Den 24 oktober deltog CLEVI:s vd Hwan-ho Lee som huvudtalare vid seminariet ”2025 Academy för utveckling av nyckelkompetens i medelstora företag – strategier för att möta framtidens industrier”, på inbjudan av 한국산업지능화협회 (KOIIA).
Vi deltog i sessionen ”Fallstudier av AI-teknikanvändning och praktiska strategier för DX” med ämnet ”Fallstudier av Physical AI samt faktorer bakom misslyckanden och förbättringsstrategier vid införandet av RAG-agenter”.
I takt med att intresset för AI-agenter har ökat på senare tid blir det allt fler företag som överväger att införa AI. Många organisationer och företag har redan infört AI på prov och använder det i verksamheten.
Tyvärr visar undersökningar att många företag och organisationer inte uppnår den önskade ROI:n, eller att funktioner som fungerade i PoC inte ger korrekta svar eller inte fungerar ordentligt i den faktiska verksamheten eller på fältet.
På grund av denna information tvekar många företag inför att införa AI för snabbt.
Under föreläsningen förklarade CLEVI:s vd Hwan-ho Lee ingående begränsningarna hos RAG-system, som är en typisk orsak till misslyckanden vid förhastade AI-införanden, samt open source-modeller och små LLM:er (SLM). Han förklarade också varför tidigare införanden hade misslyckats.
I slutändan är anledningen till att man använder AI att låta det utföra människors arbete eller att förvänta sig bättre prestanda än människor kan leverera.
Eftersom de medarbetare som arbetar praktiskt i företag som har infört AI i dag inte kan lita på kvaliteten i AI:s svar, kommer allt fler klagomål på att arbetsbelastningen i stället ökar eftersom de måste kontrollera AI:s svar ett efter ett.
Anledningen är att de flesta företag finjusterar open source-SLM-modeller och använder dem som lösningar.
Intuitivt kan man tänka att AI blir smartare när den lär sig något nytt, men när AI lär sig ny kunskap förlorar den i stället tidigare minnen, det vill säga godtyckliga parametervikter.
Ett ännu allvarligare problem är att ingen vet vilken information eller kunskap som har gått förlorad.
Att införa AI kräver inte små resurser, så ni har sannolikt genomfört många valideringar redan under PoC-fasen.
Varför uppstod då inte sådana problem den gången? Det beror naturligtvis på att modellen tränades om med måldata.
Ni lärde en AI som bara kände till siffror alfabetet och ställde därefter endast frågor om alfabetet, så det är självklart att den svarade bra. Men behöver verksamheten verkligen bara modeller som är specialiserade på sådana specifika domäner?
Vår verksamhet ställs varje dag inför nya miljöer och nya data. Men en AI som tränats genom att slumpmässigt förstöra befintlig kunskap kan inte garantera vare sig generaliserbarhet eller noggrannhet.
Därför behöver ni ha en From-scratch Foundation-storskalig språkmodell, eller den teknik som krävs för att skapa en sådan modell.
Eftersom dessa modeller har nästan all kunskap i världen är de inte bara av hög kvalitet i sina svar, utan också mycket precisa.
För specialiserade domäner kan ni använda tekniken SFT (Supervised Fine-Tuning), och för mindre mängder data kan ni använda ett RAG-system eller CLEVI:s egenutvecklade intelligensdatabassystem Semantic Database-teknik för att övervinna nackdelarna med en finjusterad SLM.
Eftersom regeringen också känner till betydelsen av dessa foundationmodeller satsar den stora resurser på området.
Det handlar om projektet National Representative AI. Projektets viktigaste mål torde vara att säkerställa digital suveränitet.
Eftersom vi på CLEVI också kände till de allvarliga nackdelarna med att använda modeller med öppen källkod utvecklade vi allt själva, från datainsamling till arkitekturdesign, och tränade CLEVI:s modeller.
CLEVI:s modeller har i dag en prestanda som inte på något sätt står tillbaka för världens främsta AI-modeller, även när de jämförs med dem.
Eftersom vi framför allt har egna modeller påverkas CLEVI inte heller av de beroendeproblem som kan uppstå när externa modeller används.
Att införa AI håller på att bli en nödvändighet snarare än ett val. Men det är svårt att uppnå önskade resultat genom att enbart införa den senaste tekniken.
Verklig innovation börjar först när man har en exakt förståelse för teknikens begränsningar och utformar den optimala strategin utifrån organisationens miljö och mål.
Med differentierad teknisk kompetens, såsom sin egenutvecklade storskaliga språkmodell och Semantic Database, minimerar CLEVI de försök, misstag och risker som företag möter under införandet av AI.
Vi kommer även fortsättningsvis att lyssna till rösterna från verksamheten och göra vårt yttersta för att bli en AI-partner som allt fler företag kan lita på. Vi hoppas att ni tillsammans med CLEVI skapar verklig framgång med införandet av AI.