於去年10月24日，應韓國產業智能化協會（KOIIA）邀請，參與「2025中堅企業核心人才培育學院：應對未來產業策略研討會」，CLEVI代表李桓浩發表了主題演講。
我們參與了「AI技術導入案例及DX實務策略」環節，主題為「Physical AI應用案例，以及RAG代理導入過程中的失敗因素與改善策略」。
隨着近期對AI代理的關注度日益提高，考慮導入AI的公司亦呈現增加趨勢。據了解，許多機構及企業已試行導入AI並投入運作。
然而，調查顯示，不少企業及機構未能取得預期的ROI，或在PoC中能夠運作的功能，到了正式項目或實際現場卻無法提供恰當答案，甚至無法運作。
由於這些情況，許多企業對倉促導入AI持有戒心。
在這次講座中，CLEVI代表李桓浩詳細講解了作為倉促導入AI的典型失敗原因之一的RAG系統限制，以及開源模型和小型LLM（SLM），並說明先前的導入案例為何會失敗。
歸根究柢，運用AI的原因在於期望它代替人類工作，或展現出比人類更出色的表現。
目前已導入AI的企業，其前線員工因無法信任AI的回答品質，不得不逐一檢查AI的回答內容，反而導致工作量增加，相關不滿聲音亦不斷湧現。
原因在於，大多數企業都會對開源SLM模型進行微調，並將其用作解決方案。
直觀而言，我們會認為AI學習新知識後會變得更聰明，但實際上，讓AI學習新知識反而會令其失去過去的記憶，即任意的參數權重。
更嚴重的問題是，沒有人知道究竟失去了哪些資訊或知識。
由於引入 AI 並非只需投入少量資源，相信你們從 PoC 階段開始便已進行了大量驗證。
為甚麼當時沒有出現這些問題呢？當然是因為模型已使用目標資訊重新訓練。
對只懂數字的 AI 教授字母，之後只提出與字母相關的問題，它自然能夠作出良好回答。然而，在實際應用環境中，我們只需要這種專門針對特定領域的模型嗎？
我們的實際應用環境每天都會面對新的環境和新的數據。然而，透過隨機破壞既有知識來訓練的 AI，不但無法保證通用性，連準確性也無法保證。
因此，我們需要擁有 From-scratch Foundation 超大型語言模型，或具備建立這類模型的技術。
這些模型擁有世上幾乎所有知識，因此不但回答品質高，準確性也高。
對於專門領域，如果使用 SFT(Supervised Fine-Tuning) 技術，或在數據量較少時使用 RAG 系統，或者使用 CLEVI 自行開發的智能數據庫系統——語義數據庫技術，便可以克服微調 SLM 的缺點。
政府也深知這些基礎模型的重要性，因此一直提供大量支援。
這就是國家代表 AI 計劃。這個計劃最大的目標，應該是確保數碼主權。
CLEVI 同樣深知使用開源模型時會出現的致命缺點，因此從數據收集到架構設計均自行開發，並訓練 CLEVI 的模型。
目前，CLEVI 的模型即使與世界頂尖的 AI 競爭，效能也完全不遜色。
尤其是由於擁有自有模型，CLEVI 也不受使用外部模型時可能出現的依賴問題影響。
如今，引入 AI 正逐漸由選擇變成必需。然而，單純引入最新技術，並不容易取得理想成果。
真正的創新，只有在準確理解技術的限制，並制定符合我們組織環境和目標的最佳策略時，才會正式開始。
CLEVI 憑藉自有的超大型語言模型和語義數據庫等差異化技術能力，將企業在引入 AI 過程中經歷的試錯和風險減至最低。
未來，我們將繼續聆聽前線的聲音，竭盡所能成為更多企業值得信賴的 AI 夥伴。願您與 CLEVI 一同締造 AI 應用的真正成功。