DATA & AI | מדברים עם מור ניצןפודקאסט של מור ניצן
מור ניצן
25 פרקים
על התוכנית
ברוכים הבאים לזירת הדיונים המעמיקים ביותר על דאטה ובינה מלאכותית. בכל פרק, אארח את הא.נשים שנמצאים ונמצאות בחזית - אלו שמנסים, בונים, מתמודדים וממציאים את החיבור שבין הנתונים לבינה המלאכותית. אלו שיחות פתוחות וישירות שפורשות בפניכם את התמונה המלאה של העולם הטכנולוגי המשתנה במהירות. בפודקאסט אנחנו ניגע בעצבים החשופים של התעשייה - מדברים על מה שבאמת קורה מאחורי הקלעים. אם אתם בתעשייה, רוצים לאמץ בינה מלאכותית ולהישאר בעניינים - הצטרפו לשיחה שפויה, מעוררת השראה ומלאה בידע פרקטי. בואו לקשקש על דאטה ובינה מלאכותית בוואטסאפ: https://chat.whatsapp.com/BsvrIO9ioW97ERmc3pgPIy
האזינו לפרק המלא
אנחנו עוזרים למצוא את הפרק, ההאזנה המלאה נמצאת אצל היוצרים, בפלטפורמה שלהם. הכפתור הראשון מוביל לפרק האחרון.
מה זה DATA & AI | מדברים עם מור ניצן?
DATA & AI | מדברים עם מור ניצן הוא פודקאסט ישראלי בקטגוריית הייטק וסטארטאפים מאת מור ניצן. בארכיון 25 פרקים, פרק חדש בערך פעם ב-6 ימים, אורך פרק ממוצע כ-30 דקות.
| קטגוריה | הייטק וסטארטאפים |
|---|---|
| פרקים בארכיון | 25 |
| תדירות (מהפרקים האחרונים) | פרק חדש בערך פעם ב-6 ימים |
| אורך פרק ממוצע (בפרקים האחרונים) | כ-30 דקות |
| הפרק האחרון | 24 באוקטובר 2026 |
| פרקים עם ניתוח עומק | 8 |
עודכן:
תובנות הזהב מהארכיון
- הדוקטרינה שהמודל בנוי סביבה: את הריקול אפשר להגדיל, אבל הפריסיז'ן חייב להיות ללא רבב - כי לסמן בטעות חשבונית אמיתית כפיקטיבית זה לעצור עסק חף מפשע, ואולי את המשק כולו.
- המכונה לא מחליפה את המומחה אלא מגדילה אותו: היא שוקלת 200 פיצ'רים שבן אדם לא יכול להחזיק בראש בנקודת ההחלטה, ולכן הסניורים הופכים ל'עזר כנגד המכונה', וכלי ה-GenAI נפתחים רק למי שלא ייקח את הפלט כתורה מסיני.
- תקדים משפטי: לראשונה מוגשת תביעה בבית המשפט העליון נגד מכונה, בטענה שהמודל גזען, ורגב מדגישה שתמיד יש human in the loop ואין החלטה אוטומטית לבד.
- הצוואר הראשון היה טכני: לשקף (mirroring) את הדאטה מהמערכות התפעוליות הישנות לביג דאטה בענן בלי לגעת בהן, כדי לאפשר ג'וינים בין מאגרים - ולדבריה בכל שני ג'וינים מסתתרים כמה מיליארדים.
- התורה שבעל פה היא הגבול של ה-AI: אם משמעות של שדה נתונים השתנתה ב-1991, שום מכונה לא תדע את זה בלי הידע הארגוני של המומחים הוותיקים.
- עלות הפקת טוקן מושפעת ישירות מהשקעות בתשתית, תחזוקה וצריכת אנרגיה גבוהה.
- קריאת טוקנים מתבצעת במקביל וביעילות, בעוד יצירתם דורשת עיבוד סדרתי יקר וממושך.
- שימוש במודלים פתוחים מאפשר שמירה על פרטיות מידע רגיש ואימון על ידע ארגוני ייחודי.
- פתיחת שיחה חדשה בכל נושא מונעת צבירת היסטוריה מיותרת שמעלה את עלות השאילתה הבאה.
- מה שעובד מספיק טוב עם חוקים דטרמיניסטיים כדאי להשאיר שם, כי זה זול ומהיר ועדכון החוקים מדי פעם זניח.
- XGBoost לא מת, ויש סוגי בעיות ודאטה שבהם הוא הפתרון המושלם.
- LLM מאפשר לעבוד על דאטה טקסטואלי שבעבר טופל רק בשיטות NLP קלאסיות, אבל צריך להכניס אותו רק לשלב שבאמת דורש אותו.
- לפני שמעסיקים 20 מתכנתים ובונים מערכת, צריך לחשוב על הדאטה, על האלגוריתם ועל סדר השלבים, כדי שהמערכת תעבוד גם מול קהל גדול ולא רק על 15 דוגמאות.
- אנליסטים ודאטה אינג׳ינירים יכולים לדחוף מלמטה למעלה בארגון את הרעיון שלא צריך את ה-LLM הכי יקר או המודל הכי חדש.
- הדשבורד שבעל העניין בנה עם Claude התברר כבנוי על ה-data warehouse שצוות הדאטה יצר ומידל.
- כשאנשים יוצרים אלף גרסאות של אותו מידע בלפטופים שלהם, הארגון מאבד את האמת ואת האמון בדאטה.
- מי שנכווה פעם אחת והציג בפגישה נתון שגוי, למשל עם אפס מיותר, מבין את הערך של דאטה ארגוני מסודר ומאומת.
- צוותי פיננסים ו-go to market מזהים כל פער קטן, ולכן כדאי לבצע את בדיקות הנתונים יחד איתם.
- בזכות כלי ה-AI הצוות יכול סוף סוף לבצע פרויקטים שתמיד נדחו ל״רבעון חמש״ בגלל חוסר זמן.
- חוסר הסכמה בין מתייגים נתפס בעולם הקלאסי כבעיה, אבל זה גם ה-gray area שבו הדאטה עצמו לא חד משמעי.
- רכיב יכול להיראות כמו דרופדאון, להכיל קישורי ניווט ולהתנהג כמו דיאלוג, ואז לא ברור איזה כללי נגישות חלים עליו.
- האג'נט ניזון מדוקומנטציה וחוקי נגישות שנתנו לו, ולכן טעות שלו חוזרת לבדיקה אם חסרים מקורות או שההנחיות לא מדויקות.
- LLM וסוכנים מצליחים בשאלות אטומיות בינאריות, לא בשיפוט מקיף של מה שמשתמש עיוור מבין מהממשק.
- AI יודע לשכנע בתשובה בטוחה וכתובה יפה, ולכן צריך לשאול אותו למה, לבדוק מול ההנחיות, ולא לתת לביטחון שלו להחליף שיפוט אנושי.
ועוד 14 תובנות לאורך הפרקים…
השאלות הבולטות בארכיון
אתה אומר AI החליף אותנו, אבל יש הרבה שאומרים שהמקצוענים הם אלה שמנהלים את ה-AI - איפה את מחליטה שהסניורים כן נכנסים, איפה שלא, ואיך הם מקבלים את האירוע הזה?
למה חברות לא מתמחרות שאילתה במחיר קבוע במקום להסתמך על מודל הטוקנים המורכב?
האם יש במערכת שבנינו עוד LLM מיותר או LLM judge שאפשר לוותר עליו, והאם אפשר לפשט אותה?
האם אנשי הדאטה עדיין אחראים על האמת הארגונית כשכל אחד יכול לבנות דשבורד בעצמו עם בינה מלאכותית?
למה LLM יודע לכתוב SQL ולא יודע לתייג דאטה?
האם המערכת הזו הולכת לתחזק את ההקשרים במקום המוחות של האנליסטים ואנשי הדאטה שחיברו עד היום את הנקודות?
מה את חושבת על המקצוע הבא של אנשי הדאטה, לאן צריך לכוון היום כדי להישאר רלוונטי?
מדוע פתרונות RAG אינם מסוגלים לענות על שאלות סטטיסטיות ולזהות קורלציות במאגרי טקסט גדולים, ומדוע עדיין חייבים טבלאות נתונים?
8 פרקים = 8 מאמרים אפשריים. כל פרק בארכיון יכול להפוך למאמר עברי SEO/GEO שמדורג בגוגל ומצוטט במנועי AI.
נושאים שהתוכנית עוסקת בהם
פרקים עם ניתוח מלא
- ספיישל כנס ׳הידאטה׳ 9# - מטה קסמים לאנשי דאטה עם אורית מנצור
- ספיישל כנס ׳הידאטה׳ 6# - לא כל בעיה צריכה אג׳נט עם מיה מלמוד
- ספיישל כנס ׳הידאטה׳ 4# - לתרגם רגשות למספרים עם אפרת ארן
- ספיישל כנס ׳הידאטה׳ 3# - סוכן עם אמנזיה עם ד״ר גיא קורלנד
- פרק 24 - האם לתת לאג'נט לתייג דאטה? על העתיד של הדאטה אופס עם דודי מזיה ודניאל מנוחין
- פרק 22 - איך מפסיקים לשלם כל כך הרבה על טוקנים? על הכלכלה שמאחורי הבינה המלאכותית עם ד״ר יותם ליבני
- פרק 21 - איך מטמיעים בינה מלאכותית בארגון לגאסי? על יוזמות ששוות מיליארדים עם דר רגב
- פרק 20 - איך בונים צוות דאטה של אג׳נטים? על ניהול והכישורים החדשים בעידן הבינה המלאכותית
מודל AI אחד ברשות המיסים עוצר גניבת מע״מ של מיליארד עד שני מיליארד שקל בחודש, וכבר מוגשת נגדו תביעה בבית המשפט העליון.
דאר רגב הפכה את חשבונית ישראל למנוע שעוצר בין מיליארד לשני מיליארד שקל בחודש של חשבוניות פיקטיביות, ובזכותו המע״מ נשאר על 18% במקום לעלות. מה שמפתיע הוא שהיא לא מוכרת את זה כניצחון טכנולוגי אלא כסיפור של אנשים, צניעות ואומץ ניהולי בתוך ארגון לגאסי בן 70 שנה שרוב מערכותיו יושבות עוד על מיין-פריים. המתח האמיתי הוא בין הרצון לתפוס כל גנב לבין הפחד לעצור את המשק או לסמן עסק תמים כפיקטיבי. ומתחתיו נשארת שאלה פתוחה שכבר הגיעה לעליון: את מי בכלל תובעים כשמכונה מקבלת החלטה, ואיפה עובר קו האחריות האנושית.
- הדוקטרינה שהמודל בנוי סביבה: את הריקול אפשר להגדיל, אבל הפריסיז'ן חייב להיות ללא רבב - כי לסמן בטעות חשבונית אמיתית כפיקטיבית זה לעצור עסק חף מפשע, ואולי את המשק כולו.
- המכונה לא מחליפה את המומחה אלא מגדילה אותו: היא שוקלת 200 פיצ'רים שבן אדם לא יכול להחזיק בראש בנקודת ההחלטה, ולכן הסניורים הופכים ל'עזר כנגד המכונה', וכלי ה-GenAI נפתחים רק למי שלא ייקח את הפלט כתורה מסיני.
- תקדים משפטי: לראשונה מוגשת תביעה בבית המשפט העליון נגד מכונה, בטענה שהמודל גזען, ורגב מדגישה שתמיד יש human in the loop ואין החלטה אוטומטית לבד.
- הצוואר הראשון היה טכני: לשקף (mirroring) את הדאטה מהמערכות התפעוליות הישנות לביג דאטה בענן בלי לגעת בהן, כדי לאפשר ג'וינים בין מאגרים - ולדבריה בכל שני ג'וינים מסתתרים כמה מיליארדים.
- התורה שבעל פה היא הגבול של ה-AI: אם משמעות של שדה נתונים השתנתה ב-1991, שום מכונה לא תדע את זה בלי הידע הארגוני של המומחים הוותיקים.
אתה אומר AI החליף אותנו, אבל יש הרבה שאומרים שהמקצוענים הם אלה שמנהלים את ה-AI - איפה את מחליטה שהסניורים כן נכנסים, איפה שלא, ואיך הם מקבלים את האירוע הזה?
סוכם מתוך תמלול הפרק בעזרת AI. איך זה נעשה
פרק 25 - פומו בעידן הבינה המלאכותית - איך באמת מתפתחים מקצועית עם נועה הררי
פרקים אחרונים
פרק 25 - פומו בעידן הבינה המלאכותית - איך באמת מתפתחים מקצועית עם נועה הררי
24 באוקטובר 202624 דק׳The Great Debate Battle (Live)
16 באוקטובר 202652 דק׳אורחים:מיה מלמודThe Great Debate Battle (Hebrew)
16 באוקטובר 202652 דק׳ספיישל כנס ׳הידאטה׳ 9# - מטה קסמים לאנשי דאטה עם אורית מנצור
15 באוקטובר 202610 דק׳לניתוח המלא של הפרק ←אמ;לקסיכום הפרק
אורית מנצור, מנהלת בהנדסת דאטה עם 15 שנות ניסיון, מספרת על בעל עניין שאמר לה שיבנה דשבורד בעצמו עם Claude ולא צריך אותה. כשבדקה את הדשבורד גילתה שהוא בנוי על ה-data warehouse שהצוות שלה מידל. לדבריה, כשכל צוות מגיע להנהלה עם נתון אחר מהלפטופ שלו הארגון מאבד את האמון בדאטה, ולכן התשתית, בדיקות האיכות והחותמת של צוות הדאטה נשארות הכרחיות. היא רואה בתוצרים של אנשי הביזנס הזדמנות: הם חושפים בדיוק מה הם צריכים, והאיטרציות מתקצרות.
קראו עוד ▾הציגו פחות ▴- הדשבורד שבעל העניין בנה עם Claude התברר כבנוי על ה-data warehouse שצוות הדאטה יצר ומידל.
- כשאנשים יוצרים אלף גרסאות של אותו מידע בלפטופים שלהם, הארגון מאבד את האמת ואת האמון בדאטה.
- מי שנכווה פעם אחת והציג בפגישה נתון שגוי, למשל עם אפס מיותר, מבין את הערך של דאטה ארגוני מסודר ומאומת.
- צוותי פיננסים ו-go to market מזהים כל פער קטן, ולכן כדאי לבצע את בדיקות הנתונים יחד איתם.
- בזכות כלי ה-AI הצוות יכול סוף סוף לבצע פרויקטים שתמיד נדחו ל״רבעון חמש״ בגלל חוסר זמן.
ספיישל כנס ׳הידאטה׳ 8# - אבלואציות לכולם עם נועה רדין ויונתן גוטל
12 באוקטובר 202613 דק׳ספיישל כנס ׳הידאטה׳ 7# - הבוט שתמך במשפחה שלי עם גיל בן עמי
8 באוקטובר 202611 דק׳ספיישל כנס ׳הידאטה׳ 6# - לא כל בעיה צריכה אג׳נט עם מיה מלמוד
4 באוקטובר 20269 דק׳לניתוח המלא של הפרק ←אמ;לקסיכום הפרק
מיה מלמוד, יועצת דאטה סיינס עצמאית עם 15 שנות ניסיון, רואה אצל לקוחות דפוס חוזר: רודפים אחרי ההייפ, מאמצים טכנולוגיה וזונחים תהליכים אמינים שכבר עובדים. השיטה שלה בנויה משלוש שכבות: קודם מודלים דטרמיניסטיים זולים ומהירים, אחר כך מודלים קלאסיים כמו XGBoost, ורק בסוף LLM ואג׳נטים. לדבריה LLM איטי יותר, פחות אמין ונושא אי ודאות, ולכן צריך לדעת בדיוק מה נכנס אליו ומה אפשר שלא ייכנס. בכנס היא תציג גם טוויסט שהופך את המבנה ליעיל יותר, ולפי מה שבדקה הוא לא פורסם עד היום.
קראו עוד ▾הציגו פחות ▴- מה שעובד מספיק טוב עם חוקים דטרמיניסטיים כדאי להשאיר שם, כי זה זול ומהיר ועדכון החוקים מדי פעם זניח.
- XGBoost לא מת, ויש סוגי בעיות ודאטה שבהם הוא הפתרון המושלם.
- LLM מאפשר לעבוד על דאטה טקסטואלי שבעבר טופל רק בשיטות NLP קלאסיות, אבל צריך להכניס אותו רק לשלב שבאמת דורש אותו.
- לפני שמעסיקים 20 מתכנתים ובונים מערכת, צריך לחשוב על הדאטה, על האלגוריתם ועל סדר השלבים, כדי שהמערכת תעבוד גם מול קהל גדול ולא רק על 15 דוגמאות.
- אנליסטים ודאטה אינג׳ינירים יכולים לדחוף מלמטה למעלה בארגון את הרעיון שלא צריך את ה-LLM הכי יקר או המודל הכי חדש.
ספיישל כנס ׳הידאטה׳ 5# - על אנליזה של קשב עם מתן שריג
1 באוקטובר 202611 דק׳ספיישל כנס ׳הידאטה׳ 4# - לתרגם רגשות למספרים עם אפרת ארן
29 בספטמבר 202610 דק׳לניתוח המלא של הפרק ←אמ;לקסיכום הפרק
חברת Our Ritual מנתחת תמלילי טיפול זוגי לצד נתוני שימוש שגרתיים, תחת האתגרים של שמירה על אנונימיות והתמודדות עם טקסט ארוך ולא מובנה. לדברי אפרת ערן, מודלי שפה מאפשרים לפרמל את הסשנים למבנה טבלאי ובכך לחקור קורלציות והסקות סטטיסטיות שלא ניתן לבצע באמצעות מערכות RAG בלבד. במקביל, צוותי הדאטה עוברים להתמקד בהנגשת מודלים לסוכני בינה מלאכותית שמבצעים עבודות אנליזה שגרתיות, ובהפיכת שיחות למשאב ידע לקבלת החלטות במוצר ובטיפול.
קראו עוד ▾הציגו פחות ▴- ניתוח תמלילי טיפול זוגי מציב שני אתגרים מרכזיים: שמירה קפדנית על פרטיות ואנונימיות של שיחות אישיות, והתמודדות עם טקסט ארוך ונטול מבנה טבלאי.
- שאלות כמותיות וחיפוש קורלציות רוחביות על פני עשרות אלפי תמלילים מחייבים פירוק ופירמול של הטקסט הלא מובנה לטבלאות נתונים באמצעות בינה מלאכותית ולא הסתמכות על RAG בלבד.
- תפקידם של אנליסטים וצוותי BI משתנה מבניית דוחות ידנית להכשרת תשתיות נתונים מדויקות שעליהן רצים סוכני בינה מלאכותית שמבצעים את עבודת האנליזה השגרתית.
- מתודולוגיה להמרת טקסט לא מובנה למבנה נתונים מוגדר מאפשרת להפיק תובנות על דפוסי טיפול וזוגיות ולשנות את אופן הפעולה במוצר.
ספיישל כנס ׳הידאטה׳ 3# - סוכן עם אמנזיה עם ד״ר גיא קורלנד
27 בספטמבר 202616 דק׳לניתוח המלא של הפרק ←אמ;לקסיכום הפרק
ד״ר גיא קורלנד, מנכ״ל ומייסד שותף של FalkorDB, מסביר שהמודלים מבינים שפה וכוונה אבל לא מתמחים באחזור ובאחסון מידע. לכן הם צריכים זיכרון שמחזיק את המידע הפרטי והארגוני, כי אימון מחדש ו־fine-tuning קבועים יקרים ואיטיים מדי. לטענתו חיפוש סמנטי במסד וקטורי שולף נקודות מידע בודדות, ובשאלות של ניתוח, אגרגציה ותובנות הדיוק צונח, ולכן הוא מציע גרף ידע שבו הקשרים עומדים במרכז. ארגונים שמתחילים בכיוון הזה עושים זאת לרוב במחלקת הפיתוח: קודם Jira, אחר כך מסמכי מוצר ודרישות, ולבסוף קוד המקור.
קראו עוד ▾הציגו פחות ▴- מודל בלי זיכרון חיצוני מתנהג כמו עוזר אישי עם אמנזיה, שצריך להסביר לו הכול מחדש אחרי כל ריסטארט.
- הדיוק שנמדד בבנצ'מארקים של מערכות כאלה עומד על 60 עד 70 אחוז, וזה כמעט כמו לנחש באקראי אם התשובה נכונה.
- גרף ידע נבנה מחילוץ ישויות וקשרים: כל משפט מתפרק לנושא, פעולה ומושא, והגרף משמר גם את הגשרים בין ישויות שמופיעות במשפטים שונים.
- פחות ופחות אנשים כותבים שאילתות Cypher בעצמם, ויותר סוכנים מייצרים אותן מטקסט בעזרת אונתולוגיה שמתארת את הישויות ואת סוגי הקשרים.
- מודל שפה יכול גם לבנות את הגרף: לנתח ערמת מסמכים, להציע אונתולוגיה מתאימה ולהעשיר את גרף הידע תוך כדי עבודה.
ספיישל כנס ׳הידאטה׳ 2# - ביי ביי מדליון עם איילה אדלר
22 בספטמבר 202612 דק׳פרק 23 - איך מעלים אג׳נט לפרודקשן? על אבלואציות ואנליזות של אג׳נטים עם חן אפרמן קור וניתאי יצחקי
19 באוגוסט 202634 דק׳פרק 19 - מה זה 'אופן קלו' ולמה צריך את זה? על ניהול אייג׳נטים, יעילות וכלים עם שמוליק כהן
8 ביוני 202630 דק׳אורחים:יותם לבניפרק 24 - האם לתת לאג'נט לתייג דאטה? על העתיד של הדאטה אופס עם דודי מזיה ודניאל מנוחין
7 בספטמבר 202639 דק׳לניתוח המלא של הפרק ←אמ;לקסיכום הפרק
צוות דאטה אופס בחברה שמנגישה אתרים ואפליקציות בונה דאטה סטים לזיהוי רכיבים והתנהגות במסך, כי מי שמשתמש בקורא מסך מאבד את השכבה הוויזואלית ותלוי בקוד ובמשמעות שמתחתיה. על אלפי עמודים בנו אג'נט שרץ ברקע, מדווח על תיוגים חסרים ועל ספק, ולא עושה את כל התיוג לבד, כי הוא ניזון מדוקומנטציה וחוקי נגישות ולפעמים טועה כשההנחיות גנריות. כלי תיוג מוכנים מגבילים גמישות בממשק, ולכן פיתחו כלי פנימי אחרי אפיון של פורמט, מיקום ומטא-דאטה לשימוש חוזר בארגון. התפקיד של מתייג לפי כלל בלבד הולך ונעלם, ובמקביל עולה מומחה דאטה שחצי מפתח: מזהה מקרי קצה, בונה כלים ואוטומציות, ומשאיר שיפוט אנושי על מה שמשתמש עיוור מבין מהממשק.
קראו עוד ▾הציגו פחות ▴- חוסר הסכמה בין מתייגים נתפס בעולם הקלאסי כבעיה, אבל זה גם ה-gray area שבו הדאטה עצמו לא חד משמעי.
- רכיב יכול להיראות כמו דרופדאון, להכיל קישורי ניווט ולהתנהג כמו דיאלוג, ואז לא ברור איזה כללי נגישות חלים עליו.
- האג'נט ניזון מדוקומנטציה וחוקי נגישות שנתנו לו, ולכן טעות שלו חוזרת לבדיקה אם חסרים מקורות או שההנחיות לא מדויקות.
- LLM וסוכנים מצליחים בשאלות אטומיות בינאריות, לא בשיפוט מקיף של מה שמשתמש עיוור מבין מהממשק.
- AI יודע לשכנע בתשובה בטוחה וכתובה יפה, ולכן צריך לשאול אותו למה, לבדוק מול ההנחיות, ולא לתת לביטחון שלו להחליף שיפוט אנושי.
פרק 11 - איך נלמד את הבינה המלאכותית לדבר עם הדאטה? עתיד האנליטיקס ומקצועות הדאטה עם יוני לייטרסדורף
17 בינואר 202648 דק׳פרק 10 - מה ההנהלה באמת רוצה? פולינה שלאין על האסטרטגיה שמאחורי הטמעת בינה מלאכותית בדאטה
11 בינואר 202644 דק׳פרק 9 - ממיגרציה של חודשים לשבוע אחד: על מהפכת הקרסר בדאטה עם שירה סולומון ובר שוסף
28 בדצמבר 202549 דק׳פרק 22 - איך מפסיקים לשלם כל כך הרבה על טוקנים? על הכלכלה שמאחורי הבינה המלאכותית עם ד״ר יותם ליבני
18 ביולי 202639 דק׳לניתוח המלא של הפרק ←אמ;לקסיכום הפרק
עלות השימוש במודלי שפה נגזרת מעלויות חומרה, חשמל וקירור הנדרשות לייצור טוקנים. אימוץ אסטרטגיה של הפרדת משימות בין מודלים יקרים למודלים קטנים ופתוחים מאפשר חיסכון משמעותי בהוצאות הארגוניות. הבנת ההבדל בין אינפוט לאאוטפוט חיונית לייעול התקציב, שכן כתיבת טוקנים יקרה משמעותית מקריאתם.
קראו עוד ▾הציגו פחות ▴- עלות הפקת טוקן מושפעת ישירות מהשקעות בתשתית, תחזוקה וצריכת אנרגיה גבוהה.
- קריאת טוקנים מתבצעת במקביל וביעילות, בעוד יצירתם דורשת עיבוד סדרתי יקר וממושך.
- שימוש במודלים פתוחים מאפשר שמירה על פרטיות מידע רגיש ואימון על ידע ארגוני ייחודי.
- פתיחת שיחה חדשה בכל נושא מונעת צבירת היסטוריה מיותרת שמעלה את עלות השאילתה הבאה.
פרק 21 - איך מטמיעים בינה מלאכותית בארגון לגאסי? על יוזמות ששוות מיליארדים עם דר רגב
6 ביולי 202641 דק׳לניתוח המלא של הפרק ←אמ;לקסיכום הפרק
דאר רגב הפכה את חשבונית ישראל למנוע שעוצר בין מיליארד לשני מיליארד שקל בחודש של חשבוניות פיקטיביות, ובזכותו המע״מ נשאר על 18% במקום לעלות. מה שמפתיע הוא שהיא לא מוכרת את זה כניצחון טכנולוגי אלא כסיפור של אנשים, צניעות ואומץ ניהולי בתוך ארגון לגאסי בן 70 שנה שרוב מערכותיו יושבות עוד על מיין-פריים. המתח האמיתי הוא בין הרצון לתפוס כל גנב לבין הפחד לעצור את המשק או לסמן עסק תמים כפיקטיבי. ומתחתיו נשארת שאלה פתוחה שכבר הגיעה לעליון: את מי בכלל תובעים כשמכונה מקבלת החלטה, ואיפה עובר קו האחריות האנושית.
קראו עוד ▾הציגו פחות ▴- הדוקטרינה שהמודל בנוי סביבה: את הריקול אפשר להגדיל, אבל הפריסיז'ן חייב להיות ללא רבב - כי לסמן בטעות חשבונית אמיתית כפיקטיבית זה לעצור עסק חף מפשע, ואולי את המשק כולו.
- המכונה לא מחליפה את המומחה אלא מגדילה אותו: היא שוקלת 200 פיצ'רים שבן אדם לא יכול להחזיק בראש בנקודת ההחלטה, ולכן הסניורים הופכים ל'עזר כנגד המכונה', וכלי ה-GenAI נפתחים רק למי שלא ייקח את הפלט כתורה מסיני.
- תקדים משפטי: לראשונה מוגשת תביעה בבית המשפט העליון נגד מכונה, בטענה שהמודל גזען, ורגב מדגישה שתמיד יש human in the loop ואין החלטה אוטומטית לבד.
- הצוואר הראשון היה טכני: לשקף (mirroring) את הדאטה מהמערכות התפעוליות הישנות לביג דאטה בענן בלי לגעת בהן, כדי לאפשר ג'וינים בין מאגרים - ולדבריה בכל שני ג'וינים מסתתרים כמה מיליארדים.
- התורה שבעל פה היא הגבול של ה-AI: אם משמעות של שדה נתונים השתנתה ב-1991, שום מכונה לא תדע את זה בלי הידע הארגוני של המומחים הוותיקים.
פרק 20 - איך בונים צוות דאטה של אג׳נטים? על ניהול והכישורים החדשים בעידן הבינה המלאכותית
1 ביולי 202638 דק׳לניתוח המלא של הפרק ←אמ;לקסיכום הפרק
סתיו הגיעה לסטארט-אפ בלי דאטה וורהאוס, בלי רקע טכני ובלי אף עובד, ובמקום להיתקע גייסה עובדים וירטואליים: צוות אייג'נטים עם ראשי צוותים ואורקסטרייטור בשם מותק שמנתב ביניהם. זה מערער את ההנחה שצריך לדעת לכתוב SQL כדי להרים מחלקת דאטה, כי לדבריה מה שחסר לאייג'נט הוא הקונטקסט העסקי ולא הקוד. המתח האמיתי הוא עד כמה אפשר לסמוך על מערכת כזאת בפרודקשן, ולכן היא עטפה אותה בארבע שכבות הגנה ובאייג'נט שתפקידו לפקפק בכל נתון. השאלה שנשארת פתוחה היא מה יקרה לדור הצעיר שכבר לא ילמד לכתוב קוד ולזהות איפה נופלת הטעות.
קראו עוד ▾הציגו פחות ▴- היא ניהלה את האייג'נטים כמו עובדים אמיתיים: גייסה דאטה אנג'ניר ואנליסטים וירטואליים, נתנה להם מידע ארגוני, ובנתה מבנה צוות עם ראשי צוותים ואורקסטרייטור בשם מותק שקרוי על שם אמא שלה
- אורקסטרייטור עם קונטקסט ווינדו נפרד לכל סאב-אייג'נט מקטין אפקט דומינו של טעויות שעוברות מאייג'נט לאייג'נט וממשיכות הלאה
- כל צוות האייג'נטים עולה שבריר מעלות גיוס דאטה אנג'ניר אחד, אחרי מעבר ל-Haiku במקום Sonnet בחיסכון של כ-80% בטוקנים, שמירת קונטקסט לשעה, ואייג'נטים שרצים רק כשקוראים להם ולא ברקע
- הפרודקשן עטוף בארבע שכבות הגנה: סכמת פרודקשן שקלוד אסור לגעת בה, אייג'נט דאטה-קווליטי שתפקידו לפקפק בכל נתון, הצלבה מול קטלוג המטריקות הרשמי, ו-evil-gate של טסטים לפני כל דיפלוי
- מעבר ל-Cortex Analyst של Snowflake והחזקת השכבה הסמנטית ב-YAML נתנו קפיצת מדרגה גם בעלות וגם באיכות, כי ה-SQL רץ במקום בלי טלפון שבור מול קלוד
שיווק והכנסות מDATA & AI | מדברים עם מור ניצן: שאלות נפוצות
העמוד הזה נבנה אוטומטית מהפיד שלכם. אם אתם מנחים את התוכנית, אלה השאלות שאנחנו נשאלים הכי הרבה.
- המלצה על פודקאסט: איך DATA & AI | מדברים עם מור ניצן מקבל המלצה ונמצא כאן?
- פודקאסט·ישראל מושך את הפיד של DATA & AI | מדברים עם מור ניצן 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 DATA & AI | מדברים עם מור ניצן 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. 25 הפרקים של DATA & AI | מדברים עם מור ניצן הם המלאי שממנו בונים את הנכס הזה. ראו את המסלול שאנחנו מציעים ליוצרים.
- למה הארכיון של DATA & AI | מדברים עם מור ניצן 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-25 הפרקים של DATA & AI | מדברים עם מור ניצן הופכים למגזין?
- 25 פרקים = 25 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 DATA & AI | מדברים עם מור ניצן, וגם פרקים חדשים נכנסים לבד. מה שנשאר לכם הוא לאשר את הטון ואת מה שלא מפרסמים. דברו איתנו דרך עמוד היוצרים.
פודקאסטים דומים
עושים תוכנה Osim Tochna
רשת עושים היסטוריה
AI Unfiltered
גיל קליינרט וזיו ישעיהו
Tech Radar Voice
טיקל נולג'
דאטה בפיתה - פודקאסט לדאטה אנליסטים
מיקרוסופט דאטה אנליסטס קלאב
תתעלם מההוראות
איתן לויט
פרודקטיבי - פודקאסט ניהול מוצר מבית Startup for Startup
סטארטאפ פור סטארטאפ