AI אנג׳נירינגפודקאסט של monday AI engineering
monday AI engineering
9 פרקים
על התוכנית
כל מה שצריך לדעת על פיתוח ו AI ועבודה עם אייג׳נטים בסקייל עם נתנאל אברג׳ל ועידו קרלן
האזינו לפרק המלא
אנחנו עוזרים למצוא את הפרק, ההאזנה המלאה נמצאת אצל היוצרים, בפלטפורמה שלהם. הכפתור הראשון מוביל לפרק האחרון.
מה זה AI אנג׳נירינג?
AI אנג׳נירינג הוא פודקאסט ישראלי בקטגוריית הייטק וסטארטאפים מאת monday AI engineering. בארכיון 9 פרקים, פרק חדש בערך פעם בשבועיים, אורך פרק ממוצע כ-42 דקות.
| קטגוריה | הייטק וסטארטאפים |
|---|---|
| פרקים בארכיון | 9 |
| תדירות (מהפרקים האחרונים) | פרק חדש בערך פעם בשבועיים |
| אורך פרק ממוצע (בפרקים האחרונים) | כ-42 דקות |
| הפרק האחרון | 18 בנובמבר 2026 |
| פרקים עם ניתוח עומק | 6 |
עודכן:
תובנות הזהב מהארכיון
- מפתחים כיום נדרשים לחשוב על האימפקט של הקוד שלהם על המשתמשים ולא רק על כתיבת הקוד עצמו.
- תהליך הגיוס השתנה, עם דגש על הבנת השימוש ב-AI ולא רק על ניסיון טכני.
- AI פלואנסי הפך לסיגנל מרכזי בתהליך הגיוס, עם דגש על סקרנות ויכולת למידה.
- מפתחים צריכים להיות מסוגלים לקבל החלטות עצמאיות ולהתאים את עצמם לשינויים מהירים בטכנולוגיה.
- RAG מספיק בכ־99 אחוז מהמקרים; הגבול מגיע כשהידע כולל גם טבלאות ובני אדם, ואייג'נטים הם הצרכן העיקרי של הדאטה הארגוני.
- לפי Y Combinator, company brain הוא ידע משותף; המדידה כספית לפי לופים שאייג'נטים מריצים עם קונטקסט, למשל CMO שעולה מפגישה לקמפיין משודר אחרי אישור.
- Ontological lenses: אותו אירוע הוא פיצ'ר גאפ ל־PM ונטישת משתמשים לפיננסים, ולכן MCP או API צריכים להזריק פרסונה.
- אינדוקס כולל נכשל כי יצא כללי מדי וגם יקר מזבל וסתירות; team brain, שכבות, dreaming לילי ו־SLM צוותי לסתירות תוארו כמענה.
- Use case ששווה את המחיר: אייג'נט שמצמיד C-Level חדש ומקצר אונבורדינג של כחצי שנה; ובארגון מהיר, לחבר פיצ'ר שיצא ללקוח שביקש אותו לפני שנה או שנתיים.
- אי אפשר לזרוק משימה על אג'נט בענן ולצפות לוואן שוט; גם קלוד קוד לוקאלי לא עובד ככה.
- הבטלנק זז מכתיבת קוד לריוויו, והצוות מצא את עצמו עובד אצל האג'נטים כריוויוארים.
- גארד ריילס בודקים דברים מהותיים כמו מחיקת פיצ'ר פלאג שלא פתוח במאה אחוז מהריג'נים, לא אם ה-if במקום.
- סטנדרטים נסרקים כבר בשלב הספק, אחר כך בפריקומיט הוקס, ואז בשער ה-PR.
- האג'נטים הם טימייטס עם חשבון והרשאות, לא וורקפלו פר משימה, ויש ממורי ברמת אג'נט, סשן ובייס משותף.
- בדיקות לא מקוונות בוחנות שינויים בקוד ובפרומפטים מול מאגר תרחישים נבחר, ואילו בדיקות מקוונות מודדות את איכות הסשנים האמיתיים של הלקוחות לאורך זמן.
- בדיקות דטרמיניסטיות, כמו מבנה תשובה או שימוש בכלי מסוים, מתאימות לקוד; הערכת טון ושקילות משמעות בין ניסוחים מתאימה לשיפוט באמצעות מודל שפה.
- מעבר למודל חדש דורש בדיקה מוקדמת ולאחריה חשיפה הדרגתית לקבוצות משתמשים, תוך מדידת איכות ועלות.
- אפשר להשתמש במודל חזק לתכנון ובמודל רזה לביצוע, ולהפעיל מודל חזק במיוחד רק בשלבים מורכבים כמו יצירת כלי תוך כדי עבודת הסוכן.
- בחירת מודל כפופה גם להעדפות הלקוח בנוגע לספקים, למיקום המידע ולשמירתו, ולא רק לאיכות התשובה ולמחיר.
- צ'אט אינו המדיום הנכון להתנהל עם אג'נטים; צריך לתת להם לעבוד ולסכם לאדם רק בנקודת ההחלטה.
- אין טעם שכל אחד בצוות יבנה אג'נט אישי משלו; צריך אג'נט צוותי וקולקטיב ידע בין אג'נטים.
- בדוטי תשובה Invisible לשואל בצ'אנל, ורק אחרי publish לכל הערוץ, יצרה גילוי של המוצר בלי שהיוזר יחפש את האג'נט.
- איוולים צריכים להתנהג כמו טסטים: קודם מה שיודעים לענות, אחר כך אינטנטים חדשים, ומדידה לכל טול ולא רק לנקודת הכניסה.
- מתן כהן אומר שעבודת המפתח עולה רמה אחת של אבסטרקציה, כמו המעבר מנטורקינג ל-DevOps, ולא נעלמת.
ועוד 5 תובנות לאורך הפרקים…
השאלות הבולטות בארכיון
איך העבודה שלך בחצי שנה האחרונה השתנתה עם הכניסה של ה-AI?
מה קורה ביום שנתת ל־Company Brain לרוץ, ואתם כארגון כבר לא יודעים מה קורה בקונטקסט ולא מבינים אותו כי הוא לא מותאם לכם?
איך מאפשרים ל-PRים להיכנס בלי יומן אין דה לופ בלי לפגוע במיליוני משתמשים?
איך יודעים ששינוי במודל או ביכולות הסוכן אינו פוגע באיכות אצל עשרות אלפי סוכנים שהלקוחות מגדירים בעצמם?
איך מודדים הצלחה של אג'נט בארגון כשיש אינסוף סוגי יוזרים ומאות תשובות בלי לדעת אם הן טובות?
איך יודעים אם אג'נט עושה עבודה טובה ומה זה עבודה טובה בעולמות האלו?
6 פרקים = 6 מאמרים אפשריים. כל פרק בארכיון יכול להפוך למאמר עברי SEO/GEO שמדורג בגוגל ומצוטט במנועי AI.
פרקים עם ניתוח מלא
טוב AI לא מספיק טובים כדי לבנות Evals למה
פרקים אחרונים
טוב AI לא מספיק טובים כדי לבנות Evals למה
18 בנובמבר 202641 דק׳לניתוח המלא של הפרק ←אמ;לקסיכום הפרק
בפודקאסט AI אנג׳נירינג, קורן מצוות וייב ואורי מצוות סיידקיק מ-Monday מדברים על האתגרים בבניית אג'נטים שמתאימים להמוני משתמשים. הם מסבירים איך משתמשים בבנצ'מרקים אופליין ואונליין כדי למנוע דגרגציה באיכות ואיך מודדים Delightfulness. השיחה נוגעת גם בשינויים בתפקיד הדאטה סיינטיסט בעולם ה-AI.
קראו עוד ▾הציגו פחות ▴- קורן מציין כי במוצר וייב, למשתמשים לעיתים אכפת יותר מהמראה המקצועי של האפליקציה מאשר מהפונקציונליות המדויקת שלה.
- אורי מסביר שסיידקיק משתמש בבנצ'מרקים ייעודיים כדי לוודא שהאג'נט שומר על קונטקסט לאורך זמן ומתמודד עם שאלות מורכבות.
- בבדיקות אונליין, מנטרים את שיעור הטרייסים הלא יעילים כדי לזהות חוסר יעילות או צורך בשיפור ה-LLM.
- קורן מדגיש כי תפקיד הדאטה סיינטיסט השתנה ממי שמאמן מודלים למי שמביא חשיבה מחקרית (Research Mindset) לבנייה של מוצרים מבוססי אג'נטים.
- אורי מציע להשתמש במטריקת frustration rate כדי לזהות תסכול של משתמשים דרך זיהוי קללות או סימני קריאה בשיחות.
איך הופכים את החברה כולה לצוות פיתוח?
4 בנובמבר 202637 דק׳איך בוחרים את המודל הנכון? עם קרן קושמן
22 באוקטובר 202638 דק׳שרון דהן מאימפאלה - Why your LLM costs so much?
30 בספטמבר 202645 דק׳עם מאיה אשר ודור יהודה - AI מפתחים 2026 - איך מגייסים ומה בכלל התפקיד בעידן ה
17 בספטמבר 202642 דק׳אורחים:דור כהןלניתוח המלא של הפרק ←אמ;לקסיכום הפרק
דור יהודה ומאיה אשר מדברים על השינויים בתפקיד המפתח בעידן ה-AI, שם המפתחים מתמקדים יותר באימפקט ובחשיבה ביקורתית מאשר בקוד עצמו. הם מסבירים כיצד מגייסים מפתחים כיום, עם דגש על יכולות כמו AI פלואנסי, סקרנות ויכולת למידה עצמית.
קראו עוד ▾הציגו פחות ▴- מפתחים כיום נדרשים לחשוב על האימפקט של הקוד שלהם על המשתמשים ולא רק על כתיבת הקוד עצמו.
- תהליך הגיוס השתנה, עם דגש על הבנת השימוש ב-AI ולא רק על ניסיון טכני.
- AI פלואנסי הפך לסיגנל מרכזי בתהליך הגיוס, עם דגש על סקרנות ויכולת למידה.
- מפתחים צריכים להיות מסוגלים לקבל החלטות עצמאיות ולהתאים את עצמם לשינויים מהירים בטכנולוגיה.
ש&תשאלות ותשובות מהפרק▾כמה מהקוד ב-monday נכתב היום על ידי AI לפי דור יהודה?
דור יהודה מתאר היפוך מגמה מהיר: בשנה שעברה כ-90 עד 95 אחוז מהקוד נכתב על ידי אנשים, בתחילת השנה כבר כחמישים אחוז נכתב על ידי AI, ולפני כמה חודשים הגיעו כמעט ל-100 אחוז. לדבריו המפתחים עדיין עוברים על כל שורה, אבל הפוקוס עבר לארכיטקטורה ולתרגום בין הכוונה העסקית לכוונה הטכנית.
▾האם מגייסות ב-monday באמת קוראות כל קורות חיים ידנית או שמערכת AI מסננת אותם?
מאיה אשר מצהירה על «דעה לא פופולרית»: המגייסות עוברות ידנית על קורות החיים במערכת הגיוס, גם אם יש בה יכולות AI שעוזרות לדרג. לדבריה כל קורות חיים שנכנסים נקראים על ידי אדם, ולעיתים המגייסות גם בודקות בלינקדאין איפה המועמד עבד ומה החברה בונה.
▾למה monday הפסיקה לבחון מועמדים לפיתוח בשאלות ליטקוד?
מאיה אשר מסבירה שבעבר תהליך הגיוס כלל שאלות ליטקוד ובדיקת שליטה בסינטקס, אבל זה כבר לא משקף את העבודה היומיומית ב-monday, שבה כמעט ולא כותבים קוד ידנית. במקום זה שאלות הראיון עוסקות במוצרים פנימיים שהחברה מפתחת, למשל בניית אייג'נט, כדי שהמועמד יוכל לדמות את התפקיד.
▾מהו הסיגנל AI פלואנסי שנוסף לתהליך הגיוס ב-monday?
סיגנל הוא פרמטר שמוגדר מראש עם המנהל המגייס כדי להעריך מועמדים, ו-AI פלואנסי הוא סיגנל חדש שמתחלק לשניים לפי דור יהודה. החלק הראשון הוא soft skills כמו חשיבה יזמית, רמפאפ מהיר, חשיבה ביקורתית ויכולת לקבל החלטות לבד, והחלק השני הוא איך המועמד מממש אותם בפועל עם סקילים, אוטומציות ו-workflows שבנה.
▾איזה אתגר הנדסי ניסה דור יהודה לפתור בפרויקט mondaydb?
לפני חמש או שש שנים הבורדים היו המנוע המרכזי של monday, והצוות רצה לעבור מאלפים לעשרות ומאות אלפים של פריטים בטבלה. הקושי היה שהבורדים הם unstructured, כך שאי אפשר פשוט להעביר אותם ל-SQL, ועדיין נדרש filter, group by ו-sort לפי כל שדה. על הפרויקט פורסמו מאמרים ונרשמו פטנטים.
עם רועי זלטה Company Brain כל מה שצריך לדעת על
6 בספטמבר 202645 דק׳לניתוח המלא של הפרק ←אמ;לקסיכום הפרק
RAG כבר קומודיטי מאז בערך 2023, ובכ־99 אחוז מהמקרים זה מה שארגון צריך; company brain כ־shared knowledge לאייג'נטים, כהגדרת Y Combinator, אינו בעיה פתורה גם ברמת צוות והוא יקר בגלל זבל, סתירות וסנכרון מתמיד. הציר שהוצג ממשיך ב־context engineering ב־2025 וב־26 באפריל בטוויט של אנדרי קרפטי על Obsidian כ־second brain מול קלוד. המתכון שתואר: factual memory ממקורות כמו סלאק, זום, Teams ומיילים, אחר כך missing why של החלטות והתחייבויות, גרף אונטולוגיה, ואז governed action שמייצר לופים. אינדוקס כל המערכת כולל קוד כ־source of truth יצא כללי מדי; מעבר ל־team brain ולשכבות, ו־dreaming כ־cron לילי לניקוי וחיבור זיכרונות, תוארו כקפיצה.
קראו עוד ▾הציגו פחות ▴- RAG מספיק בכ־99 אחוז מהמקרים; הגבול מגיע כשהידע כולל גם טבלאות ובני אדם, ואייג'נטים הם הצרכן העיקרי של הדאטה הארגוני.
- לפי Y Combinator, company brain הוא ידע משותף; המדידה כספית לפי לופים שאייג'נטים מריצים עם קונטקסט, למשל CMO שעולה מפגישה לקמפיין משודר אחרי אישור.
- Ontological lenses: אותו אירוע הוא פיצ'ר גאפ ל־PM ונטישת משתמשים לפיננסים, ולכן MCP או API צריכים להזריק פרסונה.
- אינדוקס כולל נכשל כי יצא כללי מדי וגם יקר מזבל וסתירות; team brain, שכבות, dreaming לילי ו־SLM צוותי לסתירות תוארו כמענה.
- Use case ששווה את המחיר: אייג'נט שמצמיד C-Level חדש ומקצר אונבורדינג של כחצי שנה; ובארגון מהיר, לחבר פיצ'ר שיצא ללקוח שביקש אותו לפני שנה או שנתיים.
Atlas - From agent to AI teammate - תומר ברוק
27 באוגוסט 202634 דק׳לניתוח המלא של הפרק ←אמ;לקסיכום הפרק
היעד ל-2026 במאנדיי הוא ש-100 אחוז מהקוד ייכתב על ידי AI, ש-30 אחוז ייכתב בידי אג'נטים אוטונומיים מקצה לקצה, ושכל טיקט תמיכה יטופל בפחות מ-24 שעות. אלפי אג'נטים רצים בארגון, ורק כ-100 או קצת יותר באמת מייצרים PRים ומטפלים בטיקטים. אטלס הופעל בהתחלה כקלוד קוד בענן והוציא אלפי PRים גרועים; אחר כך נוספו מועצת חכמים, פידבק מ-CI לאותו סשן, סקילים לפריסה ולבדיקות, וגארד ריילס שמחוברים לידע של מאנדיי. כיום כ-15 אחוז מה-PRים נכתבים ונכנסים על ידי אג'נטים מרוחקים, כ-50 אחוז מה-PRים נכנסים בלי קומיט נוסף של אדם, והצוותים היברידיים: בני אדם ואג'נטים עם זהות בסלק, במאנדיי ובגיטהאב.
קראו עוד ▾הציגו פחות ▴- אי אפשר לזרוק משימה על אג'נט בענן ולצפות לוואן שוט; גם קלוד קוד לוקאלי לא עובד ככה.
- הבטלנק זז מכתיבת קוד לריוויו, והצוות מצא את עצמו עובד אצל האג'נטים כריוויוארים.
- גארד ריילס בודקים דברים מהותיים כמו מחיקת פיצ'ר פלאג שלא פתוח במאה אחוז מהריג'נים, לא אם ה-if במקום.
- סטנדרטים נסרקים כבר בשלב הספק, אחר כך בפריקומיט הוקס, ואז בשער ה-PR.
- האג'נטים הם טימייטס עם חשבון והרשאות, לא וורקפלו פר משימה, ויש ממורי ברמת אג'נט, סשן ובייס משותף.
AI Infra at Scale - דור כהן
17 באוגוסט 202639 דק׳לניתוח המלא של הפרק ←אמ;לקסיכום הפרק
לולאה במוצר ניסיוני במאנדיי צברה הוצאה של 50 אלף דולר ביום אחד והמחישה את הצורך במדידת שימוש ובהגבלת עלויות ברמת הפיצ׳ר והלקוח. שער הבינה המלאכותית מרכז ניתוב למודלים, מגבלות שימוש ושכבות הגנה, בעוד בדיקות לפני הייצור ובדיקות על סשנים אמיתיים מאפשרות לעקוב אחר איכות ולהחליף מודלים בהדרגה. סידור נכון של פרומפטים לצורך מטמון, צמצום פלט והפרדת תכנון מביצוע הם דרכים להפחית עלויות. צוותי המוצר נשארים אחראים לזיהוי לולאות, להתאמת הפרומפטים למודלים ולבדיקת התנהגות הסוכנים.
קראו עוד ▾הציגו פחות ▴- בדיקות לא מקוונות בוחנות שינויים בקוד ובפרומפטים מול מאגר תרחישים נבחר, ואילו בדיקות מקוונות מודדות את איכות הסשנים האמיתיים של הלקוחות לאורך זמן.
- בדיקות דטרמיניסטיות, כמו מבנה תשובה או שימוש בכלי מסוים, מתאימות לקוד; הערכת טון ושקילות משמעות בין ניסוחים מתאימה לשיפוט באמצעות מודל שפה.
- מעבר למודל חדש דורש בדיקה מוקדמת ולאחריה חשיפה הדרגתית לקבוצות משתמשים, תוך מדידת איכות ועלות.
- אפשר להשתמש במודל חזק לתכנון ובמודל רזה לביצוע, ולהפעיל מודל חזק במיוחד רק בשלבים מורכבים כמו יצירת כלי תוך כדי עבודת הסוכן.
- בחירת מודל כפופה גם להעדפות הלקוח בנוגע לספקים, למיקום המידע ולשמירתו, ולא רק לאיכות התשובה ולמחיר.
The AI UX Paradox: AI Engineering Beyond the Chatbox - מתן כהן
6 באוגוסט 202654 דק׳לניתוח המלא של הפרק ←אמ;לקסיכום הפרק
ב-Monday עברו מאג'נטים אישיים עם זהות מלאה לצוותי אג'נטים עם פרסונה ויוזר, וצ'אט תואר כמדיום לא נכון: האג'נטים עובדים והאדם נכנס בנקודת ההחלטה. מתן כהן, הד אוף סלאק ישראל ומייסד שותף של דוטי שנרכשה לסלאק, מגדיר פרואקטיב AI כפיצ'רים שחושפים יכולות נסתרות של אותה תיבת טקסט, למשל כפתור Prepare me for a meeting במסך today או תשובת AI בחיפוש. בדוטי אג'נט ענה קודם Invisible רק למי ששאל בצ'אנל ואפשר היה לפרסם לכל הערוץ, וכך דילגו על הקפיצה הקוגניטיבית של חיפוש המוצר. מדידת אג'נטים אופקיים עברה מקריאה ידנית של שיחות לאיוולים ב-CI, כולל ניסיון לזהות אינטנטים חדשים גם כשאין גישה לדאטה המלא מטעמי פרטיות.
קראו עוד ▾הציגו פחות ▴- צ'אט אינו המדיום הנכון להתנהל עם אג'נטים; צריך לתת להם לעבוד ולסכם לאדם רק בנקודת ההחלטה.
- אין טעם שכל אחד בצוות יבנה אג'נט אישי משלו; צריך אג'נט צוותי וקולקטיב ידע בין אג'נטים.
- בדוטי תשובה Invisible לשואל בצ'אנל, ורק אחרי publish לכל הערוץ, יצרה גילוי של המוצר בלי שהיוזר יחפש את האג'נט.
- איוולים צריכים להתנהג כמו טסטים: קודם מה שיודעים לענות, אחר כך אינטנטים חדשים, ומדידה לכל טול ולא רק לנקודת הכניסה.
- מתן כהן אומר שעבודת המפתח עולה רמה אחת של אבסטרקציה, כמו המעבר מנטורקינג ל-DevOps, ולא נעלמת.
כתבות במגזין על התוכנית
שיווק והכנסות מAI אנג׳נירינג: שאלות נפוצות
העמוד הזה נבנה אוטומטית מהפיד שלכם. אם אתם מנחים את התוכנית, אלה השאלות שאנחנו נשאלים הכי הרבה.
- המלצה על פודקאסט: איך AI אנג׳נירינג מקבל המלצה ונמצא כאן?
- פודקאסט·ישראל מושך את הפיד של AI אנג׳נירינג אוטומטית, ולכן העמוד הזה קיים בלי שביקשתם. מה שקובע אם מאזין חדש מגיע אליו הוא כמה טקסט אמיתי יש עליו: תיאור, תמלול, ניתוח פרקים ונושאים שאפשר לחפש לפיהם בקטגוריית הייטק וסטארטאפים. פרקים שעברו תמלול וניתוח מופיעים גם בעמודי הנושא ובמדריכים שלנו, ולכן הם מקבלים הרבה יותר חשיפה מפרק שיש לו רק כותרת. כך תוסיפו לפודקאסט שלכם את שכבת התוכן שמביאה את ההמלצות.
- כיצד לשווק את הפודקאסט שלך בלי תקציב פרסום?
- השיווק היחיד שעובד לאורך זמן לפודקאסט הוא להיות התשובה שמישהו חיפש. אודיו לבדו לא נמצא בחיפוש, אבל טקסט שנוצר מתוך האודיו כן, ולכן הדרך הזולה ביותר לשווק את AI אנג׳נירינג היא להפוך כל פרק לעמוד שאפשר לדרג ולשתף. אותו עמוד משמש גם ברשתות, בניוזלטר ובפניות לאורחים, במקום לינק לנגן שאף אחד לא פותח. הנה איך זה עובד בפועל ליוצרים.
- כיצד להרוויח כסף מהפודקאסט שלך?
- שלושת המסלולים המעשיים הם חסויות, מכירת השירות או המוצר שלכם דרך הפודקאסט, ומנוי או תוכן בתשלום. לכל אחד מהם מפרסם או לקוח מבקש לראות נכס מסודר, לא רק קובץ שמע: עמוד לכל פרק, נושאים ברורים ותנועה שמגיעה מחיפוש. 9 הפרקים של AI אנג׳נירינג הם המלאי שממנו בונים את הנכס הזה. ראו את המסלול שאנחנו מציעים ליוצרים.
- למה הארכיון של AI אנג׳נירינג כמעט לא מופיע בגוגל וב-ChatGPT?
- מנועי חיפוש ומודלים של AI קוראים טקסט, לא שמע. פרק שקיים רק כקובץ MP3 עם כותרת ושורת תיאור הוא מבחינתם עמוד כמעט ריק, ולכן ארכיון שלם יכול להיות בלתי נראה. ברגע שהפרק מתומלל ונכתב ממנו מאמר מסודר, יש למנוע מה לצטט וגם ל-ChatGPT ולפרפלקסיטי יש מקור להפנות אליו. כך הופכים ארכיון שקוף למקור שמצטטים.
- מה מקבלים כש-9 הפרקים של AI אנג׳נירינג הופכים למגזין?
- 9 פרקים = 9 מאמרים: אתר מגזין בעברית על הדומיין שלכם, מאמר לכל פרק עם תקציר, נקודות מפתח וציטוטים מתוך השיחה, וקישורים פנימיים בין הפרקים לפי נושא. כל מאמר מפרסם את עצמו אוטומטית ומצרף את נגן הפרק, כך שקורא שהגיע מחיפוש יכול להאזין באותו עמוד. המאמרים בעמודי הפרקים כאן נוצרו בדיוק בשיטה הזו, אז אתם רואים את התוצר לפני שאתם משלמים עליו. לפרטים המלאים ולדוגמאות בעמוד היוצרים.
- כמה עבודה זה דורש מכם כמנחים?
- אתם ממשיכים להקליט בדיוק כמו היום. התמלול, כתיבת המאמר, ההגהה הטכנית והפרסום רצים אוטומטית מתוך פיד ה-RSS של AI אנג׳נירינג, וגם פרקים חדשים נכנסים לבד. מה שנשאר לכם הוא לאשר את הטון ואת מה שלא מפרסמים. דברו איתנו דרך עמוד היוצרים.
פודקאסטים דומים
סוכני הבינה
אורן שייר - ניר בן דוד
תתעלם מההוראות
איתן לויט
Startup for Startup
מאנדיי.קום
המייסדים
ניצן שפירא ורן רבנזפט
Tech Radar Voice
טיקל נולג'
בינה בקטנה - מה התחדש בבינה מלאכותית השבוע?
שירה וינברג הראל