గత అక్టోబర్ 24న కొరియా ఇండస్ట్రీ ఇంటెలిజెన్సైజేషన్ అసోసియేషన్(KOIIA) ఆహ్వానం మేరకు '2025 మధ్యతరహా సంస్థల కీలక ప్రతిభాభివృద్ధి అకాడమీ, భవిష్యత్ పరిశ్రమలకు 대응 వ్యూహాల సెమినార్'లో పాల్గొని, CLEVI ప్రతినిధి లీ హ్వాన్హో ముఖ్య ప్రసంగం చేశారు.
మేము 'AI సాంకేతికత స్వీకరణ కేసులు మరియు DX ఆచరణాత్మక వ్యూహాలు' సెషన్‌లో 'Physical AI వినియోగ కేసులు మరియు RAG ఏజెంట్ ప్రవేశపెట్టే ప్రక్రియలో వైఫల్య కారకాలు మరియు మెరుగుదల వ్యూహాలు' అనే అంశంపై పాల్గొన్నాము.
ఇటీవల AI ఏజెంట్లపై ఆసక్తి పెరుగుతున్నందున, AIని స్వీకరించడాన్ని పరిశీలిస్తున్న సంస్థల సంఖ్య కూడా పెరుగుతోంది. ఇప్పటికే అనేక సంస్థలు మరియు కంపెనీలు AIని ప్రయోగాత్మకంగా స్వీకరించి నిర్వహిస్తున్నాయని మాకు తెలుసు.
అయితే, దురదృష్టవశాత్తూ, అనేక కంపెనీలు మరియు సంస్థల్లో ఆశించిన ROI లభించడం లేదని, PoCలో పనిచేసిన ఫీచర్లు ప్రధాన ప్రాజెక్ట్‌లో లేదా వాస్తవ కార్యక్షేత్రంలో సరైన సమాధానాలను ఇవ్వకపోవడం లేదా పనిచేయకపోవడం చాలా సాధారణమని పరిశోధనల్లో వెల్లడైంది.
ఈ సమాచారంవల్ల అనేక కంపెనీలు AIని తొందరపాటుగా స్వీకరించడానికి వెనుకాడుతున్నాయి.
ఈ ఉపన్యాసంలో CLEVI ప్రతినిధి లీ హ్వాన్హో, తొందరపాటు AI స్వీకరణకు ప్రధాన వైఫల్య కారణాలైన RAG వ్యవస్థ పరిమితులు, ఓపెన్ సోర్స్ మోడళ్లు మరియు స్మాల్ LLM(SLM) గురించి వివరంగా వివరిస్తూ, గత స్వీకరణ ఉదాహరణలు ఎందుకు విఫలమయ్యాయో వివరించారు.
చివరికి, AIని ఉపయోగించడానికి కారణం మనుషుల పనిని దాని ద్వారా చేయించడం లేదా మనుషులకంటే మెరుగైన పనితీరును చూపుతుందని ఆశించడం కదా.
ప్రస్తుతం AIని స్వీకరించిన కంపెనీలలోని ఆచరణాత్మక సిబ్బందికి AI సమాధానాల నాణ్యతపై నమ్మకం లేకపోవడంతో, AI సమాధానాల విషయాలను ఒక్కొక్కటిగా తనిఖీ చేయాల్సి వస్తోంది. దాంతో పనిభారం తగ్గాల్సింది పోయి పెరుగుతోందనే అసంతృప్తి వ్యక్తమవుతోంది.
దీనికి కారణం చాలా కంపెనీలు ఓపెన్ సోర్స్ SLM మోడళ్లను ఫైన్-ట్యూనింగ్ చేసి పరిష్కారాలుగా ఉపయోగించడమే.
సహజంగా ఆలోచిస్తే, AI కొత్త విషయాలను నేర్చుకుంటే మరింత తెలివిగా మారుతుందని అనిపిస్తుంది. అయితే, AIకి కొత్త జ్ఞానాన్ని నేర్పితే, అది గత జ్ఞాపకాలను, అంటే నిర్దిష్ట పారామీటర్ వెయిట్లను కోల్పోతుంది.
ఇంకా తీవ్రమైన సమస్య ఏమిటంటే, ఏ సమాచారం లేదా జ్ఞానం కోల్పోయిందో ఎవరికీ తెలియకుండా పోతుంది.
AIని ప్రవేశపెట్టడం చిన్న వనరులతో పూర్తయ్యే పని కాదు కాబట్టి, PoC దశ నుంచే మీరు అనేక ధృవీకరణలను నిర్వహించి ఉంటారు.
అయితే ఆ సమయంలో అలాంటి సమస్యలు ఎందుకు కనిపించలేదు? కారణం, అది లక్ష్య సమాచారంతో మళ్లీ శిక్షణ పొందింది.
సంఖ్యలు మాత్రమే తెలిసిన AIకి అక్షరాలను నేర్పించి, ఆ తర్వాత అక్షరాలకు సంబంధించిన ప్రశ్నలనే అడిగితే, అది సమాధానాలు బాగా ఇవ్వడం సహజమే. అయితే వాస్తవ క్షేత్రంలో ఇలాంటి నిర్దిష్ట డొమైన్‌కు ప్రత్యేకమైన మోడల్ మాత్రమే అవసరమా?
మన క్షేత్రం ప్రతిరోజూ కొత్త వాతావరణాలు మరియు కొత్త డేటాను ఎదుర్కొంటుంది. అయితే ఇప్పటికే ఉన్న జ్ఞానాన్ని యాదృచ్ఛికంగా నాశనం చేస్తూ శిక్షణ పొందిన AI సాధారణ వినియోగయోగ్యతతో పాటు ఖచ్చితత్వాన్ని కూడా హామీ ఇవ్వలేను.
అందువల్ల From-scratch Foundation భారీ భాషా మోడల్‌ను కలిగి ఉండటం లేదా అలాంటి మోడల్‌ను రూపొందించగల సాంకేతికతను కలిగి ఉండటం అవసరం.
ఇలాంటి మోడళ్లలో ప్రపంచంలోని దాదాపు మొత్తం జ్ఞానం ఉండటంతో, సమాధానాల నాణ్యతతో పాటు ఖచ్చితత్వం కూడా ఎక్కువగా ఉంటుంది.
ప్రత్యేక డొమైన్‌ల కోసం SFT(Supervised Fine-Tuning) అనే సాంకేతికతను ఉపయోగించవచ్చు. తక్కువ పరిమాణంలో ఉన్న డేటా కోసం RAG సిస్టమ్‌ను లేదా CLEVI స్వయంగా అభివృద్ధి చేసిన ఇంటెలిజెన్స్ డేటాబేస్ సిస్టమ్ అయిన సిమాంటిక్ డేటాబేస్ సాంకేతికతను ఉపయోగిస్తే, ఫైన్‌ట్యూన్ చేసిన SLM యొక్క లోపాలను అధిగమించవచ్చు.
ఇలాంటి ఫౌండేషన్ మోడళ్ల ప్రాముఖ్యతను ప్రభుత్వం కూడా గుర్తించినందున, విస్తృతమైన సహాయాన్ని అందిస్తోంది.
అదే జాతీయ ప్రతినిధి AI ప్రాజెక్ట్. ఈ ప్రాజెక్ట్ యొక్క ప్రధాన లక్ష్యం డిజిటల్ సార్వభౌమత్వాన్ని సాధించడమే.
ఓపెన్-సోర్స్ మోడళ్లను ఉపయోగించినప్పుడు కలిగే తీవ్రమైన లోపాలను CLEVI కూడా తెలుసుకున్నందున, డేటా సేకరణ నుంచి ఆర్కిటెక్చర్ రూపకల్పన వరకు స్వతంత్రంగా అభివృద్ధి చేసి CLEVI మోడళ్లకు శిక్షణ ఇచ్చింది.
ప్రస్తుతం CLEVI మోడళ్లు ప్రపంచంలోని ప్రముఖ AIలతో పోటీ పడినా ఏమాత్రం వెనుకబడని పనితీరును కలిగి ఉన్నాయి.
ముఖ్యంగా, స్వంత మోడళ్లను కలిగి ఉండటంతో, బాహ్య మోడళ్లను ఉపయోగించినప్పుడు తలెత్తే ఆధారపడే సమస్య CLEVIకి ఉండదు.
ఇప్పుడు AIని ప్రవేశపెట్టడం ఎంపిక కాదు, తప్పనిసరిగా మారుతోంది. అయితే కేవలం తాజా సాంకేతికతను ప్రవేశపెట్టడం ద్వారా మాత్రమే ఆశించిన ఫలితాలను సాధించడం కష్టం.
సాంకేతికత పరిమితులను సరిగ్గా అర్థం చేసుకుని, మన సంస్థ వాతావరణం మరియు లక్ష్యాలకు సరిపోయే అత్యుత్తమ వ్యూహాన్ని రూపొందించినప్పుడే నిజమైన ఆవిష్కరణ ప్రారంభమవుతుంది.
స్వతంత్రంగా అభివృద్ధి చేసిన భారీ భాషా మోడల్ మరియు సిమాంటిక్ డేటాబేస్ వంటి భిన్నమైన సాంకేతిక సామర్థ్యాలతో, AIని ప్రవేశపెట్టే ప్రక్రియలో సంస్థలు ఎదుర్కొనే ప్రయోగాలు, పొరపాట్లు మరియు ప్రమాదాలను CLEVI కనిష్ఠ స్థాయికి తగ్గిస్తోంది.
ఇకముందు కూడా మేము క్షేత్రస్థాయి స్వరాలను శ్రద్ధగా ఆలకిస్తూ, మరిన్ని సంస్థలు విశ్వసించగల AI భాగస్వామిగా మారేందుకు మా వంతు కృషి చేస్తాము. AI స్వీకరణలో నిజమైన విజయాన్ని CLEVIతో కలిసి సాధించండి.