Em 24 de outubro, a convite da Associação Coreana de Inteligência Industrial (KOIIA), participamos do “Programa de desenvolvimento de talentos essenciais para empresas de médio porte de 2025, Seminário sobre estratégias para responder às indústrias do futuro”, no qual o CEO da CLEVI, Hwan-ho Lee, proferiu o discurso principal.
Participamos da sessão “Casos de adoção de tecnologias de IA e estratégias práticas de DX” com o tema “Casos de uso de Physical AI, fatores de falha no processo de introdução de agentes RAG e estratégias de melhoria”.
Com o recente aumento do interesse por agentes de IA, também cresce o número de empresas que consideram adotar diversas soluções de IA. Sabemos que muitas instituições e empresas já estão testando e operando soluções de IA.
No entanto, infelizmente, constatou-se que, em muitas empresas e instituições, o ROI esperado não é alcançado ou que funcionalidades que funcionavam na PoC não fornecem respostas adequadas ou não funcionam no projeto principal ou em campo.
Devido a essas informações, muitas empresas estão relutantes em adotar a IA precipitadamente.
Nesta palestra, o CEO da CLEVI, Hwan-ho Lee, explicou detalhadamente as limitações dos sistemas RAG, uma das principais causas do fracasso da adoção precipitada de IA, bem como os modelos de código aberto e os Small LLMs (SLMs), explicando por que os casos de adoção anteriores fracassaram.
Afinal, o motivo para utilizar a IA é esperar que ela substitua o trabalho humano ou apresente um desempenho superior ao das pessoas.
Como os profissionais das empresas que adotaram a IA atualmente não confiam na qualidade das respostas da IA, surgem cada vez mais reclamações de que o trabalho, na verdade, aumentou, pois precisam verificar uma por uma as respostas geradas pela IA.
A razão está no fato de que a maioria das empresas utiliza modelos SLM de código aberto ajustados com fine-tuning como soluções.
Intuitivamente, pensamos que a IA ficará mais inteligente ao aprender algo novo, mas, ao aprender novos conhecimentos, ela acaba perdendo memórias do passado, ou seja, pesos de parâmetros arbitrários.
O problema ainda mais grave é que ninguém sabe quais informações ou conhecimentos foram perdidos.
Como a adoção de IA não é algo que exige poucos recursos, vocês provavelmente realizaram muitas validações desde a fase de PoC.
Por que esse tipo de problema não apareceu naquela ocasião? Isso aconteceu, é claro, porque o modelo foi retreinado com informações do público-alvo.
Se ensinarmos o alfabeto a uma IA que conhecia apenas números e, depois, fizermos apenas perguntas sobre o alfabeto, é natural que ela responda bem. Mas, no ambiente operacional, precisamos apenas de modelos especializados em um domínio específico como esse?
Em nosso ambiente operacional, nos deparamos todos os dias com novos ambientes e novos dados. No entanto, uma IA treinada destruindo aleatoriamente seus conhecimentos existentes não consegue garantir nem a generalidade nem a precisão.
Por isso, é necessário possuir um modelo de linguagem de grande escala From-scratch Foundation ou ter a tecnologia para criá-lo.
Isso ocorre porque esses modelos contêm praticamente todo o conhecimento do mundo, o que garante não apenas uma alta qualidade das respostas, mas também alta precisão.
No caso de domínios especializados, é possível superar as limitações de um SLM ajustado usando a técnica chamada SFT(Supervised Fine-Tuning) ou, para pequenas quantidades de dados, um sistema RAG ou a tecnologia de banco de dados semântico, o sistema de banco de dados de inteligência desenvolvido pela própria CLEVI.
Como o governo também reconhece a importância desses modelos de fundação, vem oferecendo amplo apoio.
Trata-se do projeto National Representative AI. O principal objetivo desse projeto provavelmente é garantir a soberania digital.
Como nós, da CLEVI, também conhecíamos as limitações fatais do uso de modelos de código aberto, desenvolvemos tudo internamente, desde a coleta de dados até o projeto da arquitetura, e treinamos os modelos da CLEVI.
Atualmente, os modelos da CLEVI apresentam um desempenho que não fica nem um pouco atrás, mesmo quando competem com as principais IAs do mundo.
Em especial, como possuímos nossos próprios modelos, a CLEVI também não enfrenta problemas de dependência que podem surgir com o uso de modelos externos.
A adoção de IA está se tornando uma necessidade, e não mais uma escolha. No entanto, é difícil alcançar os resultados desejados apenas adotando as tecnologias mais recentes.
A verdadeira inovação só começa quando compreendemos precisamente os limites da tecnologia e estabelecemos a estratégia ideal, alinhada ao ambiente e aos objetivos da nossa organização.
Com tecnologias diferenciadas, como seu próprio modelo de linguagem de grande escala e banco de dados semântico, a CLEVI minimiza as tentativas e erros e os riscos enfrentados pelas empresas durante o processo de adoção de IA.
Continuaremos ouvindo atentamente as vozes do campo e nos esforçando para nos tornar um parceiro de IA em quem cada vez mais empresas possam confiar. Esperamos que você construa, junto com a CLEVI, o verdadeiro sucesso na adoção da IA.