Geçtiğimiz 24 Ekim'de Kore Endüstriyel Zekâ Derneği'nin (KOIIA) davetiyle “2025 Orta Ölçekli Şirketler İçin Temel İnsan Kaynaklarını Geliştirme Akademisi, Geleceğin Endüstrilerine Uyum Stratejileri Semineri”ne katılan CLEVI CEO'su Hwan-ho Lee, açılış konuşmasını gerçekleştirdi.
“AI Teknolojisi Uygulama Örnekleri ve DX Uygulama Stratejileri” oturumunda “Physical AI Kullanım Örnekleri ile RAG Ajanlarının Uygulanma Sürecindeki Başarısızlık Faktörleri ve İyileştirme Stratejileri” başlıklı konuyla katılım sağladık.
Son dönemde AI ajanlarına olan ilginin artmasıyla birlikte, AI uygulamayı değerlendiren şirketlerin sayısı da giderek artıyor. Birçok kurum ve şirketin AI teknolojisini pilot olarak uygulamaya alıp işlettiğini biliyoruz.
Ancak ne yazık ki yapılan araştırmalar, birçok şirket ve kurumda beklenen ROI'nin elde edilemediğini veya PoC aşamasında çalışan işlevlerin asıl projede ya da sahada düzgün yanıt vermediğini veya çalışmadığını gösteriyor.
Bu bilgiler nedeniyle birçok şirket AI'ı aceleyle uygulamaya almaktan çekiniyor.
Bu konuşmada CLEVI CEO'su Hwan-ho Lee, AI'ın aceleyle uygulanmasının başlıca başarısızlık nedenlerinden biri olan RAG sistemlerinin sınırlamalarını ve açık kaynak modeller ile küçük LLM'ler (SLM) hakkında ayrıntılı açıklamalarda bulunarak önceki uygulama örneklerinin neden başarısız olduğunu anlattı.
Sonuçta AI'ı kullanmamızın nedeni, insanların yaptığı işleri üstlenmesini veya insanlardan daha iyi performans göstermesini beklememizdir.
Günümüzde AI'ı uygulamaya alan şirketlerin operasyon ekipleri, AI yanıtlarının kalitesine güvenemedikleri için yanıtların içeriğini tek tek kontrol etmek zorunda kalıyor ve bu nedenle iş yüklerinin arttığından şikâyet ediyor.
Bunun nedeni, çoğu şirketin açık kaynaklı SLM modellerini fine-tuning yaparak çözüm olarak kullanmasıdır.
Sezgisel olarak AI yeni şeyler öğrendiğinde daha akıllı olacağını düşünürüz; ancak AI'a yeni bilgiler öğretildiğinde geçmişteki anılarını, yani rastgele parametre ağırlıklarını kaybeder.
Daha ciddi sorun ise hangi bilgilerin veya hangi bilginin kaybedildiğinin artık kimse tarafından bilinememesidir.
Yapay zekâ benimsemek küçük miktarda kaynak gerektiren bir iş olmadığı için PoC aşamasından itibaren kapsamlı doğrulamalar gerçekleştirmiş olmalısınız.
Peki bu sorunlar neden o zaman ortaya çıkmadı? Bunun nedeni, elbette hedef bilgilerle yeniden eğitilmiş olmasıdır.
Yalnızca sayıları bilen bir yapay zekâya alfabeyi öğrettiniz ve ardından yalnızca alfabe hakkında sorular sordunuz; dolayısıyla doğal olarak soruları iyi yanıtlıyor. Ancak sahada yalnızca bu tür belirli bir alana özel modeller mi gerekiyor?
Sahada her gün yeni ortamlar ve yeni verilerle karşı karşıya kalıyoruz. Ancak mevcut bilgileri rastgele yok ederek öğrenen yapay zekâ, genellenebilirliğin yanı sıra doğruluğu da garanti edemez.
Bu nedenle From-scratch Foundation büyük dil modeline sahip olmak veya böyle bir model oluşturabilecek teknolojiye sahip olmak gerekiyor.
Bunun nedeni, bu modellerin dünyadaki neredeyse tüm bilgiye sahip olması ve bu sayede yalnızca yanıt kalitesinin değil, doğruluğun da yüksek olmasıdır.
Özel alanlar için SFT(Supervised Fine-Tuning) adı verilen teknoloji kullanılabilir. Az miktarda veri söz konusu olduğunda ise RAG sistemi veya CLEVI tarafından geliştirilen istihbarat veritabanı sistemi olan semantik veritabanı teknolojisi kullanılırsa, ince ayar yapılmış SLM'lerin dezavantajları aşılabilir.
Hükümet de bu tür temel modellerin öneminin farkında olduğu için kapsamlı destek sağlıyor.
Bu proje, Ulusal Temsilci Yapay Zekâ Projesi'dir. Bu projenin en büyük hedefi dijital egemenliği güvence altına almak olacaktır.
CLEVI olarak biz de açık kaynak modeller kullanıldığında ortaya çıkabilecek kritik dezavantajların farkında olduğumuz için veri toplamadan mimari tasarımına kadar her şeyi bağımsız olarak geliştirerek CLEVI modellerini eğittik.
CLEVI modelleri şu anda dünyanın önde gelen yapay zekâlarıyla rekabet ettiğinde dahi hiç geride kalmayan bir performansa sahip.
Özellikle kendi modellerimize sahip olduğumuz için harici modeller kullanıldığında ortaya çıkabilecek bağımlılık sorunları CLEVI için söz konusu değil.
Yapay zekâ benimsemek artık bir seçenek olmaktan çıkıp zorunluluk hâline geliyor. Ancak yalnızca en son teknolojiyi benimsemek istenen sonuçları elde etmek için yeterli değildir.
Gerçek inovasyon, teknolojinin sınırları doğru bir şekilde anlaşıldığında ve kuruluşumuzun ortamına ve hedeflerine uygun en iyi strateji oluşturulduğunda başlar.
CLEVI, kendine özgü büyük dil modeli ve semantik veritabanı gibi farklılaşmış teknolojik yetkinlikleriyle şirketlerin yapay zekâ benimseme sürecinde yaşadığı deneme yanılmaları ve riskleri en aza indiriyor.
Bundan sonra da sahadaki sesleri dinleyerek daha fazla şirketin güvenebileceği bir AI ortağı olmak için elimizden geleni yapacağız. AI benimsemesinde gerçek başarıyı CLEVI ile birlikte oluşturmanızı dileriz.