מהן התובנות המרכזיות מהפרק?

אל תתחילו מבניית אייג'נטים או פלטפורמות - מתחילים מ-education וסדנאות, שהן הקטליזטור לכל התהליכים שאחריהם. · ידע תיאורטי על LLM-ים הוא בסיס הכרחי: מי שמבין context window, knowledge cut-off והרכב נתוני האימון יודע לאבחן למה משימה נכשלת במקום סתם לטעון ש'המודל לא עובד'. · כל בעיות האייג'נטים מתנקזות לשאלה אחת - מה נכנס לחלון הקונטקסט; הדגמה: ב-30-40 אלף הטוקנים הראשונים המודל חד כנינג'ה, וככל שמתקרבים למיליון איכות הביצוע יורדת. · חלון קונטקסט גדול יותר לא 'יפתור' את הבעיה - כמו CPU, RAM ודיסק, הריסורסים תמיד מוגבלים, ולכן צריך קומפקטיזציה ושמירת ארטיפקטים בדרך. · מבחן לקמוס לרמת הידע שלכם: כשיוצא פיצ'ר חדש (למשל plan mode בקלוד קוד) אתם אמורים להרגיש 'בניתי את זה כבר' או 'חיכיתי לזה' - אם לא הבנתם מה הוא פותר, סימן שצריך להעמיק. · ממורי הוא עדיין בעיה לא פתורה ו'חצי אינג'ינירית'; הצהרות מסוג 'פטרתי את בעיית הממורי' לרוב מבלבלות את המוח ואין להתרגש מהן.

הייטק וסטארטאפים

עושים תוכנה Osim Tochna

רשת עושים היסטוריה

194 פרקים

על התוכנית

עמית בן דור, ראש תחום בינה מלאכותית ולמידת מכונה בAura מגיש פודקאסט למפתחים ומפתחות, ולכל מי שרוצה להבין ממה עשוי העולם המפוקסל שנבלע בבטן האלגוריתם. בכל פרק הוא מוביל שיחות עומק עם אנשי ונשות מקצוע מהתעשייה על קוד, ארכיטקטורה, תהליכי פיתוח ואתגרי היום יום בצוותים, ומשלב סיפורים אישיים ותובנות קריירה. לפודקאסטים נוספים בקרו ב״רשת עושים היסטוריה״ 🚀 הפודקאסט נערך ע״י - ינאי צוריה

האזן ב-Apple אתר הפודקאסט

מה זה עושים תוכנה Osim Tochna?

עושים תוכנה Osim Tochna הוא פודקאסט ישראלי בקטגוריית הייטק וסטארטאפים מאת רשת עושים היסטוריה. ניתוח טכני מעמיק של האתגרים, התשתיות והפרקטיקה הנדרשת להטמעת פתרונות AI וסוכנים חכמים בסביבות ייצור מורכבות. בארכיון 194 פרקים, פרק חדש בערך פעם בשבועיים, אורך פרק ממוצע כ-41 דקות.

התוכנית במספרים
קטגוריה	הייטק וסטארטאפים
פרקים בארכיון	194
תדירות (מהפרקים האחרונים)	פרק חדש בערך פעם בשבועיים
אורך פרק ממוצע (בפרקים האחרונים)	כ-41 דקות
הפרק האחרון	20 ביולי 2026
פרקים עם ניתוח עומק	6

עודכן: 30 ביולי 2026

תובנות

"אל תתחילו מבניית אייג'נטים - מתחילים מ-education"

עמית בן דור מארח את שר כרמל, וזו העצה שחותכת את ההייפ: לפני שבונים פלטפורמת AI בארגון, מלמדים אנשים. סדנאות קצרות הן הקטליזטור לכל מה שבא אחר כך. עושים תוכנה לא נעצר בדמו המרשים - הוא נכנס למה שקורה בפרודקשן.

הפרקים יורדים לעומק הנדסי אמיתי: למה אי אפשר להקצות את כל זיכרון ה-GPU למודל בלבד, ולמה שיטות הבדיקה המסורתיות נכשלות עם סוכני AI. כדברי אחד האורחים, השאלה היא לא איך למנוע שגיאות אלא איך להפסיק להיות מופתעים מהן.

מפתח שרוצה להבין את הטכנולוגיה לפני שהוא מיישם אותה יקבל כאן עומק ולא סיסמאות.

פיתוח תוכנהבינה מלאכותיתמודלי שפהסייבר ואבטחההנדסת תוכנה

לוח בקרה · תובנות הארכיוןכל הפרקים שנותחו מתמלול AI - מאת עושים תוכנה Osim Tochna

פרקים אחרונים שנותחו

תובנות זהב

שאלות בולטות

5.7

תובנות לפרק

ניתוח טכני מעמיק של האתגרים, התשתיות והפרקטיקה הנדרשת להטמעת פתרונות AI וסוכנים חכמים בסביבות ייצור מורכבות.

המנחה

עמית בן דור מנחה את הפודקאסט מנקודת מבט הנדסית ופרקטית, תוך שהוא מארח מומחים טכנולוגיים מובילים בתחום הבינה המלאכותית. הוא מפגין סקרנות עמוקה לגבי המורכבות התפעולית של הטמעת AI בארגונים ושואף להנגיש ידע מקצועי מעמיק מעבר לרמת הדמוים.

הסגנון

התוכנית מאופיינת בטון מקצועי, ענייני וטכני, המעמיק בפרטי הפיתוח והתפעול של מערכות מורכבות. קצב השיחה הוא יסודי וממוקד, ומבנה הפרקים נוטה לניתוח מקרה או נושא ספציפי תוך הדגשת האתגרים הריאליים בשטח.

הטמעת בינה מלאכותית בסביבת פרודקשןמורכבות תפעולית וחומרת GPUפיתוח ותחזוקת סוכני AIאופטימיזציה של מודלי שפה גדוליםהפער בין דמוים ליכולות מוכחות

תובנות הזהב מהארכיון

הבנה תיאורטית של מודלי שפה היא תנאי הכרחי לאבחון כשלים במקום הסתמכות על ניסוי וטעייה.
המעבר מדמוים מרשימים ליישום עסקי כולל קשיים הנדסיים בלתי צפויים, עלויות תפעול גבוהות ובעיות מדידה.
חינוך והכשרת עובדים בתחום ה-AI הם שלב מקדים וקריטי להצלחה, לעיתים יותר מהטמעת הכלים עצמם.
שיטות בדיקה מסורתיות לרוב אינן מספקות עבור סוכני AI, ויש צורך בניתוח דאטה עמוק כדי לזהות דפוסי שגיאה.
משאבי מחשוב וקונטקסט תמיד יהיו מוגבלים, ולכן אופטימיזציה וקומפקטיזציה הם חלק אינטגרלי מהפיתוח.

למי זה מתאים

התוכנית מיועדת למהנדסי תוכנה, מומחי למידת מכונה ומובילי טכנולוגיה המעוניינים להעמיק באתגרים האמיתיים של עבודה עם AI בקנה מידה ארגוני.

השאלות הבולטות בארכיון

איך מביאים אייג'נטים של AI לפרודקשן בארגון

איך בכלל בונים education בעולם שמשתנה כל הזמן ואין בו עדיין 'תורה' מסודרת כמו שהייתה במהפכות קודמות?

הAI לא טועה אתם פשוט משתמשים בו לא נכון [עושים תוכנה]

למה בעצם אני לא יכול עכשיו דרך אגב ואני אשאל אותך למה אני לא יכול עכשיו להקסות את כל הזיכרון שיש לב-GPU'ים רק למודל עצמו? למה אני צריך ספרים אני לא מדבר על ספרים קטנים אני צריך ספרים גדולים

איך באמת מריצים LLM בסקייל עצום? [עושים תוכנה]

אז השאלה היא לא איך למנוע שגיאות, אלא איך להפסיק להיות מופתעים מהם.

כשאייג׳נטים נשברים [עושים תוכנה]

אוקיי אז מה איזה בעיות מה נתקלת הראשון איפה זה התחיל?

בינה מלאכותית בפרודקשן: מציאות מול דמיון [עושים תוכנה]

מה ההימורים שלך מה הולך לקרות בעולם האיג'נטים?

בינה מלאכותית 2026. מה מצפה לנו? [עושים תוכנה]

תסביר רגע במילה למה אתה מבינים בבשטולס?

6 פרקים = 6 מאמרים אפשריים. כל פרק בארכיון יכול להפוך למאמר עברי SEO/GEO שמדורג בגוגל ומצוטט במנועי AI.

כרטיס ביצועי התוכן המלא של עושים תוכנה Osim Tochna זה הפודקאסט שלי - דברו איתי זה הפודקאסט שלך? קבל גישה לדוח

פרקים עם ניתוח מלא

סיכום מעמיק · מתוך הפרק

כדי להוביל את מהפכת ה-AI בארגון מתחילים לא מבניית אייג'נטים אלא מהבנה תיאורטית של מודלי שפה ומ-education לעובדים.

עמית בן דור מארח את שר כרמל, דיירקטור של AI Enablement במיקסטיילס ומייסד קהילת סקוויד קלאב, לשיחה על איך מטמיעים AI ואייג'נטים בארגונים ומביאים אותם לפרודקשן. שר מסביר שהצעד הראשון אינו בניית אייג'נטים או פלטפורמות אלא education - סדנאות קצרות שמלמדות עובדים, כולל לא-טכניים, לעבוד עם הכלים, וכי האימפקט הגדול ביותר שהיה לו בחברות קודמות כמו פלר נבע דווקא מהדרכת המהנדסים. בלב השיחה עומדת הטענה שכדי להיות טוב באמת חייבים ידע תיאורטי על LLM-ים: context window, knowledge cut-off ונתוני האימון, כי כל בעיות האייג'נטים מתנקזות בסוף לשאלה מה נכנס לחלון הקונטקסט. הפרק מתאים למהנדסים, מובילי AI בארגונים ומי שרוצה להבין כיצד להעריך פיצ'רים חדשים של כלים כמו קלוד קוד וקודקס. שר גם מביע אופטימיות שישראל, כ'עם של נינג'ות', יכולה להוביל את מהפכת האייג'נטים וההארנס מעל ה-LLM.

אל תתחילו מבניית אייג'נטים או פלטפורמות - מתחילים מ-education וסדנאות, שהן הקטליזטור לכל התהליכים שאחריהם.
ידע תיאורטי על LLM-ים הוא בסיס הכרחי: מי שמבין context window, knowledge cut-off והרכב נתוני האימון יודע לאבחן למה משימה נכשלת במקום סתם לטעון ש'המודל לא עובד'.
כל בעיות האייג'נטים מתנקזות לשאלה אחת - מה נכנס לחלון הקונטקסט; הדגמה: ב-30-40 אלף הטוקנים הראשונים המודל חד כנינג'ה, וככל שמתקרבים למיליון איכות הביצוע יורדת.
חלון קונטקסט גדול יותר לא 'יפתור' את הבעיה - כמו CPU, RAM ודיסק, הריסורסים תמיד מוגבלים, ולכן צריך קומפקטיזציה ושמירת ארטיפקטים בדרך.
מבחן לקמוס לרמת הידע שלכם: כשיוצא פיצ'ר חדש (למשל plan mode בקלוד קוד) אתם אמורים להרגיש 'בניתי את זה כבר' או 'חיכיתי לזה' - אם לא הבנתם מה הוא פותר, סימן שצריך להעמיק.
ממורי הוא עדיין בעיה לא פתורה ו'חצי אינג'ינירית'; הצהרות מסוג 'פטרתי את בעיית הממורי' לרוב מבלבלות את המוח ואין להתרגש מהן.

השאלה הבולטת בפרק

איך בכלל בונים education בעולם שמשתנה כל הזמן ואין בו עדיין 'תורה' מסודרת כמו שהייתה במהפכות קודמות?

סוכם מתוך תמלול הפרק בעזרת AI. איך זה נעשה

סיכום קצר

עמית בן דור מארח מהנדסים לשיחות עומק על מה שבאמת קורה כשמודלי AI ענקיים פוגשים פרודקשן - מ-GPU שלא מספיקים ועד אייג'נטים שנכשלים בלי להסביר למה.

בפרק על LLMs: מודל בקנה מידה של טריליוני פרמטרים דורש חומרה של מאות אלפי דולרים בחודש, ולא נכנס ל-GPU בודד או אפילו למכונה אחת
שורה שמסכמת פרק שלם על אייג'נטים: "השאלה היא לא איך למנוע שגיאות, אלא איך להפסיק להיות מופתעים מהן"
בפרק מסייברארק: מודל מולטימודל עלול להזות ולפרש שגוי גם קלט פשוט כמו פיקסל שחור, ויש מתח קבוע בין דיוק המודל לעלותו

"השאלה היא לא איך למנוע שגיאות, אלא איך להפסיק להיות מופתעים מהן." המשפט הזה, מאחד הפרקים על אייג'נטים, מתמצת את מה ש'עושים תוכנה' עושה טוב - לוקח את הפער בין ההדגמות המרשימות לבין מה שקורה כשהקוד פוגש משתמשים אמיתיים.

עמית בן דור מארח אנשי מקצוע מהתעשייה, והשיחות צוללות לפרטים שבדרך כלל לא נכנסים למצגת מכר.

בפרק על הרצת מודלי שפה גדולים, למשל, מתברר עד כמה זה יקר ומורכב: מודל בקנה מידה של טריליוני פרמטרים דורש חומרה של מאות אלפי דולרים בחודש, ולא תמיד נכנס אפילו למכונה אחת. מכאן כל האתגר ההנדסי של פיזור המודל בין מכונות.

ובפרק עם מהנדס מסייברארק עולה צד אחר של אותו עולם: מודל מולטימודל שמנתח קלט ויזואלי עלול להזות ולפרש שגוי גם פיקסל שחור פשוט, וכל זה תחת מתח קבוע בין דיוק לעלות.

זה פודקאסט מבית רשת עושים היסטוריה, למפתחים שרוצים לשמוע איך נראית ההנדסה האמיתית - גם לסקרנים שרק רוצים להבין מה באמת קורה מאחורי ה-AI.

תוכנה פיתוח קוד הייטק קריירה עושים היסטוריה

נכתב בעזרת AI על בסיס תיאור הפודקאסט. איך זה נעשה

הפרק האחרון20 ביולי 2026

האם זה מותו של הUI? | [מור חננוביץ׳ - [עושים תוכנה

פרקים אחרונים

האם זה מותו של הUI? | [מור חננוביץ׳ - [עושים תוכנה
20 ביולי 202614 דק׳
[עושים תוכנה] AI, פיטורים וקריירה בעולם משתנה
29 ביוני 202645 דק׳
הגיע הזמן ל־Skill [עושים תוכנה]
16 ביוני 202639 דק׳
הAI לא טועה אתם פשוט משתמשים בו לא נכון [עושים תוכנה]
1 ביוני 20261 שע׳ 6 דק׳
אמ;לקסיכום הפרק
הפרק עוסק במורכבות התפעולית והטכנית של פריסה ואופטימיזציה של מודלי למידת מכונה ענקיים (LLMs) על תשתית GPU. המנחה, עמית בנדורף, מארח את מייק ארליקסון, שחולק תובנות על האתגרים הייחודיים של ניהול מודלים עם טריליוני פרמטרים, הדורשים חומרה יקרה מאוד וטכניקות חלוקה מורכבות על פני מספר מעבדים גרפיים ומכונות. הפרק מיועד למהנדסי תוכנה, מומחי למידת מכונה וכל מי שמתעניין ב"מאחורי הקלעים" של הפעלת כלי AI בקנה מידה גדול. שווה להאזין כדי להבין את המורכבות, את עלויות החומרה ואת הפתרונות ההנדסיים והמתמטיים שנדרשים כדי שה-LLMs יהיו נגישים ויעילים.
קראו עוד ▾הציגו פחות ▴
- הרצת מודלי שפה גדולים (LLMs) בייצור היא אופרציה מורכבת ביותר, הדורשת התמודדות עם פרמטרים רבים מעבר למודל עצמו.
- מודלים בקנה מידה של טריליוני פרמטרים דורשים חומרה יקרה מאוד (מאות אלפי דולרים לחודש עבור מכונות עם 8 GPU), ולא תמיד נכנסים ל-GPU בודד או אפילו למכונה אחת.
- חלוקת המודל בין מספר GPUs או מכונות מרובות (מודל פרלליזציה) מציבה אתגרים הנדסיים ולוגיים בפיזור חישובים מתמטיים ושיתוף נתונים.
- קיים צורך בזיכרון "ספייר" משמעותי על ה-GPU מעבר לזיכרון המודל, בעיקר כדי לטפל במספר רב של בקשות משתמשים בו-זמנית ולתשתיות הפיימוורק.
- אופטימיזציה של ביצועי מודלים גדולים היא תחום מחקר פעיל וקריטי, הכולל שיטות לייעול ותחיסה, כמו 'קייב' (KV cache).
ש&תשאלות ותשובות מהפרק
▾על מה הפרק הזה?
הפרק עוסק במורכבות התפעולית והטכנית של פריסה ואופטימיזציה של מודלי למידת מכונה ענקיים (LLMs) על תשתית GPU. המנחה, עמית בנדורף, מארח את מייק ארליקסון, שחולק תובנות על האתגרים הייחודיים של ניהול מודלים עם טריליוני פרמטרים, הדורשים חומרה יקרה מאוד וטכניקות חלוקה מורכבות על פני מספר מעבדים גרפיים ומכונות. הפרק מיועד למהנדסי תוכנה, מומחי למידת מכונה וכל מי שמתעניין ב"מאחורי הקלעים" של הפעלת כלי AI בקנה מידה גדול. שווה להאזין כדי להבין את המורכבות, את עלויות החומרה ואת הפתרונות ההנדסיים והמתמטיים שנדרשים כדי שה-LLMs יהיו נגישים ויעילים.
▾מהן התובנות המרכזיות מהפרק?
הרצת מודלי שפה גדולים (LLMs) בייצור היא אופרציה מורכבת ביותר, הדורשת התמודדות עם פרמטרים רבים מעבר למודל עצמו. · מודלים בקנה מידה של טריליוני פרמטרים דורשים חומרה יקרה מאוד (מאות אלפי דולרים לחודש עבור מכונות עם 8 GPU), ולא תמיד נכנסים ל-GPU בודד או אפילו למכונה אחת. · חלוקת המודל בין מספר GPUs או מכונות מרובות (מודל פרלליזציה) מציבה אתגרים הנדסיים ולוגיים בפיזור חישובים מתמטיים ושיתוף נתונים. · קיים צורך בזיכרון "ספייר" משמעותי על ה-GPU מעבר לזיכרון המודל, בעיקר כדי לטפל במספר רב של בקשות משתמשים בו-זמנית ולתשתיות הפיימוורק. · אופטימיזציה של ביצועי מודלים גדולים היא תחום מחקר פעיל וקריטי, הכולל שיטות לייעול ותחיסה, כמו 'קייב' (KV cache).
לניתוח המלא של הפרק ←הדפדפן שלך אינו תומך בנגן השמע.
איך באמת מריצים LLM בסקייל עצום? [עושים תוכנה]
18 במאי 202641 דק׳
אמ;לקסיכום הפרק
הפרק 'עושים תוכנה' עוסק בבעיות ובאתגרים בפיתוח אייג'נטים חכמים, במיוחד כשהם מגיעים לסביבות פרודקשן ופוגשים משתמשים ודאטה מגוונים. הוא מיועד למפתחים, מנהלי מוצר ודאטה סיינטיסטים העובדים עם מודלי AI ומעוניינים להבין כיצד להתמודד עם כשלים בלתי צפויים. שווה להאזין כדי ללמוד ששיטות בדיקה ואיבלואציה מסורתיות אינן מספיקות, וכיצד ניתן לזהות דפוסי שגיאה עמוקים יותר באמצעות ניתוח דאטה מפורט, במקום רק להסתמך על ציונים סטטיסטיים.
קראו עוד ▾הציגו פחות ▴
- פיתוח אייג'נטים דורש שיטות בדיקה מעבר לדוגמאות ספציפיות, כיוון שהם נכשלים בדרכים בלתי צפויות בפרודקשן.
- הבעיות בפיתוח אייג'נטים דומות לבעיות מוכרות בעולם הדאטה סיינס והמודלים הסטטיסטיים, אך הדרך לתיקונן (למשל שינוי פרומפט במקום אימון מודל) שונה.
- 'איבלים' (בדיקות רגרסיה ספציפיות) מראים שיש טעות, אך אינם מסבירים למה היא קרתה; יש צורך בניתוח עמוק יותר.
- לעיתים קרובות, מפתחים מחמיצים ידע דומייני ספציפי שהוביל לכשלים, מה שמצריך 'בלשות' בדאטה כדי לזהות דפוסים וקלאסטרים של בעיות (כגון סדר כרונולוגי חסר).
- הפתרון אינו במניעת שגיאות אלא בהיערכות לכישלון ובשיטה מסודרת להבין את שורש הבעיה דרך בחינה מדוקדקת של טרייסים ודאטה.
- הדרך ללמוד ידע דומייני קריטי לאייג'נט היא על ידי התבוננות מעמיקה בדאטה עצמו, ולא רק בדוקומנטציה קיימת.
- במקום להסתכל על הדאטה כגלש בלש עם זכוכית מגדלת ולחפש רמזים ופירורי לחם על גבי הטרייסים כדי להבין מה זה מלמד אותנו.
ש&תשאלות ותשובות מהפרק
▾על מה הפרק הזה?
הפרק 'עושים תוכנה' עוסק בבעיות ובאתגרים בפיתוח אייג'נטים חכמים, במיוחד כשהם מגיעים לסביבות פרודקשן ופוגשים משתמשים ודאטה מגוונים. הוא מיועד למפתחים, מנהלי מוצר ודאטה סיינטיסטים העובדים עם מודלי AI ומעוניינים להבין כיצד להתמודד עם כשלים בלתי צפויים. שווה להאזין כדי ללמוד ששיטות בדיקה ואיבלואציה מסורתיות אינן מספיקות, וכיצד ניתן לזהות דפוסי שגיאה עמוקים יותר באמצעות ניתוח דאטה מפורט, במקום רק להסתמך על ציונים סטטיסטיים.
▾מהן התובנות המרכזיות מהפרק?
פיתוח אייג'נטים דורש שיטות בדיקה מעבר לדוגמאות ספציפיות, כיוון שהם נכשלים בדרכים בלתי צפויות בפרודקשן. · הבעיות בפיתוח אייג'נטים דומות לבעיות מוכרות בעולם הדאטה סיינס והמודלים הסטטיסטיים, אך הדרך לתיקונן (למשל שינוי פרומפט במקום אימון מודל) שונה. · 'איבלים' (בדיקות רגרסיה ספציפיות) מראים שיש טעות, אך אינם מסבירים למה היא קרתה; יש צורך בניתוח עמוק יותר. · לעיתים קרובות, מפתחים מחמיצים ידע דומייני ספציפי שהוביל לכשלים, מה שמצריך 'בלשות' בדאטה כדי לזהות דפוסים וקלאסטרים של בעיות (כגון סדר כרונולוגי חסר). · הפתרון אינו במניעת שגיאות אלא בהיערכות לכישלון ובשיטה מסודרת להבין את שורש הבעיה דרך בחינה מדוקדקת של טרייסים ודאטה. · הדרך ללמוד ידע דומייני קריטי לאייג'נט היא על ידי התבוננות מעמיקה בדאטה עצמו, ולא רק בדוקומנטציה קיימת. · במקום להסתכל על הדאטה כגלש בלש עם זכוכית מגדלת ולחפש רמזים ופירורי לחם על גבי הטרייסים כדי להבין מה זה מלמד אותנו.
לניתוח המלא של הפרק ←הדפדפן שלך אינו תומך בנגן השמע.
כשאייג׳נטים נשברים [עושים תוכנה]
5 באפריל 202635 דק׳
אמ;לקסיכום הפרק
הפרק מציג שיחה עם מהנדס AI שפיתח מערכת מבוססת LLM ומולטימודל בחברת סייברארק, המספקת פתרון לניתוח מידע ויזואלי ממחשבים רגישים. הוא מיועד למפתחי AI, מהנדסים ומנהלי מוצר המתעניינים באתגרי עולם ה-AI בפרודקשן, מעבר להדגמות. שווה להאזין כדי להבין את הקשיים הפרקטיים כמו הזיות מודל, עלויות בלתי צפויות, בניית דאטה-סטים בסביבות רגישות ובעיות מדידה במערכות לא דטרמיניסטיות, וכיצד להתמודד איתם בעזרת כלים כמו LLM as a Judge.
קראו עוד ▾הציגו פחות ▴
- פיתוח מערכות LLM בסקייל גבוה במציאות שונה מאוד מהדמויים המרשימים המוצגים, וכולל קשיים לא צפויים ואתגרים בסביבה עסקית.
- מודלי מולטימודל עלולים להזות, לייצר מידע לא רלוונטי או לפרש באופן שגוי קלט ויזואלי, גם מקלט פשוט כמו פיקסל שחור.
- קיימת מתיחות בין דיוק המודל לעלותו, במיוחד כשמשלבים מודלים מספקים שונים ונתקלים בעלויות עקיפות כמו egress.
- מדידת ביצועים במערכות LLM לא דטרמיניסטיות מחייבת פיתוח כלים פנימיים ושימוש בשיטות כמו LLM as a Judge, תוך צמצום דרגות חופש במדידה.
- בניית דאטה-סטים איכותיים ורלוונטיים עבור מערכות AI בסביבות רגישות היא אתגר מהותי בפני עצמו, שכן לא ניתן להשתמש במידע לקוחות ישיר.
ש&תשאלות ותשובות מהפרק
▾על מה הפרק הזה?
הפרק מציג שיחה עם מהנדס AI שפיתח מערכת מבוססת LLM ומולטימודל בחברת סייברארק, המספקת פתרון לניתוח מידע ויזואלי ממחשבים רגישים. הוא מיועד למפתחי AI, מהנדסים ומנהלי מוצר המתעניינים באתגרי עולם ה-AI בפרודקשן, מעבר להדגמות. שווה להאזין כדי להבין את הקשיים הפרקטיים כמו הזיות מודל, עלויות בלתי צפויות, בניית דאטה-סטים בסביבות רגישות ובעיות מדידה במערכות לא דטרמיניסטיות, וכיצד להתמודד איתם בעזרת כלים כמו LLM as a Judge.
▾מהן התובנות המרכזיות מהפרק?
פיתוח מערכות LLM בסקייל גבוה במציאות שונה מאוד מהדמויים המרשימים המוצגים, וכולל קשיים לא צפויים ואתגרים בסביבה עסקית. · מודלי מולטימודל עלולים להזות, לייצר מידע לא רלוונטי או לפרש באופן שגוי קלט ויזואלי, גם מקלט פשוט כמו פיקסל שחור. · קיימת מתיחות בין דיוק המודל לעלותו, במיוחד כשמשלבים מודלים מספקים שונים ונתקלים בעלויות עקיפות כמו egress. · מדידת ביצועים במערכות LLM לא דטרמיניסטיות מחייבת פיתוח כלים פנימיים ושימוש בשיטות כמו LLM as a Judge, תוך צמצום דרגות חופש במדידה. · בניית דאטה-סטים איכותיים ורלוונטיים עבור מערכות AI בסביבות רגישות היא אתגר מהותי בפני עצמו, שכן לא ניתן להשתמש במידע לקוחות ישיר.
לניתוח המלא של הפרק ←הדפדפן שלך אינו תומך בנגן השמע.
בינה מלאכותית בפרודקשן: מציאות מול דמיון [עושים תוכנה]
23 בפברואר 202641 דק׳
אמ;לקסיכום הפרק
הפרק עוסק בסקירה של שנת 2025 בעולם הבינה המלאכותית ובמגמות הצפויות לשנת 2026. עמית בן דור מארח את אורי אליה בייב, יועץ AI ומייסד קהילת MDLI, כדי לדון בהתפתחויות כגון הבשלת מודלים חושבים וסוכנים, צמיחת הקוד הפתוח ועליית חשיבות ה-inference על פני אימון המודלים. הם מדגישים את ההתקדמות במודלים המותאמים יותר ובאפשרותם להשתמש בכלים חיצוניים. לשנה הקרובה, הצפי הוא שסוכני AI יחלו לצאת מנישת המפתחים וישפיעו על קהלים רחבים יותר.
קראו עוד ▾הציגו פחות ▴
- שילוב פילוסופיה בודהיסטית בעולם העסקים יכול להוביל להצלחה כלכלית ולרווחה אישית, על פי עורך הדין רון גזית.
- שנת 2025 הייתה שנה מכרעת לבינה המלאכותית, עם התבגרות מודלים חושבים, התחזקות משמעותית של סוכני AI, ועלייה במודלי קוד פתוח.
- הדגש בתעשיית ה-AI עבר מאימון (training) מודלים להרצתם באופן יעיל (inference), מה שהוכח ברכישת גורוק על ידי אנבידיה בסכום של 20 מיליארד דולר.
- תהליכי אימון המודלים מתמקדים יותר בחיזוק (reinforcement) ופחות באימון מקדים מסיבי, מה שמוביל למודלים מותאמים ויעילים יותר במתן מענה.
- צפוי כי בשנת 2026 סוכני AI יצאו מנישת המפתחים ויגיעו לקהל רחב יותר, כאשר היכולת שלהם להשתמש בכלים חיצוניים ולבצע קריאות API נחשבת למשמעותית ביותר.
- הקהילה הטכנית הישראלית בתחום ה-AI, MDLI (Machine and Deploying Israel), כוללת כ-50 אלף איש ומהווה מרכז ידע ופעילות למפתחים, חוקרים ומהנדסים בתחום.
ש&תשאלות ותשובות מהפרק
▾על מה הפרק הזה?
הפרק עוסק בסקירה של שנת 2025 בעולם הבינה המלאכותית ובמגמות הצפויות לשנת 2026. עמית בן דור מארח את אורי אליה בייב, יועץ AI ומייסד קהילת MDLI, כדי לדון בהתפתחויות כגון הבשלת מודלים חושבים וסוכנים, צמיחת הקוד הפתוח ועליית חשיבות ה-inference על פני אימון המודלים. הם מדגישים את ההתקדמות במודלים המותאמים יותר ובאפשרותם להשתמש בכלים חיצוניים. לשנה הקרובה, הצפי הוא שסוכני AI יחלו לצאת מנישת המפתחים וישפיעו על קהלים רחבים יותר.
▾מהן התובנות המרכזיות מהפרק?
שילוב פילוסופיה בודהיסטית בעולם העסקים יכול להוביל להצלחה כלכלית ולרווחה אישית, על פי עורך הדין רון גזית. · שנת 2025 הייתה שנה מכרעת לבינה המלאכותית, עם התבגרות מודלים חושבים, התחזקות משמעותית של סוכני AI, ועלייה במודלי קוד פתוח. · הדגש בתעשיית ה-AI עבר מאימון (training) מודלים להרצתם באופן יעיל (inference), מה שהוכח ברכישת גורוק על ידי אנבידיה בסכום של 20 מיליארד דולר. · תהליכי אימון המודלים מתמקדים יותר בחיזוק (reinforcement) ופחות באימון מקדים מסיבי, מה שמוביל למודלים מותאמים ויעילים יותר במתן מענה. · צפוי כי בשנת 2026 סוכני AI יצאו מנישת המפתחים ויגיעו לקהל רחב יותר, כאשר היכולת שלהם להשתמש בכלים חיצוניים ולבצע קריאות API נחשבת למשמעותית ביותר. · הקהילה הטכנית הישראלית בתחום ה-AI, MDLI (Machine and Deploying Israel), כוללת כ-50 אלף איש ומהווה מרכז ידע ופעילות למפתחים, חוקרים ומהנדסים בתחום.
לניתוח המלא של הפרק ←הדפדפן שלך אינו תומך בנגן השמע.
בינה מלאכותית 2026. מה מצפה לנו? [עושים תוכנה]
9 בפברואר 202644 דק׳
אמ;לקסיכום הפרק
בפרק זה של 'עושים תוכנה', עמית בנדור מארח את עידן לשיחה על קלוד קוד, כלי CLI מהפכני שמשנה את עולם הפיתוח. עידן, CTO בחברת סלד איי, משתף מניסיונו העשיר בבניית פלטפורמות מבוססות אייג'נטים ואיך זה מתחבר לעבודה עם קלוד קוד. הפרק מכסה את מהותו של קלוד קוד, את היתרונות שלו על פני סביבות פיתוח מסורתיות, ודן במושגי מפתח כמו MCP וסקילים, ומעניק האזנה בעלת ערך למפתחים וטכנולוגים המעוניינים להבין לעומק את הכלים החדשים בתחום ה-AI בפיתוח.
קראו עוד ▾הציגו פחות ▴
- קלוד קוד התחיל כפיתוח פנימי והפך לכלי פופולרי שמשנה את עולם הפיתוח, בהיותו כלי CLI המבוסס על מודלי אופוס וסונט.
- ייחודו של קלוד קוד הוא בגישה שלו לעבודה עם 'בש טולס' (כלי שורת פקודה בסיסיים) להבנת קודבייס ומשימות, בניגוד לחיפוש סמנטי בקוד.
- עידן, CTO בסלד איי, בנה פלטפורמה שלמה מבוססת אייג'נטים למכרזים עסקיים, כולל התאמה, הערכה וכתיבת מכרזים אוטומטית, מה שמדגים את הפוטנציאל הרחב של אייג'נטים מעבר לכתיבת קוד.
- MCP (Multi-Agent Communication Protocol) הוא שכבת קישור בין API למודלי שפה, המאפשרת למודל לבצע פעולות דרך API, והוא עובר אופטימיזציה מתמדת כמו 'progressive disclosure' וכעת כבר אינו נטען כברירת מחדל בקונטקסט של קלוד קוד.
- 'סקיל' בקלוד קוד הוא יחידה האורזת מומחיות, תוכן וזרימת עבודה לתוכה, וכוללת קבצי מקדאון וסקריפטים, והוכח כיעיל יותר ממתן שאילתות גנריות למודלים.
ש&תשאלות ותשובות מהפרק
▾על מה הפרק הזה?
בפרק זה של 'עושים תוכנה', עמית בנדור מארח את עידן לשיחה על קלוד קוד, כלי CLI מהפכני שמשנה את עולם הפיתוח. עידן, CTO בחברת סלד איי, משתף מניסיונו העשיר בבניית פלטפורמות מבוססות אייג'נטים ואיך זה מתחבר לעבודה עם קלוד קוד. הפרק מכסה את מהותו של קלוד קוד, את היתרונות שלו על פני סביבות פיתוח מסורתיות, ודן במושגי מפתח כמו MCP וסקילים, ומעניק האזנה בעלת ערך למפתחים וטכנולוגים המעוניינים להבין לעומק את הכלים החדשים בתחום ה-AI בפיתוח.
▾מהן התובנות המרכזיות מהפרק?
קלוד קוד התחיל כפיתוח פנימי והפך לכלי פופולרי שמשנה את עולם הפיתוח, בהיותו כלי CLI המבוסס על מודלי אופוס וסונט. · ייחודו של קלוד קוד הוא בגישה שלו לעבודה עם 'בש טולס' (כלי שורת פקודה בסיסיים) להבנת קודבייס ומשימות, בניגוד לחיפוש סמנטי בקוד. · עידן, CTO בסלד איי, בנה פלטפורמה שלמה מבוססת אייג'נטים למכרזים עסקיים, כולל התאמה, הערכה וכתיבת מכרזים אוטומטית, מה שמדגים את הפוטנציאל הרחב של אייג'נטים מעבר לכתיבת קוד. · MCP (Multi-Agent Communication Protocol) הוא שכבת קישור בין API למודלי שפה, המאפשרת למודל לבצע פעולות דרך API, והוא עובר אופטימיזציה מתמדת כמו 'progressive disclosure' וכעת כבר אינו נטען כברירת מחדל בקונטקסט של קלוד קוד. · 'סקיל' בקלוד קוד הוא יחידה האורזת מומחיות, תוכן וזרימת עבודה לתוכה, וכוללת קבצי מקדאון וסקריפטים, והוכח כיעיל יותר ממתן שאילתות גנריות למודלים.
לניתוח המלא של הפרק ←הדפדפן שלך אינו תומך בנגן השמע.
קלוד קוד [עושים תוכנה]
26 בינואר 202651 דק׳
אמ;לקסיכום הפרק
שיחה עם עידן בניון שעושה סדר ב-Claude Code - הכלי שהתפוצץ בתוך Anthropic ויצא לעולם. נדון מהמושגים הבסיסיים כמו Skills ו-Hooks, דרך ההגדרות שעושות את ההבדל, ועד ה-Workflow האישי שלו וטיפים שכנראה לא הכרתם. מתאים למפתחים שרוצים להעמיק ב-Claude Code.
קראו עוד ▾הציגו פחות ▴
- מושגי היסוד של Claude Code - Skills ו-Hooks - וההגדרות שעושות את ההבדל
ש&תשאלות ותשובות מהפרק
▾על מה הפרק הזה?
שיחה עם עידן בניון שעושה סדר ב-Claude Code - הכלי שהתפוצץ בתוך Anthropic ויצא לעולם. נדון מהמושגים הבסיסיים כמו Skills ו-Hooks, דרך ההגדרות שעושות את ההבדל, ועד ה-Workflow האישי שלו וטיפים שכנראה לא הכרתם. מתאים למפתחים שרוצים להעמיק ב-Claude Code.
▾מהן התובנות המרכזיות מהפרק?
מושגי היסוד של Claude Code - Skills ו-Hooks - וההגדרות שעושות את ההבדל
הדפדפן שלך אינו תומך בנגן השמע.
Manager README [עושים תוכנה]
12 בינואר 202639 דק׳
איך הקומפיילר הפך לאויב שלנו [עושים תוכנה]
29 בדצמבר 202542 דק׳
React2Shell [עושים תוכנה]
16 בדצמבר 202528 דק׳