![[151] עקבות של רעשי תיוג עם ד״ר שמואל חיון](/_next/image?url=https%3A%2F%2Fd3t3ozftmdmh3i.cloudfront.net%2Fstaging%2Fpodcast_uploaded_episode%2F44943178%2F44943178-1774870718731-7a1a938e30e0f.jpg&w=384&q=75&dpl=dpl_AjU255WUAx9DnZp4dwM3z4vUivDa)
[151] עקבות של רעשי תיוג עם ד״ר שמואל חיון
עודכן: מאת צוות פודקאסט·ישראל
האזינו לפרק המלא
אנחנו עוזרים למצוא את הפרק, ההאזנה המלאה נמצאת אצל היוצרים, בפלטפורמה שלהם.
/ הפרק במספרים
| פורסם | 30 במרץ 2026 |
|---|---|
| אורך | 36 דק׳ |
| הנושא המרכזי | איכות נתונים בלמידה עמוקה |
| קטגוריה | הייטק וסטארטאפים |
על מה הפרק?
שיחה על חשיבות איכות הנתונים בלמידת מכונה ודרכים לזיהוי ותיקון שגיאות תיוג בדאטה-סטים לאימון מודלים.
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.
/ תובנות מרכזיות
- 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.
כיצד מודל למידה עמוקה שסובל מ-overfitting על דוגמאות שגויות יוכל לזהות בעצמו את השגיאות הללו?
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
השבוע באקספליינבל אנחנו עוברים למתכונת רימוט ומארחים את ד״ר שמואל חיון, חוקר AI בכיר בהירונדו, שיספר לנו על העקבות שתיוג לא נכון משאיר לנו בזמן אימון המודל. הבנו איך טעות סיווג בהקלטה עם קשר טמפורלי קשורה לקלסיפיקציה של חתולים, ומתי סטטיסטיקות על פיצ׳רים כבר לא יכולות לעזור לנו במציאת טעויות סיווג (רמז: תמונות). העמקנו בהשפעה של דוגמא עם סיווג לא-נכון על loss של דוגמא אחרת, ואיך מודאליות שונה תשתמש אחרת באותה ליבה אלגוריתמית למציאת הרעשים. המאמרים שהוזכרו בפרק: שערוך יעיל של data influence למציאת שגיאות תיוג סקירת מגוון שיטות לחישוב מקורב של data influence 00:00 היי שמואל, חוקר AI בכיר בהירונד
/ עוד פרקים על בינה מלאכותית
- מנועי הכסףגיל שויד: מההשוואה לבועת הדוט.קום, דרך החיים כיו״ר ועד השינוי שהכרחי לילדינוגיל שויד, ממייסדי צ'ק פוינט, רואה ב-AI מהפכה שהשקעות הענק בה עוד לא הוכיחו החזר, אך מעריך שהיא תכפיל את כוחם של עובדים ושל ישראל, בתנאי שמערכת החינוך תתעדכן ושלא יוטל על התוכנה עול רגולציה כבד.
- מנהלי שיווק מצייצים - אבי זיתןפרק 427: אושרת כהן, סמנכ״לית חטיבת לקוחות קבוצת זאפסוכני AI הופכים לטראפיק החדש של האתרים, ועסקים שלא יבנו חוויה שמתאימה להם ייעלמו מעיני הצרכנים.
- הייטק, חרדים ומה שביניהםמהנדסי AI, כדאי שתכירו: זיכרון, מהירות ועלותמהנדס AI שמבין זיכרון, תקשורת בין מעבדים גרפיים וקוונטיזציה יכול להחליט מראש על הארכיטקטורה הנכונה, במקום לגלות בדיעבד שבזבז עשרות אלפי דולרים על אימון או אירוח.
- אנשים ומחשביםS1E445: ראיון עם ניסים בראל, ממייסדי תעשיית האבטחה בישראל, יזם חברתי ומחבר הספר ערך מוסףניסים בראל, שעלה ממרוקו בגיל עשר לצריף במעברה והקים את קומסק, מכר את החזקותיו ב-2014 כדי להעביר הלאה את ההזדמנויות שקיבל, דרך יזמות לנשים, לסטודנטים בפריפריה ולתלמידים מצטיינים.
/ נושאים קשורים
איך נוצר העמוד הזה
156 פרקים של ExplAInable = 156 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.