מעבר למודל

Hey! I'd love to hear your thoughts, send me a voice note.

כולם מדברים על AI, אבל האם אנחנו באמת מבינים את המושגים שמאחורי הטכנולוגיה?

בפרק השני של ״מעבר למודל״, דקל ושירון עושים סדר במושגי היסוד של עולם הבינה המלאכותית, בשפה פשוטה ונגישה, בלי לוותר על העומק הטכנולוגי.

דרך תרחיש מעשי של חברה שרוצה לבנות סוכן AI לשירות לקוחות, אנחנו מפרקים את המרכיבים של מערכת AI מודרנית ומסבירים איך הם מתחברים למוצר שעובד באמת.

על מה דיברנו בפרק?

• Prompt, Context ו-Tokens – איך מתקשרים עם מודלים ומה משפיע על העלויות?
• LLM, SLM ו-Inference – מה ההבדלים בין המודלים ומה קורה כשאנחנו שולחים בקשה?
• Embeddings ו-RAG – איך מחברים מודלים לידע הארגוני באמצעות חיפוש סמנטי?
• Structured Output – איך מקבלים תשובות מובנות שאפשר להשתמש בהן בתוכנה?
• MCP, Tools ו-Skills – איך נותנים למודל יכולת לבצע פעולות בעולם האמיתי?
• State, Memory ו-Caching – איך מאפשרים לסוכן לשמור על רצף שיחה ולזכור מידע לאורך זמן?
• AI Agents – מה הופך מודל לסוכן אוטונומי?
• Guardrails, Evaluations ו-Observability – מה ההבדל בין דמו מרשים למערכת AI אמינה בפרודקשן?
• Fine-tuning, Multimodal, Hallucinations ו-Zero-shot – עוד מושגים שכדאי להכיר.

למי הפרק מתאים?

למפתחים, מנהלי מוצר, אנשי טכנולוגיה וכל מי שנכנס לעולם ה-AI ורוצה להבין את השפה, להשתתף בדיונים מקצועיים ולקבל בסיס טוב ללמידה מעמיקה יותר.

המטרה שלנו פשוטה: שבסוף הפרק תוכלו לא רק לזהות את המושגים, אלא גם להבין איך הם מתחברים ומה התפקיד של כל אחד מהם בבניית מוצר AI.

מעבר למודל – כי AI הוא הרבה יותר מהמודל עצמו.

Hey! I'd love to hear your thoughts, send me a voice note.

בפרק הראשון של „מעבר למודל” אנחנו מתחילים מאחת הטעויות הכי נפוצות בעבודה עם AI: המחשבה שאפשר פשוט לתת למודל ערימה של מידע ולצפות שהוא כבר יבין לבד מה חשוב.

דרך סיפור אמיתי על לקוח שבנה Agent והעמיס עליו כמויות גדולות של מידע, אנחנו מפרקים את המושג Context ומנסים להבין מה המודל באמת מקבל לפני שהוא מייצר תשובה.

אנחנו מדברים על System Prompts, כלים ופונקציות, MCP, ידע ארגוני ו־RAG, סטנדרטים, פורמט הפלט והאופן שבו כל אלה משפיעים על התוצאה. נוגעים גם בהזיות, במגבלות של חלונות קונטקסט ובחשיבות של Evaluation במקום להסתמך על כללי אצבע.

הרעיון המרכזי של הפרק פשוט: יותר קונטקסט לא בהכרח אומר תוצאה טובה יותר. המטרה היא לתת למודל את המידע הנכון למשימה הנכונה.

בפרק:

• מהו Context ולמה הוא כל כך חשוב
• למה LLM הוא לא „קופסה קסומה”
• מה ההבדל בין מודל לבין המעטפת שסביבו
• System Prompts, Tools ו־MCP
• איך מחברים ידע ארגוני באמצעות RAG
• למה יותר מידע יכול דווקא לפגוע בתוצאה
• איך לחשוב על קונטקסט כמו על תדרוך לאדם שמבצע משימה
• ולמה בסוף צריך למדוד ולבדוק, ולא רק להאמין ש„זה עובד”