מהן התובנות המרכזיות מהפרק?

התחום בנוי כשכבות: בינה מלאכותית מכילה את למידת המכונה, וזו מכילה את הלמידה העמוקה המבוססת על רשתות נוירונים. · ההבדל בין למידת מכונה ללמידה עמוקה הוא ארכיטקטוני — למידה עמוקה היא צורה מורכבת יותר של אותו עיקרון. · רשת נוירונים מלאכותית היא חיקוי של המוח: כל נוירון הוא בעצם ערך מספרי, והשכבות מחוברות זו לזו כמו נוירונים יורים. · אימון המודל עובד בלולאת ניסוי-טעות: המערכת מנבאת, מודדת את טעותה ומשפרת את עצמה — בדומה לאדם הלומד משחק זיכרון. · הסבר נגיש עדיף על צלילה מוקדמת למתמטיקה; רוב המדריכים טועים כשהם מבהילים בלומדים במשוואות במקום להסביר את המטרה במילים פשוטות.

הייטק וסטארטאפים

בינה מלאכותית עם יובל אבידני

יובל אבידני

5 פרקים

הכל על בינה מלאכותית, למתחילים ולמתקדמים, בשפה ברורה ובעברית.

פודקאסט מבית HACKIT, מאת יובל אבידני

האזן ב-Apple אתר הפודקאסט

לוח בקרה · תובנות הארכיוןכל הפרקים שנותחו מתמלול AI — מאת בינה מלאכותית עם יובל אבידני

פרקים שנותחו

תובנות זהב

שאלות בולטות

5.2

תובנות לפרק

תובנות הזהב מהארכיון

התחום בנוי כשכבות: בינה מלאכותית מכילה את למידת המכונה, וזו מכילה את הלמידה העמוקה המבוססת על רשתות נוירונים.
ההבדל בין למידת מכונה ללמידה עמוקה הוא ארכיטקטוני — למידה עמוקה היא צורה מורכבת יותר של אותו עיקרון.
רשת נוירונים מלאכותית היא חיקוי של המוח: כל נוירון הוא בעצם ערך מספרי, והשכבות מחוברות זו לזו כמו נוירונים יורים.
אימון המודל עובד בלולאת ניסוי-טעות: המערכת מנבאת, מודדת את טעותה ומשפרת את עצמה — בדומה לאדם הלומד משחק זיכרון.
הסבר נגיש עדיף על צלילה מוקדמת למתמטיקה; רוב המדריכים טועים כשהם מבהילים בלומדים במשוואות במקום להסביר את המטרה במילים פשוטות.
רוב המיזמים שמתהדרים בבינה מלאכותית מסתכמים בחיבור תכנותי למודל שפה קיים, ולכן בעיני משקיעים אין בהם חידוש או אלגוריתם ייחודי.
ראשי התיבות GPT מייצגים Generative Pre-trained Transformer — מודל שאומן מראש ויודע לייצר טקסט.
עוצמת הטרנספורמר נובעת ממנגנון תשומת הלב, היכולת לתת משקל גבוה יותר למילים מסוימות בטקסט, מתוך מאמר של גוגל בריין מ-2017.
ההבדל בין OpenAI לגוגל הוא שגוגל עבדה עם ייצוג מספרי של מילים (embedding) בעוד OpenAI התמקדה בהבנת המשמעות, ובכך הצליחה יותר.
מגבלת הטוקנים וחלון ההקשר היא חסם מרכזי: שיחה ארוכה או מסמך גדול דורסים את זיכרון המודל, ולכל מודל קיבולת שונה (4,000 עד 100,000 טוקנים בקלוד).
המעבר מצ'אטבוט קלאסי ל-AI חוסך את העבודה הידנית של הגדרת מילות מפתח ותשובות מוכנות מראש לכל תרחיש אפשרי.
הסכנה המרכזית בצ'אטבוט מבוסס AI היא חירטוט ומתן מידע שגוי, למשל הבטחת הנחות או פיצויים שלא קיימים.
הפתרון הוא שכבת מוח שמחוברת גם לבינה מלאכותית וגם לידע ייעודי על העסק, עם סייגים שמגבילים את התשובות בנושאים רגישים.
אין חובה לעבוד רק עם OpenAI — אפשר לבחור מודלי שפה כמו Llama 2, Falcon, Azure OpenAI או Claude.
ניתן לבנות מאגר ידע מקבצים קיימים (PDF, DOC, Excel, CSV) ומסריקת תוכן מאתר העסק, וכך המוח החכם לומד את העסק.
קיימות פלטפורמות No-Code / Low-Code שמאפשרות להקים צ'אטבוטים מבוססי AI עם מעט מאוד ידע בתכנות.
אותן אותיות בסדר שונה (listen מול silent) מקבלות אותם ערכים מספריים אך משמעות הפוכה, ולכן עדיף לקודד מילים שלמות ולא אותיות בודדות
טוקניזציה היא המרת מילים לערכים מספריים, ומילה חדשה שלא נראתה מקבלת ערך חדש בעוד מילים מוכרות שומרות על הערך שלהן
padding מיישר את אורך המשפטים על ידי מילוי באפסים כך שכל הקלטים יהיו באורך אחיד למודל
טוקן OOV (Out of Vocabulary) פותר מצב שבו המודל נתקל במילה שלא אומן עליה, ומאפשר לשמור על רצף הגיוני
ה-T ב-GPT מסמן Transformer — מודל deep learning ששונה מ-TensorFlow בכך שהוא מנסה להבין משמעות של משפטים שלמים
לא כל מוצר שמתויג AI הוא באמת בינה מלאכותית — אפשר לתכנת מראש תוצאות לפי קטגוריה בלי שום למידה.
ההבדל המהותי מקוד קלאסי: בקוד מגדירים הוראות לפתרון בעיה, ובבינה מלאכותית מזינים מידע מתויג והמודל לומד לבד להכליל למקרים חדשים.
דימוי המטריושקה: בינה מלאכותית מכילה בתוכה למידת מכונה, וזו מכילה בתוכה למידה עמוקה.

ועוד 2 תובנות לאורך הפרקים…

השאלות הבולטות בארכיון

פרק 0

איך המוח יודע להעביר מידע מנוירון לנוירון אחר, ולמה דווקא נוירונים מסוימים יורים ואחרים לא?

פרק 1

מה בעצם הבינה המלאכותית במיזם שלך? — השאלה שמציגים המשקיעים בתוכנית 'הכרישים' וחושפת שרוב הפתרונות הם רק ממשק למודל שפה קיים.

פרק 2

מה השתנה היום שפתאום כולם רוצים צ'אטבוטים, אם צ'אטבוטים זה לא משהו חדש?

פרק 3

מהו הקסם של ChatGPT שכובש את העולם ואיך הוא עובד בפועל?

פרק 4

למה זה בעצם בינה מלאכותית? מה הוא למד?

5 פרקים = 5 מאמרים אפשריים. כל פרק בארכיון יכול להפוך למאמר עברי SEO/GEO שמדורג בגוגל ומצוטט במנועי AI.

כרטיס ביצועי התוכן המלא של בינה מלאכותית עם יובל אבידני

סיכום מעמיק · מתוך הפרקנוצר אוטומטית מתמלול AI

יובל אבידני מסביר בשפה פשוטה מהי למידה עמוקה ורשתות נוירונים, מבינה מלאכותית ועד אימון מודלים.

בפרק יובל אבידני חוזר להקליט אחרי תקופת היעדרות על רקע המלחמה, ומקדיש את הפרק להסבר נגיש על בינה מלאכותית. הוא מציג את מבנה התחום כמטריות: בינה מלאכותית כמטרייה הגדולה, מתחתיה למידת מכונה, ובתוכה למידה עמוקה המבוססת על רשתות נוירונים. הוא ממשיל את הרשת המלאכותית למוח האנושי ולנוירונים היורים, ומתאר ויזואלית מבנה של שכבות עיגולים מחוברים. בעזרת דוגמאות כמו סיווג ספרות 0-9 וזיהוי כלב מול חתול הוא מסביר את תהליך האימון בלמידה מונחית, ומבקר את הנטייה הרווחת לצלול מהר מדי למתמטיקה במקום להסביר במילים פשוטות.

התחום בנוי כשכבות: בינה מלאכותית מכילה את למידת המכונה, וזו מכילה את הלמידה העמוקה המבוססת על רשתות נוירונים.
ההבדל בין למידת מכונה ללמידה עמוקה הוא ארכיטקטוני — למידה עמוקה היא צורה מורכבת יותר של אותו עיקרון.
רשת נוירונים מלאכותית היא חיקוי של המוח: כל נוירון הוא בעצם ערך מספרי, והשכבות מחוברות זו לזו כמו נוירונים יורים.
אימון המודל עובד בלולאת ניסוי-טעות: המערכת מנבאת, מודדת את טעותה ומשפרת את עצמה — בדומה לאדם הלומד משחק זיכרון.
הסבר נגיש עדיף על צלילה מוקדמת למתמטיקה; רוב המדריכים טועים כשהם מבהילים בלומדים במשוואות במקום להסביר את המטרה במילים פשוטות.

השאלה הבולטת בפרק

איך המוח יודע להעביר מידע מנוירון לנוירון אחר, ולמה דווקא נוירונים מסוימים יורים ואחרים לא?

הפרק האחרון5 בדצמבר 2023

פרק 5: למידה עמוקה ורשתות נוירונים

פרקים אחרונים

פרק 5: למידה עמוקה ורשתות נוירונים
5 בדצמבר 202353 דק׳
אמ;לקסיכום הפרק
בפרק יובל אבידני חוזר להקליט אחרי תקופת היעדרות על רקע המלחמה, ומקדיש את הפרק להסבר נגיש על בינה מלאכותית. הוא מציג את מבנה התחום כמטריות: בינה מלאכותית כמטרייה הגדולה, מתחתיה למידת מכונה, ובתוכה למידה עמוקה המבוססת על רשתות נוירונים. הוא ממשיל את הרשת המלאכותית למוח האנושי ולנוירונים היורים, ומתאר ויזואלית מבנה של שכבות עיגולים מחוברים. בעזרת דוגמאות כמו סיווג ספרות 0-9 וזיהוי כלב מול חתול הוא מסביר את תהליך האימון בלמידה מונחית, ומבקר את הנטייה הרווחת לצלול מהר מדי למתמטיקה במקום להסביר במילים פשוטות.
קראו עוד ▾הציגו פחות ▴
- התחום בנוי כשכבות: בינה מלאכותית מכילה את למידת המכונה, וזו מכילה את הלמידה העמוקה המבוססת על רשתות נוירונים.
- ההבדל בין למידת מכונה ללמידה עמוקה הוא ארכיטקטוני — למידה עמוקה היא צורה מורכבת יותר של אותו עיקרון.
- רשת נוירונים מלאכותית היא חיקוי של המוח: כל נוירון הוא בעצם ערך מספרי, והשכבות מחוברות זו לזו כמו נוירונים יורים.
- אימון המודל עובד בלולאת ניסוי-טעות: המערכת מנבאת, מודדת את טעותה ומשפרת את עצמה — בדומה לאדם הלומד משחק זיכרון.
- הסבר נגיש עדיף על צלילה מוקדמת למתמטיקה; רוב המדריכים טועים כשהם מבהילים בלומדים במשוואות במקום להסביר את המטרה במילים פשוטות.
ש&תשאלות ותשובות מהפרק
▾על מה הפרק הזה?
בפרק יובל אבידני חוזר להקליט אחרי תקופת היעדרות על רקע המלחמה, ומקדיש את הפרק להסבר נגיש על בינה מלאכותית. הוא מציג את מבנה התחום כמטריות: בינה מלאכותית כמטרייה הגדולה, מתחתיה למידת מכונה, ובתוכה למידה עמוקה המבוססת על רשתות נוירונים. הוא ממשיל את הרשת המלאכותית למוח האנושי ולנוירונים היורים, ומתאר ויזואלית מבנה של שכבות עיגולים מחוברים. בעזרת דוגמאות כמו סיווג ספרות 0-9 וזיהוי כלב מול חתול הוא מסביר את תהליך האימון בלמידה מונחית, ומבקר את הנטייה הרווחת לצלול מהר מדי למתמטיקה במקום להסביר במילים פשוטות.
▾מהן התובנות המרכזיות מהפרק?
התחום בנוי כשכבות: בינה מלאכותית מכילה את למידת המכונה, וזו מכילה את הלמידה העמוקה המבוססת על רשתות נוירונים. · ההבדל בין למידת מכונה ללמידה עמוקה הוא ארכיטקטוני — למידה עמוקה היא צורה מורכבת יותר של אותו עיקרון. · רשת נוירונים מלאכותית היא חיקוי של המוח: כל נוירון הוא בעצם ערך מספרי, והשכבות מחוברות זו לזו כמו נוירונים יורים. · אימון המודל עובד בלולאת ניסוי-טעות: המערכת מנבאת, מודדת את טעותה ומשפרת את עצמה — בדומה לאדם הלומד משחק זיכרון. · הסבר נגיש עדיף על צלילה מוקדמת למתמטיקה; רוב המדריכים טועים כשהם מבהילים בלומדים במשוואות במקום להסביר את המטרה במילים פשוטות.
הדפדפן שלך אינו תומך בנגן השמע.
פרק 4: מודלים גדולים של שפה ולנגצ'יין המלך
3 באוקטובר 202350 דק׳
אמ;לקסיכום הפרק
בפרק מסדרת 'מדברים בינה מלאכותית' מבקש יובל אבידני לעשות סדר בכאוס של אפליקציות הבינה המלאכותית, ופותח בכך שרבים מהמיזמים מסתכמים בחיבור פשוט למודל שפה כמו צ'אט GPT ללא חידוש אמיתי. הוא מסביר מהו מודל שפה גדול, את משמעות הראשי תיבות GPT, ואת ארכיטקטורת הטרנספורמרים שמבוססת על מנגנון תשומת לב למילים מתוך מאמר של גוגל בריין מ-2017. בהמשך הוא משווה בין צ'אט GPT של OpenAI לבין ברד של גוגל ומסביר מדוע OpenAI הצליחה יותר. עיקר הדיון נסוב סביב מגבלת הזיכרון של המודלים — הטוקנים וחלון ההקשר — שמהווה את הבעיה שאליה Langchain אמור לתת מענה.
קראו עוד ▾הציגו פחות ▴
- רוב המיזמים שמתהדרים בבינה מלאכותית מסתכמים בחיבור תכנותי למודל שפה קיים, ולכן בעיני משקיעים אין בהם חידוש או אלגוריתם ייחודי.
- ראשי התיבות GPT מייצגים Generative Pre-trained Transformer — מודל שאומן מראש ויודע לייצר טקסט.
- עוצמת הטרנספורמר נובעת ממנגנון תשומת הלב, היכולת לתת משקל גבוה יותר למילים מסוימות בטקסט, מתוך מאמר של גוגל בריין מ-2017.
- ההבדל בין OpenAI לגוגל הוא שגוגל עבדה עם ייצוג מספרי של מילים (embedding) בעוד OpenAI התמקדה בהבנת המשמעות, ובכך הצליחה יותר.
- מגבלת הטוקנים וחלון ההקשר היא חסם מרכזי: שיחה ארוכה או מסמך גדול דורסים את זיכרון המודל, ולכל מודל קיבולת שונה (4,000 עד 100,000 טוקנים בקלוד).
ש&תשאלות ותשובות מהפרק
▾על מה הפרק הזה?
בפרק מסדרת 'מדברים בינה מלאכותית' מבקש יובל אבידני לעשות סדר בכאוס של אפליקציות הבינה המלאכותית, ופותח בכך שרבים מהמיזמים מסתכמים בחיבור פשוט למודל שפה כמו צ'אט GPT ללא חידוש אמיתי. הוא מסביר מהו מודל שפה גדול, את משמעות הראשי תיבות GPT, ואת ארכיטקטורת הטרנספורמרים שמבוססת על מנגנון תשומת לב למילים מתוך מאמר של גוגל בריין מ-2017. בהמשך הוא משווה בין צ'אט GPT של OpenAI לבין ברד של גוגל ומסביר מדוע OpenAI הצליחה יותר. עיקר הדיון נסוב סביב מגבלת הזיכרון של המודלים — הטוקנים וחלון ההקשר — שמהווה את הבעיה שאליה Langchain אמור לתת מענה.
▾מהן התובנות המרכזיות מהפרק?
רוב המיזמים שמתהדרים בבינה מלאכותית מסתכמים בחיבור תכנותי למודל שפה קיים, ולכן בעיני משקיעים אין בהם חידוש או אלגוריתם ייחודי. · ראשי התיבות GPT מייצגים Generative Pre-trained Transformer — מודל שאומן מראש ויודע לייצר טקסט. · עוצמת הטרנספורמר נובעת ממנגנון תשומת הלב, היכולת לתת משקל גבוה יותר למילים מסוימות בטקסט, מתוך מאמר של גוגל בריין מ-2017. · ההבדל בין OpenAI לגוגל הוא שגוגל עבדה עם ייצוג מספרי של מילים (embedding) בעוד OpenAI התמקדה בהבנת המשמעות, ובכך הצליחה יותר. · מגבלת הטוקנים וחלון ההקשר היא חסם מרכזי: שיחה ארוכה או מסמך גדול דורסים את זיכרון המודל, ולכל מודל קיבולת שונה (4,000 עד 100,000 טוקנים בקלוד).
הדפדפן שלך אינו תומך בנגן השמע.
עונה 1 פרק 3: הכל על בוטים מבוססי בינה מלאכותית
5 באוגוסט 202343 דק׳
אורחים:דוקטור קוד
אמ;לקסיכום הפרק
בפרק יובל אבידני מבית Hackit מסביר מדוע פתאום כולם רוצים צ'אטבוטים לעסק, ומשווה בין הגישה הישנה שמבוססת מילות מפתח ותשובות מוכנות מראש לבין גישת הבינה המלאכותית. הוא מדגים דרך דוגמה של סטארט-אפ סייבר ('הקיט') את עומס ההודעות מכל הפלטפורמות ואת היתרון של מנוע AI שמייצר תשובות לבד. הוא מזהיר מפני סיכוני אמינות וחירטוט, ומציע להוסיף שכבת מוח עם ידע ייעודי על העסק וסייגים מגבילים. לבסוף הוא מסביר את הצד הטכני: עבודה מול API, בחירת מודל שפה ובניית מאגר ידע ממסמכים ומאתר.
קראו עוד ▾הציגו פחות ▴
- המעבר מצ'אטבוט קלאסי ל-AI חוסך את העבודה הידנית של הגדרת מילות מפתח ותשובות מוכנות מראש לכל תרחיש אפשרי.
- הסכנה המרכזית בצ'אטבוט מבוסס AI היא חירטוט ומתן מידע שגוי, למשל הבטחת הנחות או פיצויים שלא קיימים.
- הפתרון הוא שכבת מוח שמחוברת גם לבינה מלאכותית וגם לידע ייעודי על העסק, עם סייגים שמגבילים את התשובות בנושאים רגישים.
- אין חובה לעבוד רק עם OpenAI — אפשר לבחור מודלי שפה כמו Llama 2, Falcon, Azure OpenAI או Claude.
- ניתן לבנות מאגר ידע מקבצים קיימים (PDF, DOC, Excel, CSV) ומסריקת תוכן מאתר העסק, וכך המוח החכם לומד את העסק.
- קיימות פלטפורמות No-Code / Low-Code שמאפשרות להקים צ'אטבוטים מבוססי AI עם מעט מאוד ידע בתכנות.
ש&תשאלות ותשובות מהפרק
▾על מה הפרק הזה?
בפרק יובל אבידני מבית Hackit מסביר מדוע פתאום כולם רוצים צ'אטבוטים לעסק, ומשווה בין הגישה הישנה שמבוססת מילות מפתח ותשובות מוכנות מראש לבין גישת הבינה המלאכותית. הוא מדגים דרך דוגמה של סטארט-אפ סייבר ('הקיט') את עומס ההודעות מכל הפלטפורמות ואת היתרון של מנוע AI שמייצר תשובות לבד. הוא מזהיר מפני סיכוני אמינות וחירטוט, ומציע להוסיף שכבת מוח עם ידע ייעודי על העסק וסייגים מגבילים. לבסוף הוא מסביר את הצד הטכני: עבודה מול API, בחירת מודל שפה ובניית מאגר ידע ממסמכים ומאתר.
▾מהן התובנות המרכזיות מהפרק?
המעבר מצ'אטבוט קלאסי ל-AI חוסך את העבודה הידנית של הגדרת מילות מפתח ותשובות מוכנות מראש לכל תרחיש אפשרי. · הסכנה המרכזית בצ'אטבוט מבוסס AI היא חירטוט ומתן מידע שגוי, למשל הבטחת הנחות או פיצויים שלא קיימים. · הפתרון הוא שכבת מוח שמחוברת גם לבינה מלאכותית וגם לידע ייעודי על העסק, עם סייגים שמגבילים את התשובות בנושאים רגישים. · אין חובה לעבוד רק עם OpenAI — אפשר לבחור מודלי שפה כמו Llama 2, Falcon, Azure OpenAI או Claude. · ניתן לבנות מאגר ידע מקבצים קיימים (PDF, DOC, Excel, CSV) ומסריקת תוכן מאתר העסק, וכך המוח החכם לומד את העסק. · קיימות פלטפורמות No-Code / Low-Code שמאפשרות להקים צ'אטבוטים מבוססי AI עם מעט מאוד ידע בתכנות.
הדפדפן שלך אינו תומך בנגן השמע.
פרק 2: chatGPT מתחת למכסה המנוע
28 במאי 202347 דק׳
אמ;לקסיכום הפרק
הפרק מסביר את מנגנון עיבוד השפה הטבעית (NLP) שמאחורי ChatGPT, תוך השוואה בין TensorFlow של גוגל ל-PyTorch של פייסבוק ולגישת OpenAI. אבידני מתאר את תהליך הטוקניזציה — המרת טקסט לערכים מספריים — ומדגים בעיית סמנטיקה שבה אותן אותיות בסדר שונה (listen מול silent) משנות משמעות, ולכן עדיף לקודד מילים שלמות ולא אותיות. הוא מסביר שלבי עיבוד מקדים נוספים: ניקוי טקסט, sequencing לשמירת רצף הגיוני, padding ליישור אורכי משפטים, וטוקן OOV לטיפול במילים לא מוכרות. כן מובהר ש-GPT הוא Generative Pretrained Transformer המנסה להבין משמעות במשפטים שלמים.
קראו עוד ▾הציגו פחות ▴
- אותן אותיות בסדר שונה (listen מול silent) מקבלות אותם ערכים מספריים אך משמעות הפוכה, ולכן עדיף לקודד מילים שלמות ולא אותיות בודדות
- טוקניזציה היא המרת מילים לערכים מספריים, ומילה חדשה שלא נראתה מקבלת ערך חדש בעוד מילים מוכרות שומרות על הערך שלהן
- padding מיישר את אורך המשפטים על ידי מילוי באפסים כך שכל הקלטים יהיו באורך אחיד למודל
- טוקן OOV (Out of Vocabulary) פותר מצב שבו המודל נתקל במילה שלא אומן עליה, ומאפשר לשמור על רצף הגיוני
- ה-T ב-GPT מסמן Transformer — מודל deep learning ששונה מ-TensorFlow בכך שהוא מנסה להבין משמעות של משפטים שלמים
ש&תשאלות ותשובות מהפרק
▾על מה הפרק הזה?
הפרק מסביר את מנגנון עיבוד השפה הטבעית (NLP) שמאחורי ChatGPT, תוך השוואה בין TensorFlow של גוגל ל-PyTorch של פייסבוק ולגישת OpenAI. אבידני מתאר את תהליך הטוקניזציה — המרת טקסט לערכים מספריים — ומדגים בעיית סמנטיקה שבה אותן אותיות בסדר שונה (listen מול silent) משנות משמעות, ולכן עדיף לקודד מילים שלמות ולא אותיות. הוא מסביר שלבי עיבוד מקדים נוספים: ניקוי טקסט, sequencing לשמירת רצף הגיוני, padding ליישור אורכי משפטים, וטוקן OOV לטיפול במילים לא מוכרות. כן מובהר ש-GPT הוא Generative Pretrained Transformer המנסה להבין משמעות במשפטים שלמים.
▾מהן התובנות המרכזיות מהפרק?
אותן אותיות בסדר שונה (listen מול silent) מקבלות אותם ערכים מספריים אך משמעות הפוכה, ולכן עדיף לקודד מילים שלמות ולא אותיות בודדות · טוקניזציה היא המרת מילים לערכים מספריים, ומילה חדשה שלא נראתה מקבלת ערך חדש בעוד מילים מוכרות שומרות על הערך שלהן · padding מיישר את אורך המשפטים על ידי מילוי באפסים כך שכל הקלטים יהיו באורך אחיד למודל · טוקן OOV (Out of Vocabulary) פותר מצב שבו המודל נתקל במילה שלא אומן עליה, ומאפשר לשמור על רצף הגיוני · ה-T ב-GPT מסמן Transformer — מודל deep learning ששונה מ-TensorFlow בכך שהוא מנסה להבין משמעות של משפטים שלמים
הדפדפן שלך אינו תומך בנגן השמע.
פרק 1: מבוא לבינה מלאכותית וללמידת מכונה
19 במאי 202331 דק׳
אמ;לקסיכום הפרק
המנחה פותח פודקאסט חדש שמטרתו לעשות סדר במונחי בינה מלאכותית עבור קהל לא טכני, מתוך תסכול שכל מוצר ואתר מצמידים לעצמם את התווית AI בלי הסבר. הוא משתמש בדימוי המטריושקה כדי להבחין בין שלוש שכבות: בינה מלאכותית, למידת מכונה ולמידה עמוקה. ההסבר המרכזי הוא ההבדל בין קוד קלאסי שפותר בעיה לפי הוראות מראש, לבין בינה מלאכותית שלומדת מכמויות אדירות של מידע מתויג ויודעת להכליל למקרים חדשים. לבסוף הוא מסביר רשתות נוירונים כדרך לקבל מספר פלטים, תוך הדגמה במשחק אבן-נייר-ומספריים ובזיהוי חתולים וספאם.
קראו עוד ▾הציגו פחות ▴
- לא כל מוצר שמתויג AI הוא באמת בינה מלאכותית — אפשר לתכנת מראש תוצאות לפי קטגוריה בלי שום למידה.
- ההבדל המהותי מקוד קלאסי: בקוד מגדירים הוראות לפתרון בעיה, ובבינה מלאכותית מזינים מידע מתויג והמודל לומד לבד להכליל למקרים חדשים.
- דימוי המטריושקה: בינה מלאכותית מכילה בתוכה למידת מכונה, וזו מכילה בתוכה למידה עמוקה.
- הבדיקה המעשית כששומעים 'בינה מלאכותית' היא לשאול 'מה המודל למד ועל איזה מידע הוא אומן'.
- רשת נוירונים נדרשת כשצריך כמה פלטים אפשריים — נוירון בודד מספיק רק להבחנה אחת ולכן אינו למידה עמוקה.
ש&תשאלות ותשובות מהפרק
▾על מה הפרק הזה?
המנחה פותח פודקאסט חדש שמטרתו לעשות סדר במונחי בינה מלאכותית עבור קהל לא טכני, מתוך תסכול שכל מוצר ואתר מצמידים לעצמם את התווית AI בלי הסבר. הוא משתמש בדימוי המטריושקה כדי להבחין בין שלוש שכבות: בינה מלאכותית, למידת מכונה ולמידה עמוקה. ההסבר המרכזי הוא ההבדל בין קוד קלאסי שפותר בעיה לפי הוראות מראש, לבין בינה מלאכותית שלומדת מכמויות אדירות של מידע מתויג ויודעת להכליל למקרים חדשים. לבסוף הוא מסביר רשתות נוירונים כדרך לקבל מספר פלטים, תוך הדגמה במשחק אבן-נייר-ומספריים ובזיהוי חתולים וספאם.
▾מהן התובנות המרכזיות מהפרק?
לא כל מוצר שמתויג AI הוא באמת בינה מלאכותית — אפשר לתכנת מראש תוצאות לפי קטגוריה בלי שום למידה. · ההבדל המהותי מקוד קלאסי: בקוד מגדירים הוראות לפתרון בעיה, ובבינה מלאכותית מזינים מידע מתויג והמודל לומד לבד להכליל למקרים חדשים. · דימוי המטריושקה: בינה מלאכותית מכילה בתוכה למידת מכונה, וזו מכילה בתוכה למידה עמוקה. · הבדיקה המעשית כששומעים 'בינה מלאכותית' היא לשאול 'מה המודל למד ועל איזה מידע הוא אומן'. · רשת נוירונים נדרשת כשצריך כמה פלטים אפשריים — נוירון בודד מספיק רק להבחנה אחת ולכן אינו למידה עמוקה.
הדפדפן שלך אינו תומך בנגן השמע.