מהן התובנות המרכזיות מהפרק?

ה'רתמה' סביב המודל חשובה יותר מהמודל עצמו: אחרי עידן שבו הכל רץ מקומית ועמידות לא הייתה בעיה, התלות ב-LLM חיצוני החזירה את שאלת הזמינות לשולחן. · ה-LLM Gateway מנתב קריאות בין כמה נקודות הרצה במדינות שונות לפי זמן תגובה, ואם מפתח API מתחלף פתאום או נכשל הוא עובר אוטומטית למודל אחר מהמאגר כדי שהקריאה תצליח. · מהפך בסדר העבודה: במקום להתחיל מבנייה, מתחילים מהדאטה הקיים של המוקד. כמו בלמידת מכונה, חלק מהשיחות מייצרות את הסוכנים וחלק אחר מייצר סימולציות לבדיקה. · הסימולטור הוא גם כלי עלות וגם כלי אבטחה: מריצים אלפי תרחישי תקיפה כדי לתמחר כמה 'יעלה' ניצול לרעה, ומכל שיחה אמיתית שסומנה כבעייתית נוצר אוטומטית תרחיש בדיקה חדש.

הייטק וסטארטאפים

Hidden layers

UriEliabayev

38 פרקים

על התוכנית

Hidden layers - האנשים שמאחורי הדאטה. פודקאסט מבית MDLI שבו אני (אורי אליאבייב) מראיין אנשים מעניינים בעולמות הדאטה, ה-AI וכו’.

האזן ב-Apple אתר הפודקאסט

מה זה Hidden layers?

Hidden layers הוא פודקאסט ישראלי בקטגוריית הייטק וסטארטאפים מאת UriEliabayev. בארכיון 38 פרקים, פרק חדש בערך פעם ב-5 ימים, אורך פרק ממוצע כ-36 דקות.

התוכנית במספרים
קטגוריה	הייטק וסטארטאפים
פרקים בארכיון	38
תדירות (מהפרקים האחרונים)	פרק חדש בערך פעם ב-5 ימים
אורך פרק ממוצע (בפרקים האחרונים)	כ-36 דקות
הפרק האחרון	26 במאי 2026
פרקים עם ניתוח עומק	3

עודכן: 30 ביולי 2026

לוח בקרה · תובנות הארכיוןכל הפרקים שנותחו מתמלול AI - מאת Hidden layers

פרקים אחרונים שנותחו

תובנות זהב

שאלות בולטות

תובנות לפרק

תובנות הזהב מהארכיון

ה'רתמה' סביב המודל חשובה יותר מהמודל עצמו: אחרי עידן שבו הכל רץ מקומית ועמידות לא הייתה בעיה, התלות ב-LLM חיצוני החזירה את שאלת הזמינות לשולחן.
ה-LLM Gateway מנתב קריאות בין כמה נקודות הרצה במדינות שונות לפי זמן תגובה, ואם מפתח API מתחלף פתאום או נכשל הוא עובר אוטומטית למודל אחר מהמאגר כדי שהקריאה תצליח.
מהפך בסדר העבודה: במקום להתחיל מבנייה, מתחילים מהדאטה הקיים של המוקד. כמו בלמידת מכונה, חלק מהשיחות מייצרות את הסוכנים וחלק אחר מייצר סימולציות לבדיקה.
הסימולטור הוא גם כלי עלות וגם כלי אבטחה: מריצים אלפי תרחישי תקיפה כדי לתמחר כמה 'יעלה' ניצול לרעה, ומכל שיחה אמיתית שסומנה כבעייתית נוצר אוטומטית תרחיש בדיקה חדש.
טרנספורמרים עדיין משתפרים עם עוד קומפיוט אבל בתשואה פוחתת - המעבר מ-99% ל-99.9% דיוק עולה פי עשרה, ומתחרה זול יותר עם פרספקטיבה אחרת יכול לקחת אותך מלמטה.
הפער מול הטבע: ילד בן שלוש לומד מהר ויעיל יותר מכל מודל AI, על הרבה פחות מידע וחישוב, סימן שתפסנו רק גרסה אחת של מה זו למידה.
משל המערה של אפלטון כדימוי ל-LLM: המודל מקבל רק צל טקסטואלי של העולם, לא יודע מה הטעם של בירה, ונופל בניואנסים שכל אדם היה קולט מיד.
JEPA חוזה ייצוג בלייטנט ולא טוקן או פריים: במקום להמר על עתיד אחד (האוטו שמגיע לצומת), הוא מחזיק חיזוי הסתברותי מדויק לכל הכיוונים, כמו בן אדם שאומר 'אני לא יודע לאן'.
בעולם ה-LLM אין כמעט סטיקינס - 'בנייר טואלט יש יותר סטיקינס' - עלות המעבר אפסית, וגם OpenAI יכולה לאבד יתרון דיסטריביושן תוך חודשיים.
החסם האמיתי בישראל הוא הריסק אפטייט ומודל האקזיט המהיר, שמתנגש עם מעבדה שדורשת שנים בלי ROI; הריטנשן של פוסט-דוקטורנטים בארץ הוא בערך אחד לשניים-שלושה.
משולש הסיכונים: צ'אטבוט FAQ ללא גישה לדאטה או ליכולת פעולה כמעט לא מסוכן, אבל ברגע שמוסיפים לו גישה לחשבון בנק ויכולת לשלוח מיילים, פוטנציאל הנזק קופץ מחשיפת פרומפט לפעולות בחיים האמיתיים.
בחצי השנה האחרונה שבירת המודלים עברה מעבודה אוטומטית שהצליחה בעשרות אחוזי מהמקרים לעבודה ידנית וקשה של מומחים, כי המודלים נעשו הרבה יותר טובים.
מודל יכול לעבור את כל מבחני הבטיחות ובכל זאת להישבר ברגע שעוטפים אותו בהרנס כמו קרסור או קלוד קוד, או כשאג'נט אחר מפעיל עליו מספיק לחץ בסביבה מסומלצת.
החזון לאנטרפרייז הוא מעבר למודלים בקוד פתוח שעוברים fine-tuning לצרכים צרים, כי מודלים גנרליסטיים נכשלים על דאטה נדיר כמו סייבר, מידע רפואי ופיתוח תרופות.
פער ה-demo לפרודקשן הוא הבעיה הכי גדולה בשטח: 80 אחוז שעובד זה לא מספיק, כי כישלון אחד מתוך מאה שמעביר כסף לחשבון הלא נכון הוא קטסטרופה עסקית.

השאלות הבולטות בארכיון

Agentic AI at scale: Interview with Benjamin Mayr, Vice President, Head of Architecture at NiCE

השאלה הקשה של המנחה - איזו טכנולוגיה הפכה את זה לאפשרי היום ולא לפני שנתיים - שקיבלה תשובה מפתיעה: זה היה אפשרי גם לפני חמש שנים במערכות מבוססות חוקים, אבל ה-LLM הוא שהפך את זה לעמיד, כי הוא מבין גם 'בראבו בראבו דאבל צ'רלי טריפל איקס' כקוד הזמנה.

האם נמצא התחליף לטרנספורמרים? ראיון עם גלעד לוי מחברת Manifold

המנחה דוחק ושואל אם מעבדת AI ברמה עולמית היא בכלל משימה גדולה על מדינת ישראל, כמו שישראל לא מפתחת F35 אלא כיפת ברזל וטילים, והאם דיפ-טק כזה יכול לצמוח כאן.

איך מוודאים שמודלי ה-AI החזקים ביותר בעולם לא יוצאים משליטה? ראיון עם אבי גולן מחברת Alice

לאן כל התחום הזה הולך, והאם נגיע לנקודה שבה המודלים ישתפרו מספיק כדי שכבר יהיה ממש קשה לשבור אותם, או שאנחנו עוד רחוקים מזה?

3 פרקים = 3 מאמרים אפשריים. כל פרק בארכיון יכול להפוך למאמר עברי SEO/GEO שמדורג בגוגל ומצוטט במנועי AI.

כרטיס ביצועי התוכן המלא של Hidden layers זה הפודקאסט שלי - דברו איתי זה הפודקאסט שלך? קבל גישה לדוח

נושאים שהתוכנית עוסקת בהם

בינה מלאכותית הורות וילדים השקעות ושוק ההון רפואה ומחלות יזמות וסטארטאפים משפט סייבר ואבטחה

פרקים עם ניתוח מלא

סיכום מעמיק · מתוך הפרק

המייסד של Cognigy מסביר למה ה-LLM הוא דווקא החלק הקל, ולמה העתיד הוא סוכני AI שמדברים עם סוכני AI.

מפתיע לגלות ש-Cognigy התחילה כרעיון של דובי מדבר לילדים, ורק אז התגלגלה לשירות לקוחות בקנה מידה עצום שנמכר ל-NICE בכמיליארד דולר. בנג'מין מערער על ההנחה שה-LLM הוא הלב של המערכת, וטוען שה'רתמה' סביבו - ניתוב בין מודלים, גיבוי כשמפתח API מתחלף, בידוד קוד של כל לקוח - היא מה שבאמת קובע אם המערכת תחזיק בעומס. המתח האמיתי הוא הפער בין הדמו שמריצים על המודל היקר והמרשים ביותר, לבין חשבון ה-ROI שמחזיר אותך למודל זול פי חמישה. והשאלה שנשארת פתוחה: האם הארגונים ערוכים לרגע שבו הלקוחות שלהם כבר לא בני אדם אלא סוכני AI.

ה'רתמה' סביב המודל חשובה יותר מהמודל עצמו: אחרי עידן שבו הכל רץ מקומית ועמידות לא הייתה בעיה, התלות ב-LLM חיצוני החזירה את שאלת הזמינות לשולחן.
ה-LLM Gateway מנתב קריאות בין כמה נקודות הרצה במדינות שונות לפי זמן תגובה, ואם מפתח API מתחלף פתאום או נכשל הוא עובר אוטומטית למודל אחר מהמאגר כדי שהקריאה תצליח.
מהפך בסדר העבודה: במקום להתחיל מבנייה, מתחילים מהדאטה הקיים של המוקד. כמו בלמידת מכונה, חלק מהשיחות מייצרות את הסוכנים וחלק אחר מייצר סימולציות לבדיקה.
הסימולטור הוא גם כלי עלות וגם כלי אבטחה: מריצים אלפי תרחישי תקיפה כדי לתמחר כמה 'יעלה' ניצול לרעה, ומכל שיחה אמיתית שסומנה כבעייתית נוצר אוטומטית תרחיש בדיקה חדש.

השאלה הבולטת בפרק

סוכם מתוך תמלול הפרק בעזרת AI. איך זה נעשה

הפרק האחרון26 במאי 2026

איך לאבטח את השימוש בכלי AI בארגון? ראיון עם טום ברנע מחברת Tenable

פרקים אחרונים

איך לאבטח את השימוש בכלי AI בארגון? ראיון עם טום ברנע מחברת Tenable
26 במאי 202630 דק׳
איך בונים סוכני AI מאובטחים לארגונים - ראיון עם גבריאל כהן, המייסד של NanoClaw
21 במאי 202634 דק׳
Agentic AI at scale: Interview with Benjamin Mayr, Vice President, Head of Architecture at NiCE
8 ביולי 202642 דק׳
אמ;לקסיכום הפרק
מפתיע לגלות ש-Cognigy התחילה כרעיון של דובי מדבר לילדים, ורק אז התגלגלה לשירות לקוחות בקנה מידה עצום שנמכר ל-NICE בכמיליארד דולר. בנג'מין מערער על ההנחה שה-LLM הוא הלב של המערכת, וטוען שה'רתמה' סביבו - ניתוב בין מודלים, גיבוי כשמפתח API מתחלף, בידוד קוד של כל לקוח - היא מה שבאמת קובע אם המערכת תחזיק בעומס. המתח האמיתי הוא הפער בין הדמו שמריצים על המודל היקר והמרשים ביותר, לבין חשבון ה-ROI שמחזיר אותך למודל זול פי חמישה. והשאלה שנשארת פתוחה: האם הארגונים ערוכים לרגע שבו הלקוחות שלהם כבר לא בני אדם אלא סוכני AI.
קראו עוד ▾הציגו פחות ▴
- ה'רתמה' סביב המודל חשובה יותר מהמודל עצמו: אחרי עידן שבו הכל רץ מקומית ועמידות לא הייתה בעיה, התלות ב-LLM חיצוני החזירה את שאלת הזמינות לשולחן.
- ה-LLM Gateway מנתב קריאות בין כמה נקודות הרצה במדינות שונות לפי זמן תגובה, ואם מפתח API מתחלף פתאום או נכשל הוא עובר אוטומטית למודל אחר מהמאגר כדי שהקריאה תצליח.
- מהפך בסדר העבודה: במקום להתחיל מבנייה, מתחילים מהדאטה הקיים של המוקד. כמו בלמידת מכונה, חלק מהשיחות מייצרות את הסוכנים וחלק אחר מייצר סימולציות לבדיקה.
- הסימולטור הוא גם כלי עלות וגם כלי אבטחה: מריצים אלפי תרחישי תקיפה כדי לתמחר כמה 'יעלה' ניצול לרעה, ומכל שיחה אמיתית שסומנה כבעייתית נוצר אוטומטית תרחיש בדיקה חדש.
ש&תשאלות ותשובות מהפרק
▾על מה הפרק הזה?
מפתיע לגלות ש-Cognigy התחילה כרעיון של דובי מדבר לילדים, ורק אז התגלגלה לשירות לקוחות בקנה מידה עצום שנמכר ל-NICE בכמיליארד דולר. בנג'מין מערער על ההנחה שה-LLM הוא הלב של המערכת, וטוען שה'רתמה' סביבו - ניתוב בין מודלים, גיבוי כשמפתח API מתחלף, בידוד קוד של כל לקוח - היא מה שבאמת קובע אם המערכת תחזיק בעומס. המתח האמיתי הוא הפער בין הדמו שמריצים על המודל היקר והמרשים ביותר, לבין חשבון ה-ROI שמחזיר אותך למודל זול פי חמישה. והשאלה שנשארת פתוחה: האם הארגונים ערוכים לרגע שבו הלקוחות שלהם כבר לא בני אדם אלא סוכני AI.
▾מהן התובנות המרכזיות מהפרק?
ה'רתמה' סביב המודל חשובה יותר מהמודל עצמו: אחרי עידן שבו הכל רץ מקומית ועמידות לא הייתה בעיה, התלות ב-LLM חיצוני החזירה את שאלת הזמינות לשולחן. · ה-LLM Gateway מנתב קריאות בין כמה נקודות הרצה במדינות שונות לפי זמן תגובה, ואם מפתח API מתחלף פתאום או נכשל הוא עובר אוטומטית למודל אחר מהמאגר כדי שהקריאה תצליח. · מהפך בסדר העבודה: במקום להתחיל מבנייה, מתחילים מהדאטה הקיים של המוקד. כמו בלמידת מכונה, חלק מהשיחות מייצרות את הסוכנים וחלק אחר מייצר סימולציות לבדיקה. · הסימולטור הוא גם כלי עלות וגם כלי אבטחה: מריצים אלפי תרחישי תקיפה כדי לתמחר כמה 'יעלה' ניצול לרעה, ומכל שיחה אמיתית שסומנה כבעייתית נוצר אוטומטית תרחיש בדיקה חדש.
לניתוח המלא של הפרק ←הדפדפן שלך אינו תומך בנגן השמע.
האם נמצא התחליף לטרנספורמרים? ראיון עם גלעד לוי מחברת Manifold
6 ביולי 202639 דק׳
אמ;לקסיכום הפרק
גילד, בן 22 שסיים תואר בטכניון בגיל 15, טוען שטרנספורמרים הגיעו לתקרה: עוד קומפיוט עדיין עובד אבל בתשואה פוחתת, וילד בן שלוש עדיין לומד מהר ויעיל יותר מכל מודל. מכאן הוא מנסה לפתח ארכיטקטורה שלומדת מסטרים רציף של מידע, כמו שבני אדם חיים בעולם, במקום לחזות טוקן אחרי טוקן. המתח האמיתי בפרק הוא לא טכנולוגי אלא לאומי: האם ישראל, שבנויה על אקזיטים מהירים, מסוגלת בכלל להחזיק מעבדה שדורשת שנים בלי ROI ברור. השאלה שנשארת פתוחה היא אם מדובר במשימה גדולה על המדינה, כמו פיתוח מטוס קרב, או בהזדמנות להחזיר הביתה טלנט שכבר ברח לוואלי.
קראו עוד ▾הציגו פחות ▴
- טרנספורמרים עדיין משתפרים עם עוד קומפיוט אבל בתשואה פוחתת - המעבר מ-99% ל-99.9% דיוק עולה פי עשרה, ומתחרה זול יותר עם פרספקטיבה אחרת יכול לקחת אותך מלמטה.
- הפער מול הטבע: ילד בן שלוש לומד מהר ויעיל יותר מכל מודל AI, על הרבה פחות מידע וחישוב, סימן שתפסנו רק גרסה אחת של מה זו למידה.
- משל המערה של אפלטון כדימוי ל-LLM: המודל מקבל רק צל טקסטואלי של העולם, לא יודע מה הטעם של בירה, ונופל בניואנסים שכל אדם היה קולט מיד.
- JEPA חוזה ייצוג בלייטנט ולא טוקן או פריים: במקום להמר על עתיד אחד (האוטו שמגיע לצומת), הוא מחזיק חיזוי הסתברותי מדויק לכל הכיוונים, כמו בן אדם שאומר 'אני לא יודע לאן'.
- בעולם ה-LLM אין כמעט סטיקינס - 'בנייר טואלט יש יותר סטיקינס' - עלות המעבר אפסית, וגם OpenAI יכולה לאבד יתרון דיסטריביושן תוך חודשיים.
- החסם האמיתי בישראל הוא הריסק אפטייט ומודל האקזיט המהיר, שמתנגש עם מעבדה שדורשת שנים בלי ROI; הריטנשן של פוסט-דוקטורנטים בארץ הוא בערך אחד לשניים-שלושה.
ש&תשאלות ותשובות מהפרק
▾על מה הפרק הזה?
גילד, בן 22 שסיים תואר בטכניון בגיל 15, טוען שטרנספורמרים הגיעו לתקרה: עוד קומפיוט עדיין עובד אבל בתשואה פוחתת, וילד בן שלוש עדיין לומד מהר ויעיל יותר מכל מודל. מכאן הוא מנסה לפתח ארכיטקטורה שלומדת מסטרים רציף של מידע, כמו שבני אדם חיים בעולם, במקום לחזות טוקן אחרי טוקן. המתח האמיתי בפרק הוא לא טכנולוגי אלא לאומי: האם ישראל, שבנויה על אקזיטים מהירים, מסוגלת בכלל להחזיק מעבדה שדורשת שנים בלי ROI ברור. השאלה שנשארת פתוחה היא אם מדובר במשימה גדולה על המדינה, כמו פיתוח מטוס קרב, או בהזדמנות להחזיר הביתה טלנט שכבר ברח לוואלי.
▾מהן התובנות המרכזיות מהפרק?
טרנספורמרים עדיין משתפרים עם עוד קומפיוט אבל בתשואה פוחתת - המעבר מ-99% ל-99.9% דיוק עולה פי עשרה, ומתחרה זול יותר עם פרספקטיבה אחרת יכול לקחת אותך מלמטה. · הפער מול הטבע: ילד בן שלוש לומד מהר ויעיל יותר מכל מודל AI, על הרבה פחות מידע וחישוב, סימן שתפסנו רק גרסה אחת של מה זו למידה. · משל המערה של אפלטון כדימוי ל-LLM: המודל מקבל רק צל טקסטואלי של העולם, לא יודע מה הטעם של בירה, ונופל בניואנסים שכל אדם היה קולט מיד. · JEPA חוזה ייצוג בלייטנט ולא טוקן או פריים: במקום להמר על עתיד אחד (האוטו שמגיע לצומת), הוא מחזיק חיזוי הסתברותי מדויק לכל הכיוונים, כמו בן אדם שאומר 'אני לא יודע לאן'. · בעולם ה-LLM אין כמעט סטיקינס - 'בנייר טואלט יש יותר סטיקינס' - עלות המעבר אפסית, וגם OpenAI יכולה לאבד יתרון דיסטריביושן תוך חודשיים. · החסם האמיתי בישראל הוא הריסק אפטייט ומודל האקזיט המהיר, שמתנגש עם מעבדה שדורשת שנים בלי ROI; הריטנשן של פוסט-דוקטורנטים בארץ הוא בערך אחד לשניים-שלושה.
לניתוח המלא של הפרק ←הדפדפן שלך אינו תומך בנגן השמע.
איך מוודאים שמודלי ה-AI החזקים ביותר בעולם לא יוצאים משליטה? ראיון עם אבי גולן מחברת Alice
1 ביולי 202636 דק׳
אמ;לקסיכום הפרק
מה שמפתיע הוא שדווקא בחצי השנה האחרונה שבירת המודלים הפכה מעבודה אוטומטית לעבודה ידנית וקשה של מומחים, סימן שהמודלים השתפרו בצורה דרמטית. גולן מערער על ההנחה שמודל שעובר את מבחני הבטיחות הוא בטוח, ומראה שהסכנה חיה במעטפת שסביבו, בכלים ובאג'נטים האחרים, לא במודל עצמו. המתח האמיתי הוא שכולם רצים לאמץ אג'נטים, אבל מספיק סשן אחד של אג'נט עם גישה לדאטה וליכולת פעולה כדי לגרום לנזק בלתי הפיך. השאלה שנשארת פתוחה היא אם בכלל נגיע למודלים אמינים מספיק שארגונים יסמכו עליהם לפעולות של ממש, או שפער האמון פה כדי להישאר.
קראו עוד ▾הציגו פחות ▴
- משולש הסיכונים: צ'אטבוט FAQ ללא גישה לדאטה או ליכולת פעולה כמעט לא מסוכן, אבל ברגע שמוסיפים לו גישה לחשבון בנק ויכולת לשלוח מיילים, פוטנציאל הנזק קופץ מחשיפת פרומפט לפעולות בחיים האמיתיים.
- בחצי השנה האחרונה שבירת המודלים עברה מעבודה אוטומטית שהצליחה בעשרות אחוזי מהמקרים לעבודה ידנית וקשה של מומחים, כי המודלים נעשו הרבה יותר טובים.
- מודל יכול לעבור את כל מבחני הבטיחות ובכל זאת להישבר ברגע שעוטפים אותו בהרנס כמו קרסור או קלוד קוד, או כשאג'נט אחר מפעיל עליו מספיק לחץ בסביבה מסומלצת.
- החזון לאנטרפרייז הוא מעבר למודלים בקוד פתוח שעוברים fine-tuning לצרכים צרים, כי מודלים גנרליסטיים נכשלים על דאטה נדיר כמו סייבר, מידע רפואי ופיתוח תרופות.
- פער ה-demo לפרודקשן הוא הבעיה הכי גדולה בשטח: 80 אחוז שעובד זה לא מספיק, כי כישלון אחד מתוך מאה שמעביר כסף לחשבון הלא נכון הוא קטסטרופה עסקית.
ש&תשאלות ותשובות מהפרק
▾על מה הפרק הזה?
מה שמפתיע הוא שדווקא בחצי השנה האחרונה שבירת המודלים הפכה מעבודה אוטומטית לעבודה ידנית וקשה של מומחים, סימן שהמודלים השתפרו בצורה דרמטית. גולן מערער על ההנחה שמודל שעובר את מבחני הבטיחות הוא בטוח, ומראה שהסכנה חיה במעטפת שסביבו, בכלים ובאג'נטים האחרים, לא במודל עצמו. המתח האמיתי הוא שכולם רצים לאמץ אג'נטים, אבל מספיק סשן אחד של אג'נט עם גישה לדאטה וליכולת פעולה כדי לגרום לנזק בלתי הפיך. השאלה שנשארת פתוחה היא אם בכלל נגיע למודלים אמינים מספיק שארגונים יסמכו עליהם לפעולות של ממש, או שפער האמון פה כדי להישאר.
▾מהן התובנות המרכזיות מהפרק?
משולש הסיכונים: צ'אטבוט FAQ ללא גישה לדאטה או ליכולת פעולה כמעט לא מסוכן, אבל ברגע שמוסיפים לו גישה לחשבון בנק ויכולת לשלוח מיילים, פוטנציאל הנזק קופץ מחשיפת פרומפט לפעולות בחיים האמיתיים. · בחצי השנה האחרונה שבירת המודלים עברה מעבודה אוטומטית שהצליחה בעשרות אחוזי מהמקרים לעבודה ידנית וקשה של מומחים, כי המודלים נעשו הרבה יותר טובים. · מודל יכול לעבור את כל מבחני הבטיחות ובכל זאת להישבר ברגע שעוטפים אותו בהרנס כמו קרסור או קלוד קוד, או כשאג'נט אחר מפעיל עליו מספיק לחץ בסביבה מסומלצת. · החזון לאנטרפרייז הוא מעבר למודלים בקוד פתוח שעוברים fine-tuning לצרכים צרים, כי מודלים גנרליסטיים נכשלים על דאטה נדיר כמו סייבר, מידע רפואי ופיתוח תרופות. · פער ה-demo לפרודקשן הוא הבעיה הכי גדולה בשטח: 80 אחוז שעובד זה לא מספיק, כי כישלון אחד מתוך מאה שמעביר כסף לחשבון הלא נכון הוא קטסטרופה עסקית.
לניתוח המלא של הפרק ←הדפדפן שלך אינו תומך בנגן השמע.
איך מאמנים מאפס "מודל בסיס" שמייצר תמונות? ראיון עם פיינשטין מחברת Bria
24 ביוני 202630 דק׳
איך משתמשים ב-AI כדי להגן על מתקפות סייבר כנגד מדינות? ראיון עם ערן הופמן מחברת Dream
18 ביוני 202631 דק׳
איך בונים את ה-AI Hacker האולטימטיבי? ראיון עופרי זיו מחברת Tenzai
7 ביוני 202641 דק׳
איך משתמשים ב-AI כדי להגן על המתקנים הרגישים ביותר בעולם? ראיון עם בן משיח מחברת Claroty
2 ביוני 202632 דק׳
מחקר AI מתקדם בחברת סייבר - ראיון עם שירן בראלי מחברת Cyera
31 במאי 202635 דק׳