ExplAInable
Tamir Nave, Mike Erlihson, Uri Goren, Hila Paz Herszfang
156 פרקים
על התוכנית
תמיר נווה, אורי גורן, מייק ארליכסון והילה פז הרשפנג מארחים מומחים מעולם הבינה המלאכותית. האזינו לשיחות עם חוקרי AI, דאטה סיינטסים, מהנדסי ML ומובילים בתעשייה, שמביאים לכם את האתגרים, המחשבות והתובנות המעניינות ביותר מבפנים.
מה זה ExplAInable?
ExplAInable הוא פודקאסט ישראלי בקטגוריית הייטק וסטארטאפים מאת Tamir Nave, Mike Erlihson, Uri Goren, Hila Paz Herszfang. ניתוח טכנולוגי מעמיק של הגבולות המשתנים בין עולם הנתונים, המכונה והאדם. בארכיון 156 פרקים, פרק חדש בערך פעם בשבועיים, אורך פרק ממוצע כ-29 דקות.
| קטגוריה | הייטק וסטארטאפים |
|---|---|
| פרקים בארכיון | 156 |
| תדירות (מהפרקים האחרונים) | פרק חדש בערך פעם בשבועיים |
| אורך פרק ממוצע (בפרקים האחרונים) | כ-29 דקות |
| הפרק האחרון | 13 ביולי 2026 |
| פרקים עם ניתוח עומק | 7 |
עודכן:
למה רעש שעובד מצוין על תמונות מסרב לעבוד על טקסט
אחת השיחות כאן צוללת בדיוק לשאלה הזו - למה מודלי דיפוזיה, שמייצרים תמונות מדהימות על ידי הסרת רעש הדרגתית, נתקעים כשמנסים להפעיל אותם על מילים. ההסבר נשאר טכני, אבל מתחיל מהבסיס: איך בכלל מייצגים פיקסל לעומת מילה.
במקום אחר עולה שאלה הורית מאוד - 'איך אתה מצליח להעיר מוטיבציה ללמוד אצל הילדים, כשגם אני כהורה לא תמיד מצליח'. התשובה מחברת בין בינה מלאכותית, חומרה פיזית ולמידה דרך יצירת מוצר שמגיב לסביבה, ולא עוד קוד על מסך.
המנחה בא מרקע של יזמות וטכנולוגיה, והקו החוזר הוא להבין איך דברים עובדים באמת - מאבטחת מודלים מפני הטעיה ועד החלת חשיבת נתונים על גנטיקה ובריאות אישית.
ניתוח טכנולוגי מעמיק של הגבולות המשתנים בין עולם הנתונים, המכונה והאדם.
המנחה
המנחה מפגין ידע טכני מעמיק וסקרנות אינטלקטואלית גבוהה, תוך שילוב ניסיון אישי בתחומי יזמות וטכנולוגיה. הוא נוקט בגישה אנליטית, שואף להבין את העקרונות המדעיים וההנדסיים שמאחורי מגמות וטכנולוגיות חדשות.
הסגנון
התוכנית מאופיינת בשיחות מעמיקות, מקצועיות ולימודיות, המשלבות תיאוריה עם יישומים פרקטיים בעולם האמיתי. הטון רציני וממוקד, עם מבנה המשלב הסברים על עקרונות טכנולוגיים מורכבים עם דיון באתגרים ואופקים עתידיים.
תובנות הזהב מהארכיון
- החדשנות הטכנולוגית דורשת הבנה מעמיקה של הממשק בין תוכנה לחומרה פיזית, ולא רק מיקוד בקוד או באלגוריתמיקה.
- פתרון אתגרים טכנולוגיים מורכבים דורש מעבר משיטות עבודה מסורתיות לשיטות המשלבות אופטימיזציה מבוססת נתונים וכלים אוטומטיים.
- הטמעת טכנולוגיות בינה מלאכותית מחייבת התייחסות לחוסן אבטחתי של המודלים מפני הטעיה מכוונת.
- החלת כלי מחשבה אנליטיים מעולמות הנתונים על החיים האישיים, כמו גנטיקה ובריאות, מאפשרת שיפור משמעותי בקבלת החלטות מושכלות.
התוכנית מתאימה לאנשי טכנולוגיה, יזמים, מדעני נתונים ואנשי חינוך המבקשים להעמיק בהבנת טכנולוגיות מתקדמות והשפעתן על העתיד.
השאלות הבולטות בארכיון
מה המורכבויות העיקריות של מודל שפה בעברית, מה הכי בעייתי שם?
איך אפשר לדעת שמודל באמת משתפר בשביל משתמשים בעברית, אם הלוס, הבנצ'מרקים והארנה לא תמיד מספרים את אותו סיפור?
מדוע הוספת רעש, שמתפקדת מצוין בתמונות, אינה מתרגמת בקלות לעולם הטקסט?
האם הדרך חיזוי הזה זה קורח המציאות, או איזושהי מגבלה מלאכותית שאנחנו סוג של הלבשנו על עצמנו מההתחלה שהתחלנו לפתח לינגוויג' מודלס?
אז במילים אחרות אנחנו מדברים פה על מתקפות סייבר, על מודלים, נכון?
האם עצם העובדה שנולד ילד אחד שומע, מוריד את הסיכוי של אשתי להיות נשאית של גן החרשות, גם בלי קשר לבדיקות גנטיות?
כיצד מודל למידה עמוקה שסובל מ-overfitting על דוגמאות שגויות יוכל לזהות בעצמו את השגיאות הללו?
7 פרקים = 7 מאמרים אפשריים. כל פרק בארכיון יכול להפוך למאמר עברי SEO/GEO שמדורג בגוגל ומצוטט במנועי AI.
נושאים שהתוכנית עוסקת בהם
פרקים עם ניתוח מלא
שני אנשים שאימנו מודל שפה ישראלי פתוח מספרים איך גילו שכל מה שחשבו שהם יודעים על אימון מודלים פשוט לא עבד בעברית.
מה שמפתיע פה זה כמה מהאינטואיציות המקובלות התרסקו: המודל החזק ביותר התברר כבחירה הגרועה ביותר לפיינטיונינג, ומדדי ההצלחה הרגילים - ירידת לוס, ציוני בנצמרק - לא ניבאו כלום על מה שקרה בפועל. הפרק מערער על ההנחה שאפשר למדוד שיפור של מודל בצורה מסודרת, ומשאיר פתוחה שאלה מטרידה: אם הסדר שבו מזינים את הדאטה משנה את התוצאה ואי אפשר למצות את כל הסדרים, איך בכלל מבינים מה קורה שם בפנים. המתח האמיתי הוא בין מה שהמדע אומר שצריך לעשות לבין מה שבאמת עובד אחרי 200 ניסויים כושלים.
- המודל החזק ביותר בלידרבורד היה דווקא הכי גרוע לאימון - הוא אף פעם לא עלה מעל הקו שהתחיל בו, כי היו בו יותר מדי טריקים שאי אפשר להחזיר אחורה
- ירידת הלוס באימון ובוולידציה כמעט אף פעם לא ניבאה שיפור בבנצמרק, והבנצמרק עצמו לא ניבא את העדפת המשתמשים בארנה - שרשרת של פערים שאיש לא מבין
- בחרו לשחרר גרסה שקיבלה שלוש נקודות פחות בבנצמרק רק כי הקהל העדיף אותה בארנה, מתוך הנחה שהציבור משתמש ולא מריץ מבחנים
- יחס הדחיסה של הטוקנייזר מלמד מראש כמה קשה יהיה לאמן בעברית - 2.5 זה טוב, 5 אומר שכל מילה מתפרקת לחתיכות וגם חלון ההקשר מתקצר
- הפתעה: לא רק איכות הדאטה קובעת אלא גם הסדר שבו מזינים אותה - וזה הופך את האופטימיזציה ללא-אפשרית כי יש יותר סדרים מאטומים ביקום
מה המורכבויות העיקריות של מודל שפה בעברית, מה הכי בעייתי שם?
סוכם מתוך תמלול הפרק בעזרת AI. איך זה נעשה
איך רועי שנברג שבר שיאים בתחרות NanoGPT? | מאחורי הקלעים של ה-Speedrun, תקציר והקשיים בדרך
פרקים אחרונים
איך רועי שנברג שבר שיאים בתחרות NanoGPT? | מאחורי הקלעים של ה-Speedrun, תקציר והקשיים בדרך
13 ביולי 202641 דק׳[158] עובדים מוכרים את הסודות של החברה שלכם לסין? מומחה לאבטחת מידע חושף מה הוא ראה
29 ביוני 202622 דק׳[157] לפצח את העברית: מאחורי הקלעים של אימון של הבטרון
16 ביוני 202633 דק׳אורחים:מייק[156] בני-נוער ולמידת מכונה: איך יראה הדור הבא של הדאטה סיינטיסטים
8 ביוני 202630 דק׳לניתוח המלא של הפרק ←אמ;לקסיכום הפרק
הפרק עוסק בטכנולוגיית מודלי דיפוזיה ומסביר את עקרון פעולתם הבסיסי המבוסס על תהליך של הסרת רעש. המנחים מנתחים מדוע גישה זו, שהוכיחה את עצמה כעוצמתית בתחומי הראייה הממוחשבת והרובוטיקה, נתקלת בקשיים משמעותיים כשמנסים להחיל אותה על טקסט. הדיון מתמקד באתגרים המובנים בייצוג של מילים לעומת פיקסלים, ומדוע מודלי שפה מסורתיים ממשיכים להוביל בתחום. מדובר בפרק לימודי המיועד לכל מי שמתעניין בעתיד הג'נרטיבי של עולם הבינה המלאכותית.
קראו עוד ▾הציגו פחות ▴- מודל דיפוזיה פועל על ידי הוספת רעש הדרגתית לדאטה, ולאחר מכן אימון המודל ללמוד כיצד להסיר את הרעש ולשחזר את התוכן המקורי.
- בעוד שבתמונות רעש הוא תופעה טבעית ואינטואיטיבית, בטקסט אין משמעות ברורה דומה להוספת רעש לאמבדינג (ייצוג וקטורי של מילה), דבר שמקשה על יישום הטכנולוגיה.
- קושי באימון מודל אחד למספר משימות מורכבות במקביל, כגון אימון אמבדינג ושחזור שלו, הוביל לזניחת חלק מהגישות הראשוניות לדיפוזיה של שפה.
- התקדמות הטכנולוגיה בתחום התמונות הובילה למעבר ממודלים איטיים המבוססים על אלפי איטרציות, למודלים מהירים ויעילים בהרבה.
ש&תשאלות ותשובות מהפרק▾על מה הפרק הזה?
הפרק עוסק בטכנולוגיית מודלי דיפוזיה ומסביר את עקרון פעולתם הבסיסי המבוסס על תהליך של הסרת רעש. המנחים מנתחים מדוע גישה זו, שהוכיחה את עצמה כעוצמתית בתחומי הראייה הממוחשבת והרובוטיקה, נתקלת בקשיים משמעותיים כשמנסים להחיל אותה על טקסט. הדיון מתמקד באתגרים המובנים בייצוג של מילים לעומת פיקסלים, ומדוע מודלי שפה מסורתיים ממשיכים להוביל בתחום. מדובר בפרק לימודי המיועד לכל מי שמתעניין בעתיד הג'נרטיבי של עולם הבינה המלאכותית.
▾מהן התובנות המרכזיות מהפרק?
מודל דיפוזיה פועל על ידי הוספת רעש הדרגתית לדאטה, ולאחר מכן אימון המודל ללמוד כיצד להסיר את הרעש ולשחזר את התוכן המקורי. · בעוד שבתמונות רעש הוא תופעה טבעית ואינטואיטיבית, בטקסט אין משמעות ברורה דומה להוספת רעש לאמבדינג (ייצוג וקטורי של מילה), דבר שמקשה על יישום הטכנולוגיה. · קושי באימון מודל אחד למספר משימות מורכבות במקביל, כגון אימון אמבדינג ושחזור שלו, הוביל לזניחת חלק מהגישות הראשוניות לדיפוזיה של שפה. · התקדמות הטכנולוגיה בתחום התמונות הובילה למעבר ממודלים איטיים המבוססים על אלפי איטרציות, למודלים מהירים ויעילים בהרבה.
[155] Diffusion Language Models
25 במאי 202625 דק׳לניתוח המלא של הפרק ←אמ;לקסיכום הפרק
ההנחה שמודל שפה חייב לנבא מילה אחרי מילה, משמאל לימין, מתערערת כאן עד היסוד - אולי זו בכלל לא גזירת המציאות אלא מגבלה מלאכותית שהלבשנו על עצמנו מההתחלה. מייק מראה למה הרעש שעובד נפלא בתמונה (פיקסל שזז קצת עדיין נראה כמו חתול) פשוט לא מתורגם לשפה, שבה מילה מורעשת היא ג'יבריש חסר משמעות, ולמה דווקא גישת המיסוך - אותו רעיון ישן מ-BERT - היא מה שכן עובד. המתח האמיתי הוא שהמהירות העצומה של דיפוזיה כבר כאן, אבל האיכות עדיין לא; השאלה הפתוחה היא אם השילוב עם ממבה ומודלים היברידיים יפרוץ את זה בשנה-שנתיים הקרובות.
קראו עוד ▾הציגו פחות ▴- דיפוזיה עבדה בתמונה כי רעש שם טבעי - פיקסל שזז מ-170 ל-172 עדיין מראה את האובייקט; בשפה מילה מורעשת היא כלום, ולכן הקושי האמיתי הוא ייצוג (אמבדינג) ולא הארכיטקטורה.
- מה שכן עובד הוא מיסוך הדרגתי של טוקנים, שזה בעצם החייאת רעיון ה-masking של BERT מ-2018 אבל בצורה איטרטיבית.
- היתרון של דיפוזיה הוא מהירות אינהרנטית (בלוק שלם בבת אחת), והשילוב העתידי עם מודל היברידי כמו ממבה יכול להכפיל את זה - אבל היום עדיין לא יודעים לאמן מודלי דיפוזיה גדולים שמתחרים באיכות ה-flagships.
ש&תשאלות ותשובות מהפרק▾על מה הפרק הזה?
ההנחה שמודל שפה חייב לנבא מילה אחרי מילה, משמאל לימין, מתערערת כאן עד היסוד - אולי זו בכלל לא גזירת המציאות אלא מגבלה מלאכותית שהלבשנו על עצמנו מההתחלה. מייק מראה למה הרעש שעובד נפלא בתמונה (פיקסל שזז קצת עדיין נראה כמו חתול) פשוט לא מתורגם לשפה, שבה מילה מורעשת היא ג'יבריש חסר משמעות, ולמה דווקא גישת המיסוך - אותו רעיון ישן מ-BERT - היא מה שכן עובד. המתח האמיתי הוא שהמהירות העצומה של דיפוזיה כבר כאן, אבל האיכות עדיין לא; השאלה הפתוחה היא אם השילוב עם ממבה ומודלים היברידיים יפרוץ את זה בשנה-שנתיים הקרובות.
▾מהן התובנות המרכזיות מהפרק?
דיפוזיה עבדה בתמונה כי רעש שם טבעי - פיקסל שזז מ-170 ל-172 עדיין מראה את האובייקט; בשפה מילה מורעשת היא כלום, ולכן הקושי האמיתי הוא ייצוג (אמבדינג) ולא הארכיטקטורה. · מה שכן עובד הוא מיסוך הדרגתי של טוקנים, שזה בעצם החייאת רעיון ה-masking של BERT מ-2018 אבל בצורה איטרטיבית. · היתרון של דיפוזיה הוא מהירות אינהרנטית (בלוק שלם בבת אחת), והשילוב העתידי עם מודל היברידי כמו ממבה יכול להכפיל את זה - אבל היום עדיין לא יודעים לאמן מודלי דיפוזיה גדולים שמתחרים באיכות ה-flagships.
[154] על Physical AI: מתי הומנואידים של טסלה ושוטף-שואב יחלקו foundational model
12 במאי 202623 דק׳[153] למידה אדוורסריאלית
26 באפריל 202636 דק׳אורחים:שמואל חיוןלניתוח המלא של הפרק ←אמ;לקסיכום הפרק
הפרק בוחן כיצד יכולות ניתוח נתונים וחשיבה ביקורתית, המאפיינות דאטה סיינטיסטים, יכולות להיות מיושמות על הגוף האנושי ועל פרופיל גנטי אישי. המארח משתף בסיפורו האישי על התמודדות עם הבנות גנטיות מורכבות ומסביר את עולם הביוהקינג, מניסויים עצמיים ועד שימוש בכלים כמו ניטור סוכר רציף. הפרק מדגיש את הנגישות הגוברת לריצוף גנטי מלא כאמצעי לקבלת החלטות רפואיות מושכלות ומותאמות אישית. מומלץ למי שמתעניין בשילוב של טכנולוגיה, גנטיקה ושיפור הבריאות האישית.
קראו עוד ▾הציגו פחות ▴- ניתוח הסתברותי בייסיאני יכול לשפר משמעותית את הבנת הסיכונים הגנטיים מעבר לבדיקות סטנדרטיות.
- ריצוף גנטי שלם הופך לכלי נגיש שמאפשר לתשאל את הגנום האישי בשאלות ספציפיות כמו רגישות לתרופות.
- ביוהקינג אינו רק קיצוניות של אורך חיים, אלא שימוש בכלים טכנולוגיים פשוטים לניטור ומדידה עצמית.
- התאמת טיפול רפואי, כמו סטטינים או תרופות אחרות, על בסיס גנטי יכולה לחסוך תהליכי ניסוי וטעייה מיותרים.
ש&תשאלות ותשובות מהפרק▾על מה הפרק הזה?
הפרק בוחן כיצד יכולות ניתוח נתונים וחשיבה ביקורתית, המאפיינות דאטה סיינטיסטים, יכולות להיות מיושמות על הגוף האנושי ועל פרופיל גנטי אישי. המארח משתף בסיפורו האישי על התמודדות עם הבנות גנטיות מורכבות ומסביר את עולם הביוהקינג, מניסויים עצמיים ועד שימוש בכלים כמו ניטור סוכר רציף. הפרק מדגיש את הנגישות הגוברת לריצוף גנטי מלא כאמצעי לקבלת החלטות רפואיות מושכלות ומותאמות אישית. מומלץ למי שמתעניין בשילוב של טכנולוגיה, גנטיקה ושיפור הבריאות האישית.
▾מהן התובנות המרכזיות מהפרק?
ניתוח הסתברותי בייסיאני יכול לשפר משמעותית את הבנת הסיכונים הגנטיים מעבר לבדיקות סטנדרטיות. · ריצוף גנטי שלם הופך לכלי נגיש שמאפשר לתשאל את הגנום האישי בשאלות ספציפיות כמו רגישות לתרופות. · ביוהקינג אינו רק קיצוניות של אורך חיים, אלא שימוש בכלים טכנולוגיים פשוטים לניטור ומדידה עצמית. · התאמת טיפול רפואי, כמו סטטינים או תרופות אחרות, על בסיס גנטי יכולה לחסוך תהליכי ניסוי וטעייה מיותרים.
Hebatron לפצח את העברית: מאחורי הקלעים של אימון של
16 ביוני 202633 דק׳לניתוח המלא של הפרק ←אמ;לקסיכום הפרק
מה שמפתיע פה זה כמה מהאינטואיציות המקובלות התרסקו: המודל החזק ביותר התברר כבחירה הגרועה ביותר לפיינטיונינג, ומדדי ההצלחה הרגילים - ירידת לוס, ציוני בנצמרק - לא ניבאו כלום על מה שקרה בפועל. הפרק מערער על ההנחה שאפשר למדוד שיפור של מודל בצורה מסודרת, ומשאיר פתוחה שאלה מטרידה: אם הסדר שבו מזינים את הדאטה משנה את התוצאה ואי אפשר למצות את כל הסדרים, איך בכלל מבינים מה קורה שם בפנים. המתח האמיתי הוא בין מה שהמדע אומר שצריך לעשות לבין מה שבאמת עובד אחרי 200 ניסויים כושלים.
קראו עוד ▾הציגו פחות ▴- המודל החזק ביותר בלידרבורד היה דווקא הכי גרוע לאימון - הוא אף פעם לא עלה מעל הקו שהתחיל בו, כי היו בו יותר מדי טריקים שאי אפשר להחזיר אחורה
- ירידת הלוס באימון ובוולידציה כמעט אף פעם לא ניבאה שיפור בבנצמרק, והבנצמרק עצמו לא ניבא את העדפת המשתמשים בארנה - שרשרת של פערים שאיש לא מבין
- בחרו לשחרר גרסה שקיבלה שלוש נקודות פחות בבנצמרק רק כי הקהל העדיף אותה בארנה, מתוך הנחה שהציבור משתמש ולא מריץ מבחנים
- יחס הדחיסה של הטוקנייזר מלמד מראש כמה קשה יהיה לאמן בעברית - 2.5 זה טוב, 5 אומר שכל מילה מתפרקת לחתיכות וגם חלון ההקשר מתקצר
- הפתעה: לא רק איכות הדאטה קובעת אלא גם הסדר שבו מזינים אותה - וזה הופך את האופטימיזציה ללא-אפשרית כי יש יותר סדרים מאטומים ביקום
ש&תשאלות ותשובות מהפרק▾על מה הפרק הזה?
מה שמפתיע פה זה כמה מהאינטואיציות המקובלות התרסקו: המודל החזק ביותר התברר כבחירה הגרועה ביותר לפיינטיונינג, ומדדי ההצלחה הרגילים - ירידת לוס, ציוני בנצמרק - לא ניבאו כלום על מה שקרה בפועל. הפרק מערער על ההנחה שאפשר למדוד שיפור של מודל בצורה מסודרת, ומשאיר פתוחה שאלה מטרידה: אם הסדר שבו מזינים את הדאטה משנה את התוצאה ואי אפשר למצות את כל הסדרים, איך בכלל מבינים מה קורה שם בפנים. המתח האמיתי הוא בין מה שהמדע אומר שצריך לעשות לבין מה שבאמת עובד אחרי 200 ניסויים כושלים.
▾מהן התובנות המרכזיות מהפרק?
המודל החזק ביותר בלידרבורד היה דווקא הכי גרוע לאימון - הוא אף פעם לא עלה מעל הקו שהתחיל בו, כי היו בו יותר מדי טריקים שאי אפשר להחזיר אחורה · ירידת הלוס באימון ובוולידציה כמעט אף פעם לא ניבאה שיפור בבנצמרק, והבנצמרק עצמו לא ניבא את העדפת המשתמשים בארנה - שרשרת של פערים שאיש לא מבין · בחרו לשחרר גרסה שקיבלה שלוש נקודות פחות בבנצמרק רק כי הקהל העדיף אותה בארנה, מתוך הנחה שהציבור משתמש ולא מריץ מבחנים · יחס הדחיסה של הטוקנייזר מלמד מראש כמה קשה יהיה לאמן בעברית - 2.5 זה טוב, 5 אומר שכל מילה מתפרקת לחתיכות וגם חלון ההקשר מתקצר · הפתעה: לא רק איכות הדאטה קובעת אלא גם הסדר שבו מזינים אותה - וזה הופך את האופטימיזציה ללא-אפשרית כי יש יותר סדרים מאטומים ביקום
[152] ביו-האקינג כמו דאטה סיינטיסט
15 באפריל 202617 דק׳[151] עקבות של רעשי תיוג עם ד״ר שמואל חיון
30 במרץ 202636 דק׳לניתוח המלא של הפרק ←אמ;לקסיכום הפרק
הפרק מארח את דוקטור שמואל חיון, חוקר בכיר בחברת אירונדו, לשיחה על עולם איכות הנתונים בהקשר של למידה עמוקה. הפרק מפרט את הבעיות המרכזיות כמו שגיאות תיוג ואנומליות, ומסביר מדוע זיהוי נתונים איכותיים קריטי לביצועי המודל. המאזינים יזכו להכיר שיטות שונות להתמודדות עם האתגרים הללו, החל מבדיקה ידנית ועד לשיטות אוטומטיות מבוססות מודלים והטמעות.
קראו עוד ▾הציגו פחות ▴- איכות נתונים אינה רק ניקיון בסיסי, אלא אסטרטגיה לסינון נתונים משמעותיים לצורך התייעלות באימון מודלים.
- בעיית שגיאות התיוג מובילה ישירות לירידה בביצועי המודל ולכן מהווה צוואר בקבוק משמעותי.
- המעבר מאלגוריתמיקה קלאסית ללמידה עמוקה מחייב שינוי תפיסה באופן שבו אנחנו מנתחים ומתקפים את הדאטה.
- שיטות אוטומטיות לזיהוי שגיאות תיוג נשענות לעיתים על הנחות מקדימות כמו גישה למודל מאומן היטב, מה שלא תמיד קיים בדאטה סגור.
ש&תשאלות ותשובות מהפרק▾על מה הפרק הזה?
הפרק מארח את דוקטור שמואל חיון, חוקר בכיר בחברת אירונדו, לשיחה על עולם איכות הנתונים בהקשר של למידה עמוקה. הפרק מפרט את הבעיות המרכזיות כמו שגיאות תיוג ואנומליות, ומסביר מדוע זיהוי נתונים איכותיים קריטי לביצועי המודל. המאזינים יזכו להכיר שיטות שונות להתמודדות עם האתגרים הללו, החל מבדיקה ידנית ועד לשיטות אוטומטיות מבוססות מודלים והטמעות.
▾מהן התובנות המרכזיות מהפרק?
איכות נתונים אינה רק ניקיון בסיסי, אלא אסטרטגיה לסינון נתונים משמעותיים לצורך התייעלות באימון מודלים. · בעיית שגיאות התיוג מובילה ישירות לירידה בביצועי המודל ולכן מהווה צוואר בקבוק משמעותי. · המעבר מאלגוריתמיקה קלאסית ללמידה עמוקה מחייב שינוי תפיסה באופן שבו אנחנו מנתחים ומתקפים את הדאטה. · שיטות אוטומטיות לזיהוי שגיאות תיוג נשענות לעיתים על הנחות מקדימות כמו גישה למודל מאומן היטב, מה שלא תמיד קיים בדאטה סגור.
[150] לסקור מאמרים כמו מייק
8 במרץ 202633 דק׳[149] למה לא רואים אלגוריתמים גנטיים ב-ChatGPT
22 בפברואר 202615 דק׳[148] עושים רוסט לסילבוס של הרווארד
8 בפברואר 202625 דק׳
פודקאסטים דומים
עושים תוכנה Osim Tochna
רשת עושים היסטוריה
טכנולוגיה חיובית
103fm
טבע הדברים
Dyn Digital | Wedo Podcast
מג’נרטים
Entrée Capital
רברס עם פלטפורמה
רברס עם פלטפורמה
דקות או פחות 30
אביב פרנקל