No passado dia 24 de outubro, a convite da Associação Coreana de Inteligência Industrial (KOIIA), participámos na «Academia de desenvolvimento de talentos essenciais para empresas de média dimensão de 2025, Seminário sobre estratégias para responder às indústrias do futuro», onde o CEO da CLEVI, Lee Hwan-ho, proferiu o discurso de abertura.
Participámos na sessão «Casos de adoção de tecnologia de IA e estratégias práticas de DX» com o tema «Casos de utilização de Physical AI, fatores de insucesso no processo de implementação de agentes RAG e estratégias de melhoria».
Com o recente aumento do interesse pelos agentes de IA, há cada vez mais empresas a considerar a adoção de IA. Tanto quanto sabemos, muitas instituições e empresas já implementaram soluções de IA a título experimental e estão a utilizá-las.
No entanto, infelizmente, estudos indicam que, em muitas empresas e instituições, o ROI esperado não é alcançado ou que as funcionalidades que funcionavam na PoC não produzem respostas adequadas ou não funcionam na operação principal ou no terreno.
Devido a estas informações, muitas empresas estão relutantes em adotar IA precipitadamente.
Nesta palestra, o CEO da CLEVI, Lee Hwan-ho, explicou em detalhe as limitações dos sistemas RAG, uma das principais causas do insucesso da adoção precipitada de IA, bem como os modelos de código aberto e os small LLMs (SLM), explicando por que razão as implementações anteriores falharam.
Afinal, a razão para utilizar IA é esperar que esta substitua o trabalho humano ou apresente um desempenho superior ao das pessoas.
Os profissionais das empresas que adotaram IA atualmente não confiam na qualidade das respostas da IA e, por isso, têm surgido muitas queixas de que o trabalho aumentou, uma vez que precisam de verificar minuciosamente o conteúdo das respostas da IA.
A razão reside no facto de a maioria das empresas utilizar modelos SLM de código aberto afinados para as suas soluções.
Intuitivamente, pensamos que a IA ficará mais inteligente se aprender algo novo. No entanto, quando ensinamos novos conhecimentos à IA, esta acaba por perder memórias anteriores, ou seja, pesos de parâmetros arbitrários.
O problema mais grave é o facto de ninguém saber que informações ou conhecimentos foram perdidos.
Uma vez que a adoção de IA não é algo que exija poucos recursos, provavelmente realizaram muitas validações desde a fase de PoC.
Porque é que esse tipo de problema não surgiu nessa altura? Isso aconteceu, naturalmente, porque o modelo foi novamente treinado com informações-alvo.
Ensinaram o alfabeto a uma IA que só conhecia números e, depois, colocaram-lhe apenas questões sobre o alfabeto; por isso, é natural que responda bem. Mas, no terreno, precisamos apenas de modelos especializados num domínio específico como este?
No terreno, deparamo-nos todos os dias com novos ambientes e novos dados. No entanto, uma IA treinada enquanto destrói aleatoriamente os conhecimentos existentes não consegue garantir nem generalidade nem precisão.
Por isso, é necessário dispor de um modelo de linguagem de grande escala From-scratch Foundation ou da tecnologia para o criar.
Como estes modelos possuem praticamente todo o conhecimento do mundo, oferecem não só uma elevada qualidade das respostas, mas também uma elevada precisão.
No caso de domínios especializados, é possível superar as limitações dos SLM afinados utilizando uma tecnologia denominada SFT(Supervised Fine-Tuning) ou, para pequenas quantidades de dados, um sistema RAG ou a tecnologia de base de dados semântica, o sistema de base de dados de inteligência desenvolvido pela própria CLEVI.
Como o governo também reconhece a importância destes modelos de fundação, tem vindo a disponibilizar um apoio significativo.
Trata-se precisamente do projeto de IA representativa nacional. O principal objetivo deste projeto será garantir a soberania digital.
A CLEVI também conhecia as limitações críticas da utilização de modelos de código aberto, pelo que desenvolveu tudo internamente, desde a recolha de dados até à conceção da arquitetura, para treinar os modelos da CLEVI.
Atualmente, os modelos da CLEVI apresentam um desempenho que não fica de modo algum atrás, mesmo quando competem com as principais IA do mundo.
Em particular, por possuir os seus próprios modelos, a CLEVI não enfrenta problemas de dependência que possam surgir com a utilização de modelos externos.
A adoção de IA está a tornar-se uma necessidade, e não uma opção. No entanto, é difícil obter os resultados pretendidos apenas através da adoção das tecnologias mais recentes.
A verdadeira inovação começa apenas quando compreendemos rigorosamente os limites da tecnologia e definimos a estratégia ideal, adequada ao ambiente e aos objetivos da nossa organização.
Com tecnologias diferenciadoras, como o seu próprio modelo de linguagem de grande escala e a base de dados semântica, a CLEVI minimiza as tentativas e erros e os riscos que as empresas enfrentam durante o processo de adoção de IA.
Continuaremos a ouvir as vozes no terreno e a dar o nosso melhor para sermos um parceiro de IA em que mais empresas possam confiar. Esperamos que, juntamente com a CLEVI, possa criar o verdadeiro sucesso na adoção da IA.