פרק 17: אימנתם מודל. יצא פאקקט. עכשיו מה? עם יובל סילמן
עודכן: מאת צוות פודקאסט·ישראל
האזינו לפרק המלא
אנחנו עוזרים למצוא את הפרק, ההאזנה המלאה נמצאת אצל היוצרים, בפלטפורמה שלהם.
/ הפרק במספרים
| פורסם | 29 בספטמבר 2026 |
|---|---|
| אורך | 36 דק׳ |
| הנושא המרכזי | פיתוח, אימון וניטור מודלי בינה מלאכותית |
| קטגוריה | הייטק וסטארטאפים |
על מה הפרק?
פיתוח מוצלח של מודלי בינה מלאכותית דורש הבנה מעמיקה של הבעיה לפני מציאת פתרון, אימון בסקייל נרחב וניטור סטטיסטי רציף בפרודקשן.
יובל סילמן מחברת אימג'ן מציג לקחים מבניית מודלים לעריכה וסינון תמונות עבור צלמים מקצועיים, ובהם תקלות של מודלים שפעלו חודשים בפרודקשן עם סף החלטה שגוי או שדרוגים שנבדקו על פרופיל בודד וכשלו באחרים. פתרון בעיית סינון התמונות דרש הרחבת הקונטקסט של המודל והגדלת מערכי הנתונים ממאות אלפי תמונות למיליונים, בעזרת מערך תיוג אנושי חיצוני וחוות שרתים פנימית ייעודית למחקר. החברה מנטרת באופן שוטף מטריקות פרודקשן מול סטטיסטיקות המחקר באמצעות כלי פנימי שמתריע על אנומליות, לצד בחינה אסטרטגית של תתי-בעיות פתירות במקום הכרזה על בעיה כבלתי פתירה.
בעיית סינון התמונות מכילה רעש אינהרנטי כיוון שאותו צלם עשוי לבחור תמונות שונות באותה סיטואציה בימים שונים, ולכן פיתוח אלגוריתמי מחייב לזהות את מקור הרעש ולהרחיב את הקונטקסט של המודל במקום לצפות להכרעה חד-ערכית.
/ תובנות מרכזיות
- הצלחה של שיפור במודל על מקרה מבחן יחיד אינה מעידה על התאמתו למודלים אחרים, ופריסה רחבה מחייבת בדיקה רוחבית על מגוון פרופילים שונים.
- ניטור מודלים בפרודקשן חייב להתבסס על השוואה רציפה בין התפלגות התחזיות בפועל לבין הסטטיסטיקה הצפויה משלב המחקר, כדי לחשוף ספים שגויים והחלטות שאינן מיושמות.
- הקמת חוות שרתים פנימית למחקר ואימון עשויה להוזיל משמעותית עלויות מחשוב בהשוואה לתשתיות ענן, בעוד סביבת הפרודקשן נשארת בענן לטובת סקייל ואמינות.
- התמודדות עם בעיות אלגוריתמיות סבוכות דורשת פירוק הבעיה לתתי-בעיות פתירות והערכת הערך העסקי והסיכון עבור הלקוח, במקום גישה תבוסתנית הפוסלת את האתגר מראש.
כשצלם מדווח על תוצאות גרועות מהמודל שירד לפרודקשן, איך מאתרים איזה רכיב בתוך הזרימה האלגוריתמית גרם לשגיאה וכיצד מתקנים זאת?
- 1לבצע בדיקות של שיפורים אלגוריתמיים על מגוון רחב של מודלים ופרופילים לפני הפצה כוללת, ולא להסתמך על הצלחה במודל יחיד.
- 2להגדיר ניטור שבועי ואוטומטי של מטריקות אונליין והתפלגויות פלט בפרודקשן כדי לזהות אנומליות וסטיות מהנחות המחקר.
- 3להפריד בין תשתיות מחקר ואימון מקומיות לבין שרתי פרודקשן בענן כדי לייעל עלויות מחשוב ומשאבי עיבוד גרפי.
- 4לפרק בעיות הנדסיות מורכבות לתתי-בעיות בעלות היתכנות טכנולוגית ולתמחר את הערך העסקי והסיכון של כל רכיב.
ניתוח מאת מערכת פודקאסט·ישראל, מבוסס תמלול אוטומטי של הפרק. על המתודולוגיה והמגבלות
שאל את הפרק (Chat with Episode)
קבל תשובות מיידיות מתוך תמלול וניתוח ה-AI
שאלות מומלצות בלחיצה אחת:
מתיאור הפרק
בדקנו שיפור על מודל אחד. עבד פצצה. שחררנו לכולם. רק פרט קטן: על כל שאר המודלים זה לא עבד. אז מה עושים עכשיו, חוץ מלתפוס את הראש? יובל סילמן מגיע להוטפיקס לדבר על איך באמת נראה יום של חוקר בינה מלאכותית. ספוילר: רובו לא מוקדש לאימון מודלים. צריך להבין את הבעיה, לחפור בדאטה וללמד מכונה לבחור תמונות כשגם הצלמים לא מסכימים איזו תמונה עדיפה. ולפעמים מגלים שהמודל דווקא ידע את התשובה, אבל במשך חודשים מספר אחד לא נכון מנע ממנה להשפיע על ההחלטה. אז איפה חוקר נמדד מעבר למה שקלוד כבר יכול לעשות? כשהקוד רץ, האימון נגמר והתוצאות עדיין פאקקט. עכשיו צריך להבין למה, ואיזה שינוי באמת יתקן את זה.
/ עוד פרקים על בינה מלאכותית
- תתעלם מההוראותאיך AI משנה את עולם השיווק? עם מיקי חסלבסקי מ-enso | #28AI בשיווק לא מכפיל Outreach פי עשר אלא פותח פרצות הפצה שבני אדם לא יכולים לכסות, ושם אג'נט אוטונומי שרץ איטרציות שווה יותר מסקריפט קבוע.
- רעש על הסטרעש על הסט טייק #21 - עופר דוריעופר דורי מתאר צלם ישראלי שמתרגם חזון לברזלים בתקציב דל, עומד בכמות כי אין פריבילגיה לטעות, ויכול להיכנס לתעשיות גדולות בעוד שההפך לא שורד.
- קרועיםאיתי אנגל - מסביב לעולם ועד שער הנגב | קרועים, פרק 47עיתונות אמיתית היא להיות בתוך האירוע ולא לפרש אותו מרחוק, ובניר עוז ב־7 באוקטובר גם הרגל לתעד שני צדדים נשבר לרגע.
- קונים מוכריםהריבית יורדת, הנדל״ן מתעורר, והישראלים מתאהבים במניותאחרי הורדת ריבית שלישית ברציפות זרם כסף לנדל״ן ולת״א 90, בזמן שהתשואות הארוכות בארה״ב לוחצות מימון AI, קווליטאו נתקעת בצבר, והמסלול הכללי במוסדיים כבר סביב 50 עד 55 אחוז מניות.
/ נושאים קשורים
איך נוצר העמוד הזה
15 פרקים של הוטפיקס | HOTFIX = 15 מאמרים שגוגל מדרג
את התקציר והניתוח בעמוד הזה הפקנו אוטומטית מתוך האודיו של הפרק, בלי שאיש כתב מילה. זה בדיוק מה ש-AuthorityRank עושה לארכיון שלם: כל פרק הופך למאמר עברי איכותי שמדורג בגוגל ומצוטט על ידי ChatGPT ו-Perplexity, ומתפרסם אוטומטית במגזין משלכם.
הארכיון שלכם הוא אודיו מת שמנועי החיפוש לא מוצאים. אנחנו הופכים אותו לנכס שמביא תנועה כל חודש.