24 октября по приглашению Корейской ассоциации интеллектуализации промышленности (KOIIA) мы приняли участие в мероприятии «Академия развития ключевых кадров для средних предприятий 2025, семинар по стратегиям реагирования на вызовы будущих отраслей», где генеральный директор CLEVI Ли Хван Хо выступил с программной речью.
Мы приняли участие в сессии «Примеры внедрения AI-технологий и практические стратегии DX» с темой «Примеры использования Physical AI, факторы неудач и стратегии улучшения при внедрении RAG-агентов».
В последнее время интерес к AI-агентам растёт, и всё больше компаний рассматривают возможность внедрения AI. Насколько нам известно, многие учреждения и компании уже проводят пилотное внедрение AI и используют его в работе.
Однако, к сожалению, исследования показывают, что во многих компаниях и учреждениях не удаётся получить ожидаемый ROI, а функции, работавшие на этапе PoC, в рамках основного проекта или на рабочих местах часто не дают корректных ответов либо вовсе не работают.
Из-за этой информации многие компании не решаются на поспешное внедрение AI.
В ходе этой лекции генеральный директор CLEVI Ли Хван Хо подробно объяснил ограничения RAG-систем, являющиеся одной из основных причин неудач поспешного внедрения AI, а также особенности моделей с открытым исходным кодом и малых LLM (SLM), рассказав, почему предыдущие примеры внедрения потерпели неудачу.
В конечном счёте AI используют потому, что ожидают, что он будет выполнять работу вместо человека или демонстрировать более высокую производительность, чем человек.
Однако практические специалисты компаний, внедривших AI, не доверяют качеству ответов AI и жалуются, что их рабочая нагрузка, наоборот, увеличивается, поскольку им приходится вручную проверять каждый ответ AI.
Причина заключается в том, что большинство компаний используют модели SLM с открытым исходным кодом, дообученные методом fine-tuning, в качестве решений.
Интуитивно кажется, что AI станет умнее, если получит новые знания, однако обучение AI новым знаниям, напротив, приводит к утрате прежних воспоминаний, то есть произвольных весов параметров.
Ещё более серьёзная проблема заключается в том, что никто не знает, какая именно информация или знания были утрачены.
Внедрение ИИ требует значительных ресурсов, поэтому, вероятно, уже на этапе PoC вы провели множество проверок.
Почему же тогда эти проблемы не проявились? Разумеется, потому что модель была дообучена на целевой информации.
Если научить ИИ, который знал только цифры, алфавиту, а затем задавать ему вопросы только об алфавите, он, естественно, будет хорошо отвечать. Но нужны ли на практике только модели, специализированные под конкретную предметную область?
В работе мы ежедневно сталкиваемся с новыми условиями и новыми данными. Однако ИИ, обученный при случайном разрушении ранее полученных знаний, не может гарантировать ни универсальность, ни точность.
Поэтому необходимо иметь From-scratch Foundation — большую языковую модель — или технологии, позволяющие создать такую модель.
Поскольку такие модели обладают почти всеми знаниями о мире, они обеспечивают не только высокое качество ответов, но и высокую точность.
В специализированных предметных областях можно использовать технологию SFT(Supervised Fine-Tuning), а для небольшого объёма данных — систему RAG или технологию Semantic Database, разработанную CLEVI как собственная интеллектуальная система баз данных, чтобы преодолеть недостатки дообученной SLM.
Правительство также осознаёт важность таких фундаментальных моделей и активно оказывает значительную поддержку.
Речь идёт о проекте «Национальный ИИ». Главной целью этого проекта, вероятно, является обеспечение цифрового суверенитета.
Поскольку мы в CLEVI знали о критических недостатках использования моделей с открытым исходным кодом, мы самостоятельно разработали всё — от сбора данных до проектирования архитектуры — и обучили собственные модели CLEVI.
В настоящее время модели CLEVI демонстрируют производительность, которая ничем не уступает ведущим мировым системам ИИ даже при прямом сравнении.
Кроме того, поскольку CLEVI располагает собственными моделями, проблемы зависимости, которые могут возникнуть при использовании внешних моделей, нас не затрагивают.
Сегодня внедрение ИИ становится не выбором, а необходимостью. Однако добиться желаемых результатов только за счёт внедрения новейших технологий непросто.
Настоящие инновации начинаются лишь тогда, когда мы точно понимаем ограничения технологий и разрабатываем оптимальную стратегию, соответствующую условиям и целям нашей организации.
Благодаря дифференцированным технологическим решениям, включая собственную большую языковую модель и Semantic Database, CLEVI минимизирует количество проб и ошибок и риски, с которыми компании сталкиваются в процессе внедрения ИИ.
Мы и впредь будем прислушиваться к мнению специалистов, работающих на местах, и делать всё возможное, чтобы стать надёжным AI-партнёром для ещё большего числа компаний. Желаем вам вместе с CLEVI добиться настоящего успеха во внедрении AI.