମଧ୍ୟ ଅଧିକ ହୁଏ।

ବିଶେଷ ଡୋମେନ୍‌ ପାଇଁ SFT(Supervised Fine-Tuning) ନାମକ ପ୍ରଯୁକ୍ତି ବ୍ୟବହାର କରିପାରିବେ। ଅଳ୍ପ ପରିମାଣର ତଥ୍ୟ ପାଇଁ RAG ସିଷ୍ଟମ୍‌ କିମ୍ବା CLEVI ଦ୍ୱାରା ନିଜସ୍ୱ ଭାବେ ବିକଶିତ ଇଣ୍ଟେଲିଜେନ୍ସ ଡାଟାବେସ୍‌ ସିଷ୍ଟମ୍‌ Semantic Database ପ୍ରଯୁକ୍ତି ବ୍ୟବହାର କଲେ, ଫାଇନ୍-ଟ୍ୟୁନ୍ କରାଯାଇଥିବା SLMର ଅସୁବିଧାଗୁଡ଼ିକୁ ଦୂର କରିହେବ।

ଏପରି ଫାଉଣ୍ଡେସନ୍ ମଡେଲ୍‌ର ଗୁରୁତ୍ୱ ସରକାର ମଧ୍ୟ ବୁଝୁଥିବାରୁ ଅନେକ ସହାୟତା ଯୋଗାଇ ଦେଉଛନ୍ତି।

ଏହା ହେଉଛି ନ୍ୟାସନାଲ୍ ଚ୍ୟାମ୍ପିଅନ୍ AI ପ୍ରକଳ୍ପ। ଏହି ପ୍ରକଳ୍ପର ସବୁଠାରୁ ବଡ଼ ଲକ୍ଷ୍ୟ ହେଉଛି ଡିଜିଟାଲ୍ ସାର୍ବଭୌମତ୍ୱ ନିଶ୍ଚିତ କରିବା।

ଓପନ୍-ସୋର୍ସ ମଡେଲ୍‌ ବ୍ୟବହାର କରିବାବେଳେ ଥିବା ଗୁରୁତର ଅସୁବିଧାଗୁଡ଼ିକୁ CLEVI ମଧ୍ୟ ଜାଣିଥିଲା। ତେଣୁ ତଥ୍ୟ ସଂଗ୍ରହରୁ ଆରମ୍ଭ କରି ଆର୍କିଟେକ୍ଚର୍ ଡିଜାଇନ୍ ପର୍ଯ୍ୟନ୍ତ ସ୍ୱତନ୍ତ୍ର ଭାବେ ବିକଶିତ କରି CLEVIର ମଡେଲ୍‌ଗୁଡ଼ିକୁ ପ୍ରଶିକ୍ଷଣ ଦେଇଛୁ।

ବର୍ତ୍ତମାନ CLEVIର ମଡେଲ୍‌ଗୁଡ଼ିକ ବିଶ୍ୱର ଅଗ୍ରଣୀ AIଗୁଡ଼ିକ ସହିତ ପ୍ରତିଯୋଗିତା କଲେ ମଧ୍ୟ କାର୍ଯ୍ୟଦକ୍ଷତାରେ ଆଦୌ ପଛରେ ନାହାନ୍ତି।

ବିଶେଷକରି ନିଜସ୍ୱ ମଡେଲ୍‌ ଥିବାରୁ ବାହ୍ୟ ମଡେଲ୍‌ ବ୍ୟବହାର ସମୟରେ ଉପୁଜିପାରୁଥିବା ନିର୍ଭରଶୀଳତା ସମସ୍ୟା ସହିତ CLEVIର କୌଣସି ସମ୍ପର୍କ ନାହିଁ।

ବର୍ତ୍ତମାନ AI ଅପନାୟନ ବିକଳ୍ପ ନୁହେଁ, ଅନିବାର୍ଯ୍ୟ ହେବାକୁ ଯାଉଛି। କିନ୍ତୁ କେବଳ ନୂତନତମ ପ୍ରଯୁକ୍ତି ଅପନାୟନ କଲେ ହିଁ ଆଶାକରାଯାଇଥିବା ଫଳାଫଳ ପାଇବା କଷ୍ଟକର।

ପ୍ରକୃତ ନବସୃଷ୍ଟି ସେତେବେଳେ ହିଁ ଆରମ୍ଭ ହୁଏ, ଯେତେବେଳେ ଆମେ ପ୍ରଯୁକ୍ତିର ସୀମାବଦ୍ଧତାକୁ ସଠିକ ଭାବେ ବୁଝି ଆମ ସଂଗଠନର ପରିବେଶ ଓ ଲକ୍ଷ୍ୟ ସହିତ ସମନ୍ୱିତ ସର୍ବୋତ୍ତମ କୌଶଳ ନିର୍ଦ୍ଧାରଣ କରୁ।

ସ୍ୱତନ୍ତ୍ର ଅତିବୃହତ ଭାଷା ମଡେଲ୍‌ ଏବଂ ସେମାଣ୍ଟିକ୍ ଡାଟାବେସ୍‌ ଭଳି ଭିନ୍ନଧରଣର ପ୍ରଯୁକ୍ତିଗତ କ୍ଷମତା ମାଧ୍ୟମରେ CLEVI, ଉଦ୍ୟୋଗଗୁଡ଼ିକ AI ଅପନାୟନ ପ୍ରକ୍ରିୟାରେ ସମ୍ମୁଖୀନ ହେଉଥିବା ପରୀକ୍ଷା-ନିରୀକ୍ଷା ଓ ଝୁମ୍ପଗୁଡ଼ିକୁ ସର୍ବନିମ୍ନ କରୁଛି।

ଆଗାମୀ ଦିନଗୁଡ଼ିକରେ ମଧ୍ୟ ଆମେ କ୍ଷେତ୍ରସ୍ତରର ସ୍ୱରକୁ ଧ୍ୟାନପୂର୍ବକ ଶୁଣିବୁ ଏବଂ ଅଧିକ ସଂଖ୍ୟକ ଉଦ୍ୟୋଗର ବିଶ୍ୱସନୀୟ AI ସହଭାଗୀ ହେବା ପାଇଁ ସର୍ବୋତ୍ତମ ପ୍ରୟାସ କରିବୁ। AI ଗ୍ରହଣର ପ୍ରକୃତ ସଫଳତା CLEVI ସହିତ ମିଶି ଗଢ଼ି ତୋଳନ୍ତୁ।