去年10月24日，受韓國產業智慧化協會（KOIIA）邀請，參加「2025中堅企業核心人才培育學院：未來產業因應策略研討會」，CLEVI代表李煥浩發表了主題演講。
我們在「AI技術導入案例及DX實務策略」場次中，以「Physical AI應用案例，以及導入RAG Agent過程中的失敗因素與改善策略」為主題參與。
隨著近期對AI Agent的關注度提高，考慮導入AI的公司也日益增加。據了解，許多機構和企業已試行導入AI並投入運作。
然而，調查顯示，許多企業和機構未能獲得預期的ROI，或是在PoC中能夠運作的功能，到了正式專案或實際現場卻無法提供適當回答，甚至無法運作。
由於這些情況，許多企業對倉促導入AI抱持戒心。
在本次演講中，CLEVI代表李煥浩詳細說明了RAG系統的限制，以及開放原始碼模型或小型LLM（SLM），這些都是倉促導入AI的典型失敗原因，並解釋了先前的導入案例為何會失敗。
歸根究柢，運用AI的原因在於期待它能代替人工作，或展現優於人類的效能。
目前已導入AI的企業，其實務人員由於無法信任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，相關抱怨也不斷浮現。
原因在於大多數企業都將開放原始碼的SLM模型進行微調後，作為解決方案使用。
直觀上，人們會認為AI學習新的內容後會變得更聰明，但實際上，讓AI學習新知識反而會使其失去過去的記憶，也就是任意的參數權重。
更嚴重的問題在於，沒有人知道究竟失去了哪些資訊或知識。
由於導入 AI 並不是一件只需投入少量資源的事情，因此您應該從 PoC 階段就進行了許多驗證，但為什麼當時沒有出現這些問題呢？
當然是因為模型以目標資訊重新訓練了。
您只教會原本只懂數字的 AI 字母，之後也只提出與字母相關的問題，因此它自然能夠很好地回答。但在實際現場，我們只需要這種專精於特定領域的模型嗎？
我們的現場每天都會面臨新的環境與新的資料。然而，透過隨機破壞既有知識來學習的 AI，不僅無法確保通用性，也無法確保準確性。
因此，我們需要擁有 From-scratch Foundation 超大型語言模型，或具備建立此模型的技術。
這些模型掌握了世上幾乎所有的知識，因此不僅回答品質高，準確性也高。
對於特定領域，可以使用 SFT(Supervised Fine-Tuning) 技術；而對於少量資料，若使用 RAG 系統或 CLEVI 自行開發的智慧資料庫系統——語意資料庫技術，便能克服經微調的 SLM 的缺點。
政府也深知這類基礎模型的重要性，因此投入了大量支援。
這就是國家代表 AI 計畫。這項計畫最大的目標應該是確保數位主權。
CLEVI 也了解使用開源模型時可能產生的致命缺點，因此從資料蒐集到架構設計皆自行開發，並訓練了 CLEVI 的模型。
目前 CLEVI 的模型即使與世界頂尖的 AI 競爭，效能也完全不落人後。
尤其是因為擁有自有模型，CLEVI 也不會受到使用外部模型時可能產生的依賴問題影響。
如今，導入 AI 正逐漸從選擇變成必需。然而，僅僅導入最新技術，很難獲得理想成果。
真正的創新，始於準確理解技術的限制，並根據組織的環境與目標制定最佳策略。
CLEVI 憑藉獨有的超大型語言模型與語意資料庫等差異化技術，將企業在導入 AI 的過程中所面臨的試錯與風險降至最低。
未來我們也將持續傾聽現場的聲音，為成為更多企業值得信賴的 AI 夥伴而竭盡全力。誠摯期待您與 CLEVI 一同打造 AI 導入的真正成功。