எதிர்காலத் தொழில்களுக்கு ஏற்புத் திட்டமிடல் கருத்தரங்கு - கொரியா தொழில்துறை நுண்ணறிவாக்க சங்கம்

கடந்த அக்டோபர் 24 அன்று, கொரியா தொழில்துறை நுண்ணறிவாக்க சங்கத்தின் (KOIIA) அழைப்பின் பேரில் ‘2025 நடுத்தர அளவிலான நிறுவனங்களுக்கான முக்கியத் திறமையாளர்களை வளர்க்கும் அகாடமி, எதிர்காலத் தொழில்களுக்கு ஏற்புத் திட்டமிடல் கருத்தரங்கு’ நிகழ்வில் பங்கேற்று, CLEVI-யின் பிரதிநிதி இயக்குநர் லீ ஹ்வான்-ஹோ தொடக்க உரையாற்றினார்.

‘AI தொழில்நுட்பத்தை அறிமுகப்படுத்திய நிகழ்வுகள் மற்றும் DX நடைமுறை உத்திகள்’ அமர்வில், ‘Physical AI பயன்பாட்டு நிகழ்வுகள் மற்றும் RAG ஏஜென்ட்டை அறிமுகப்படுத்தும் செயல்முறையில் தோல்விக்கான காரணிகள் மற்றும் மேம்பாட்டு உத்திகள்’ என்ற தலைப்பில் பங்கேற்றோம்.

சமீபத்தில் AI ஏஜென்ட்கள் மீதான ஆர்வம் அதிகரித்து வருவதால், பல நிறுவனங்களும் AI-யை அறிமுகப்படுத்துவது குறித்து பரிசீலிக்கும் போக்கு அதிகரித்து வருகிறது. ஏற்கனவே பல நிறுவனங்களும் அமைப்புகளும் AI-யைச் சோதனை அடிப்படையில் அறிமுகப்படுத்தி இயக்கி வருவதாகத் தெரிகிறது.

ஆனால் துரதிர்ஷ்டவசமாக, பல நிறுவனங்களிலும் அமைப்புகளிலும் எதிர்பார்த்த ROI கிடைக்கவில்லை; அல்லது PoC-யில் செயல்பட்ட அம்சங்கள் உண்மையான திட்டத்திலோ களச் செயல்பாட்டிலோ சரியான பதில்களை வழங்காமல் அல்லது செயல்படாமல் போகும் நிகழ்வுகள் மிகவும் அதிகம் என ஆய்வுகள் தெரிவிக்கின்றன.

இந்தத் தகவல்களால், பல நிறுவனங்கள் AI-யை அவசரமாக அறிமுகப்படுத்தத் தயங்குகின்றன.

இந்த விரிவுரையில், CLEVI-யின் பிரதிநிதி இயக்குநர் லீ ஹ்வான்-ஹோ, அவசரமான AI அறிமுகத்தின் முக்கியத் தோல்விக் காரணிகளான RAG அமைப்பின் வரம்புகள் மற்றும் ஓபன் சோர்ஸ் மாடல்கள் அல்லது ஸ்மால் LLM (SLM) குறித்து விரிவாக விளக்கி, முந்தைய அறிமுக முயற்சிகள் ஏன் தோல்வியடைந்தன என்பதைத் தெரிவித்தார்.

இறுதியில், AI-யைப் பயன்படுத்துவதற்கான காரணம், அது மனிதர்களின் பணியைச் செய்வதற்கோ அல்லது மனிதர்களைவிடச் சிறந்த செயல்திறனை வெளிப்படுத்தும் என எதிர்பார்ப்பதற்கோ ஆகும்.

ஆனால் தற்போது AI-யை அறிமுகப்படுத்தியுள்ள நிறுவனங்களின் நடைமுறைப் பணியாளர்கள், AI பதில்களின் தரத்தை நம்ப முடியாததால், AI பதில்களின் உள்ளடக்கத்தை ஒவ்வொன்றாகச் சரிபார்க்க வேண்டிய நிலை ஏற்பட்டு, பணிச்சுமையே அதிகரித்து வருவதாகப் புகார் தெரிவித்து வருகின்றனர்.

இதற்கான காரணம், பெரும்பாலான நிறுவனங்கள் ஓபன் சோர்ஸ் SLM மாடல்களை ஃபைன்-டியூனிங் செய்து தீர்வாகப் பயன்படுத்துவதிலேயே உள்ளது.

உள்ளுணர்வின் அடிப்படையில், AI புதியவற்றைக் கற்றுக்கொண்டால் அது மேலும் புத்திசாலியாகும் என்று நினைக்கலாம். ஆனால் AI-க்கு புதிய அறிவைக் கற்றுக்கொடுக்கும்போது, கடந்தகால நினைவுகள், அதாவது சீரற்ற அளவுரு எடைகள், இழக்கப்படுகின்றன.

இதைவிடக் கடுமையான பிரச்சினை என்னவென்றால், எந்தத் தகவல் அல்லது அறிவு இழந்தது என்பது யாருக்கும் தெரியாமல் போகிறது.

AI-ஐ அறிமுகப்படுத்துவது சிறிய அளவிலான வளங்களை மட்டுமே தேவைப்படும் செயலல்ல என்பதால், PoC கட்டத்திலிருந்தே நீங்கள் பல சரிபார்ப்புகளை மேற்கொண்டிருப்பீர்கள்.

அப்படியானால், அந்த நேரத்தில் ஏன் இத்தகைய பிரச்சினைகள் தோன்றவில்லை? அதற்குக் காரணம், இலக்கு தகவல்களைப் பயன்படுத்தி மீண்டும் பயிற்றுவிக்கப்பட்டதே ஆகும்.

எண்களை மட்டுமே அறிந்த AI-க்கு எழுத்துக்களைக் கற்றுக்கொடுத்து, அதன் பிறகு எழுத்துக்கள் தொடர்பான கேள்விகளை மட்டுமே கேட்டால், அது சிறப்பாகப் பதிலளிப்பது இயல்பானதே. ஆனால் நடைமுறையில், இத்தகைய குறிப்பிட்ட துறைக்கேற்ப சிறப்பாக்கப்பட்ட மாதிரிகள் மட்டுமே நமக்குத் தேவையா?

​

நமது பணிச்சூழல்கள் ஒவ்வொரு நாளும் புதிய சூழல்களையும் புதிய தரவுகளையும் எதிர்கொள்கின்றன. ஆனால் ஏற்கனவே உள்ள அறிவை சீரற்ற முறையில் அழித்துக்கொண்டே கற்றுக்கொள்ளும் AI, பொதுப் பயன்பாட்டுத் தன்மையையும் துல்லியத்தையும் உறுதி செய்ய முடியாது.

எனவே, From-scratch Foundation மிகப்பெரிய மொழி மாதிரியை வைத்திருப்பது அல்லது அத்தகைய மாதிரியை உருவாக்கக்கூடிய தொழில்நுட்பத்தை கொண்டிருப்பது அவசியமாகிறது.

இத்தகைய மாதிரிகள் உலகின் கிட்டத்தட்ட அனைத்து அறிவையும் கொண்டிருப்பதால், அவற்றின் பதில்களின் தரமும் துல்லியமும் உயர்ந்ததாக இருக்கும்.

சிறப்புத் துறைகளுக்கு SFT(Supervised Fine-Tuning) எனப்படும் தொழில்நுட்பத்தைப் பயன்படுத்தலாம். குறைந்த அளவிலான தரவுகளுக்கு RAG அமைப்பு அல்லது CLEVI உருவாக்கிய சொந்த நுண்ணறிவு தரவுத்தள அமைப்பான Semantic Database தொழில்நுட்பத்தைப் பயன்படுத்தினால், Fine-tuning செய்யப்பட்ட SLM-ன் குறைபாடுகளைச் சமாளிக்க முடியும்.

இத்தகைய Foundation மாதிரிகளின் முக்கியத்துவத்தை அரசாங்கமும் அறிந்திருப்பதால், அது பெருமளவில் ஆதரவு வழங்கி வருகிறது.

அதுவே தேசிய பிரதிநிதி AI திட்டமாகும். இந்தத் திட்டத்தின் மிகப்பெரிய இலக்கு டிஜிட்டல் இறையாண்மையை உறுதி செய்வதாகும்.

CLEVI-யும் Open-source மாதிரிகளைப் பயன்படுத்துவதில் உள்ள தீவிர குறைபாடுகளை அறிந்திருந்ததால், தரவு சேகரிப்பிலிருந்து கட்டமைப்பு வடிவமைப்பு வரை அனைத்தையும் சுயமாக உருவாக்கி CLEVI-யின் மாதிரிகளுக்குப் பயிற்சி அளித்துள்ளது.

தற்போது CLEVI மாதிரிகள் உலகின் முன்னணி AI அமைப்புகளுடன் போட்டியிட்டாலும் எந்த வகையிலும் பின்தங்காத செயல்திறனைக் கொண்டுள்ளன.

குறிப்பாக, சொந்த மாதிரிகளை வைத்திருப்பதால், வெளிப்புற மாதிரிகளைப் பயன்படுத்தும்போது ஏற்படக்கூடிய சார்பு சிக்கல்களுடன் CLEVI-க்கு எந்தத் தொடர்பும் இல்லை.

இப்போது AI-ஐ அறிமுகப்படுத்துவது விருப்பம் அல்ல, அத்தியாவசியமாக மாறி வருகிறது. ஆனால் சமீபத்திய தொழில்நுட்பத்தை அறிமுகப்படுத்துவது மட்டுமே விரும்பிய முடிவுகளைப் பெறுவதற்கு போதுமானதல்ல.

தொழில்நுட்பத்தின் வரம்புகளைத் துல்லியமாகப் புரிந்துகொண்டு, நமது நிறுவனத்தின் சூழலுக்கும் இலக்குகளுக்கும் ஏற்ற சிறந்த உத்தியை வகுக்கும் போதுதான் உண்மையான புதுமை தொடங்குகிறது.

CLEVI, தனித்துவமான மிகப்பெரிய மொழி மாதிரிகள் மற்றும் Semantic Database உள்ளிட்ட வேறுபட்ட தொழில்நுட்பத் திறன்களின் மூலம், நிறுவனங்கள் AI-ஐ அறிமுகப்படுத்தும் செயல்முறையில் எதிர்கொள்ளும் சோதனைப் பிழைகளையும் அபாயங்களையும் குறைத்து வருகிறது.

இனியும் நாங்கள் களத்தின் குரல்களைக் கவனமாகக் கேட்டு, மேலும் பல நிறுவனங்கள் நம்பிக்கையுடன் சார்ந்திருக்கக்கூடிய AI கூட்டாளியாக மாற எங்களால் முடிந்த அனைத்தையும் செய்வோம். AI ஏற்றுக்கொள்ளலின் உண்மையான வெற்றியை CLEVI உடன் இணைந்து உருவாக்குவீர்கள் என நம்புகிறோம்.