דבר המרצה

מעבר לפילוסופיה של המידע והבינה

מחשבות על הבינה מלאכותית

הבינה המלאכותית הוא מושג ריזומטי רחב היקף שמשיק לכל דיסיפלינה: המדעיות, אקדמיות, האינטלקטואליות, טכנולוגיות, העיסקיות, הפילוסופיה והפסיכולוגיה. הוא אובייקט אפלטוני שבהתגלמויתיו יכול לשמש לפתור בעיות רבות: פסיכו-לינגויסטיות, כלכליות ועוד. בעזרת מימושים טכנולוגים, ארכיטקטים חישוביים של רשתות נוירונים, מתכנתים, מדעני מידע, מומחי למידת מכונה, מומחי ענן ותשתיות שאמונים על אימון מודל שפה, עיבוד תמונה, וידאו, ביו אינפורמטיקה. הוא קשור גם לפיזיקה הקוואנטית: לחוקרים קוונטים שבודקים את הקשר של חיזוי למחשבים קוונטים.

תחילת הדרך של הבינה מלאכותית

אך לא הכל פתור, הבינה מלאכותית הכללית עדין לא הושגה, והיא עדין לא הוכיחה את עצמה מבצעת תחזיות של ברבורים שחורים בשווקים הבינלאומיים. מודלי שפה סובלים מאפליה מגדרית , הזיות סטטיסטיות, וביקורת של מבקרי אתיקה. חברות חד-קרן של אבטחת מידע עוד טרם פתרו עולם חדש של פרצות אבטחה, עודן נבוכות אל מול הטמעת בינה מלאכותית בארגונים עם אלפי עובדים וריבוי סוכנים. בעיות עסקיות רבות בתחומי רבים ושונים עוד טרם באו על פתרונן. דיסיפלינות חדשות שלא הומשגו עדין ממתינות שימשיגו אותן: מודלי זיכרון של סוכני בינה מלאכותית שיושבים בענן מבוזר ומבוססים על תאוריה נוירו-קוגנטיבית, מודלים של עיבוד מפות, תצלומי לווין ומצלמות במעגל סגור משמשים בלוחמה אלקטרונית ומשמשים גופי ביון.

Programming Languages: PYTHON
Machine Learning & Deep Learning Frameworks: ספריות וכלים לפיתוח מודלי למידה (לדוגמה, TensorFlow, PyTorch, Keras).
NLP Tools & Libraries: כלים לעיבוד שפה טבעית (לדוגמה, Hugging Face Transformers, NLTK, SpaCy).
Computer Vision Libraries: ספריות לראייה ממוחשבת (לדוגמה, OpenCV, Pillow).
Generative AI (GenAI) & LLM APIs: שימוש במודלים יצירתיים ובממשקי API של מודלי שפה גדולים (לדוגמה, OpenAI API, Google Gemini API, Anthropic Claude API).
Vector Databases: מסדי נתונים מיוחדים לאחסון וחיפוש יעיל של וקטורים (לדוגמה, Pinecone, Weaviate, Milvus).
RAG (Retrieval-Augmented Generation): ארכיטקטורות המשלבות אחזור מידע עם מודלי GenAI לשיפור רלוונטיות.
Agentic AI Frameworks: כלים לבניית סוכני AI (לדוגמה, LangChain, LangGraph, AutoGen).
Cloud AI Services: שירותי AI מוכנים לשימוש בענן (לדוגמה, Google Vertex AI, AWS AI Services, Azure AI Services).
Orchestration Tools: ניהול ופריסת קונטיינרים בקנה מידה (לדוגמה, Kubernetes).
ML Pipeline Orchestration: כלים לבניית ואוטומציה של צינורות עבודה של ML (לדוגמה, Kubeflow, MLflow, Apache Airflow, TFX).
Model Serving Frameworks: שרתי מודלים (לדוגמה, TensorFlow Serving, TorchServe, FastAPI).
Monitoring Tools: כלים לניטור ביצועי מודלים ותשתיות (לדוגמה, Prometheus, Grafana, Datadog, SageMaker Model Monitor).
Cloud Platforms: סביבות ענן וכלים ייעודיים ל-MLOps (AWS, Azure, GCP).
Machine Learning Libraries: ספריות לבניית מודלי למידת מכונה (לדוגמה, Scikit-learn, TensorFlow, PyTorch, Keras).
Deep Learning Frameworks: ספריות וכלים ללמידה עמוקה (לדוגמה, TensorFlow, PyTorch).
Data Manipulation & Analysis Libraries: ספריות לעיבוד וניתוח נתונים (לדוגמה, Pandas, NumPy).
Data Visualization Tools: כלים ליצירת הדמיות נתונים (לדוגמה, Matplotlib, Seaborn, Plotly, Tableau, Power BI).
Jupyter Notebooks: סביבת עבודה אינטראקטיבית לפיתוח ובדיקת קוד.
Cloud Platforms: שימוש בשירותי למידת מכונה בענן (AWS Sagemaker, Azure Machine Learning, Google AI Platform).

בינה ומדעי החברה

הפסיכולוגיה, הפילוסופיה וביקורת התבונה של הבינה מלאכותית

הפסיכולוגיה של מודלי שפה גדולים LLMs

טכניקות מתקדמות להנדסת פרומפטים כדי להוציא את המקסימום מLLM

מעבר לעיקרון הפרומפטים
שימוש במשחקי-תפקידים וטכניקות מתקדמות
הפסיכואנליזה של מודלי שפה

הפילוסופיה של הבינה מלאכותית

לאנשי רוח ומדעי החברה

הפילוסופיה של מושג ה EMBEDDING
הפסיכולוגיה של ה LLM
על הזיכרון של סוכני בינה מלאכותית
ביקורת על האתיקה של הבינה מלאכותית
הגל ובינה מלאכותית
גוטלוב פרגה ובינה מלאכותית

חשיבה ביקורתית על בינה מלאכותית

על הקשר בין מגדר, שפה, תחביר, ספרות ועיבוד שפה טבעית

ביקורת ספרות בעולם של genAI

פוסט פוסט-מודרניזם ופוסט-אמת

גוטלוב פרגה

העבודה של פרגה על החלוקה בין משמעות ומשמע במיוחד רלוונטית להבנת האתגרים של מודלי שפה גדולים - הם מצוינים ביצירת תוכן עם משמעות לשונית ברורה, אך הקשר שלהם למציאות (המשמע) לא תמיד מובטח.

הצטרף כמנוי

בונוס קורסים על הפילוסופיה של הבינה מלאכותית

שיעורים משלימים לבעלי ידע קודם

מבין כבר בבינה מלאכותית? בואו להעשיר את הידע עוד!

שיעורים משלימים

ניתן להצטרף גם לשיעורים בודדים להשלמת הידע

טכניקות מתקדמות להנדסת פרומפטים כדי להוציא את המקסימום מLLM
הכנת פרומפטים ב JSON,YAML, TEMPLATES ועוד
שימוש במשחקי-תפקידים וטכניקות מתקדמות
הטמעת תסריטי שיחה בשילוב RAG
CONTEXT Engineering הנדסת הקשר
MCP & FastAPI
AI & Cybersecurity האבטחת מידע של הבינה מלאכותית (פיתוח GuardRails)

מבוא ל AGENTIC RAG

לאנשים טכניים עם ידע בפייתון.

מימוש ארכיטקטורות AGENTIC AI
מימוש RAG מתקדם מול בסיסי נתונים
סביבות מרובות סוכנים

קורס Machine Learning Operations (MLOPS)

איך לאמן מודל מאפס

תשתיות ללמידת מכונה
בניית DATA PIPELINE
אימון מודלים עם SAGEMAKER / VERTEX AI
הגשת של מודלים (Deploy & Serve)

קורס לאנשי ביטחון

איזה מקום מקבל ה AI בתעשייה הבטחונית?

עוד פרטים

קבל גישה לכל התכנים הצטרפו כמנוי

הסבת מקצוע למקצועות ה AI

מגוון שיעוריםלמקצועות הבינה מלאכותית

השיעורים שלנו עיניינים, קצרים, קולעים ויתנו לך ידע פרקטי במימוש טכניקות מתקדמות בבינה מלאכותית. בסיום הקורס תוכל לגשת לראיונות עבודה

AI Engineer | הנדסת בינה מלאכותית

תפקידו של מהנדס AI הוא תפקיד רחב המתמקד בתכנון, פיתוח ויישום מערכות בינה מלאכותית (AI) באופן כללי, מעבר למודלי למידת מכונה בלבד. בעוד שלמידת מכונה מהווה חלק מרכזי ב-AI, מהנדס AI עשוי לעסוק גם בתחומים נוספים של בינה מלאכותית. אחריות התפקיד כוללת:

פיתוח מודלי AI: תכנון, אימון ויישום מודלי AI מגוונים, לרבות למידת מכונה (Machine Learning), למידה עמוקה (Deep Learning), עיבוד שפה טבעית (NLP), ראייה ממוחשבת (Computer Vision), מערכות מבוססות חוקים, רובוטיקה ועוד.
שילוב AI במוצרים: הטמעת יכולות AI ביישומי תוכנה קיימים או פיתוח יישומים חדשים המבוססים על AI. זה כולל בניית ממשקי API עבור מודלים ופיתוח לוגיקה עסקית סביבם.
חקר ופיתוח: חקר טכנולוגיות AI חדשות והתנסות בהן, במטרה למצוא פתרונות חדשניים לבעיות עסקיות מורכבות.
טיפול בנתונים: עבודה עם כמויות גדולות של נתונים, לרבות איסוף, ניקוי, עיבוד והכנתם לשימוש במודלי AI.
אופטימיזציה: אופטימיזציה של ביצועי מודלי AI, הן מבחינת מהירות והן מבחינת דיוק, והתאמתם לדרישות ספציפיות.

מהנדס AI הוא לרוב בעל ראייה רחבה של מערכות AI מקצה לקצה, החל מהבנת הבעיה העסקית ועד לשילוב הפתרון מבוסס ה-AI במוצר הסופי. הוא מתמקד באופן שבו ניתן לגרום למכונות לחקות יכולות אנושיות ולפתור בעיות מורכבות.

צללו לעומק עולם הבינה המלאכותית ובנו מערכות חכמות מקצה לקצה. בקורס זה תרכשו ידע וכלים לתכנון, פיתוח ויישום של פתרונות AI חדשניים, החל מלמידת מכונה וראייה ממוחשבת ועד עיבוד שפה טבעית.

Vector Databases
RAG
Agentic AI
genAI (LLM API Calls)
LangChain
Lang-Graph

MLOPS Engineer | הנדסת למידת מכונה

מהנדס MLOps (Machine Learning Operations Engineer) משמש כגשר קריטי בין פיתוח מודלי למידת מכונה לבין הפעלתם והתחזוקה שלהם בסביבת ייצור (Production). תפקידו דומה במהותו למה שמהנדס DevOps עושה בתחום פיתוח התוכנה, אך מותאם באופן ספציפי לעולם למידת המכונה.

האחריות העיקרית של מהנדס MLOps כוללת:

אוטומציה של צינורות עבודה (Pipelines): בנייה ותחזוקה של צינורות עבודה אוטומטיים עבור אימון, הערכה, פריסה (Deployment) וניטור של מודלי למידת מכונה.
פריסת (Deployment) מודלים: הבטחת פריסה מהירה ויעילה של מודלים בסביבת ייצור, לרוב באמצעות כלים כמו Docker ו-Kubernetes.
ניטור וניהול מודלים: מעקב רציף אחר ביצועי המודלים בסביבת הייצור (לדוגמה, דיוק, סחיפת נתונים, סחיפת מודלים). זה כולל הגדרת התראות ותהליכי אימון מחדש אוטומטיים (Retraining) לפי הצורך, כדי להבטיח שהמודלים פועלים כמצופה.
תשתית (Infrastructure): הקמה ותחזוקה של התשתית הדרושה לתמיכה במודלי למידת מכונה בקנה מידה גדול, כולל ניהול גרסאות של קוד, נתונים ומודלים.
שיתוף פעולה: עבודה צמודה עם מדעני נתונים (Data Scientists) ומהנדסי למידת מכונה (ML Engineers) כדי לוודא שהמודלים שהם מפתחים מוכנים ומותאמים לסביבת הייצור.

הפכו למומחים בהשמה וניהול של מודלי למידת מכונה בסביבת ייצור. תלמדו איך לבנות צינורות עבודה אוטומטיים, לנטר ביצועי מודלים בזמן אמת ולהבטיח תפעול שוטף, אמין ויעיל של מערכות AI מורכבות.

AWS SageMaker
GCP VerexAI
Feature Store
ML CI/CD
AirFlow
ModelOps

מדען נתונים (Data Scientist)

תפקיד מדען הנתונים (Data Scientist) הוא ליצור תובנות ותחזיות מתוך כמויות גדולות ומורכבות של נתונים (Big Data). מדען נתונים משלב ידע רב-תחומי במתמטיקה, סטטיסטיקה, מדעי המחשב וידע עסקי מעמיק כדי לנתח נתונים גולמיים ולהפוך אותם לתובנות בעלות ערך.

הוא משתמש בכלים ובטכניקות מתקדמות כמו למידת מכונה (Machine Learning), בינה מלאכותית (AI) והדמיית נתונים (Data Visualization). באמצעות כלים אלו, מדען הנתונים מזהה דפוסים, בונה מודלים לחיזוי מגמות עתידיות ומסייע בקבלת החלטות מושכלות ומבוססות נתונים.

הצטרפו לחוד החנית של ניתוח הנתונים. תלמדו איך להפוך כמויות אדירות של מידע לתובנות עסקיות מבריקות, לבנות מודלים סטטיסטיים ולחזות מגמות עתידיות. אם אתם אוהבים לפתור בעיות מורכבות בעזרת נתונים, זה המקום בשבילכם.

Python
Pandas
NumPy
JupyerNotebooks
Tensorflow
XGBoost
Transformers

Data Ops | מבצעיי מידע

תפקיד Data Ops (או מהנדס נתונים / Data Engineer) מתמקד בתכנון, בנייה ותחזוקה של התשתית המאפשרת את זרימת ואחסון הנתונים בארגון. מטרתו העיקרית היא להבטיח שהנתונים יהיו זמינים, נקיים ומאורגנים עבור מדעני נתונים ואנליסטים.

מהנדס הנתונים יוצר ומתחזק צינורות נתונים (Data Pipelines) המאפשרים איסוף, טרנספורמציה (עיבוד וניקוי) וטעינה של נתונים ממקורות מגוונים. נתונים אלו מועברים למערכות אחסון מרכזיות כמו מחסני נתונים (Data Warehouses) או אגמי נתונים (Data Lakes).

בפועל, מהנדס הנתונים מכין את "חומר הגלם" הנדרש, מארגן אותו ומכשיר אותו לשימוש. עבודה זו חיונית כדי לאפשר למדעני הנתונים לעבד את המידע ביעילות ולהפיק ממנו תובנות עסקיות משמעותיות.

באקדמיה לבינה מלאכותית, אנחנו מכשירים את הדור הבא של מהנדסי הנתונים בגישת DataOps, תוך התמקדות בסביבות ענן מובילות כמו Google Cloud Platform (GCP) ו-Amazon Web Services (AWS). הקורס המעשי והממוקד שלנו מצייד אתכם בידע ובכלים לבנות צינורות נתונים (Data Pipelines) חזקים, סקלאביליים ואוטומטיים, המותאמים לדרישות השוק העדכניות ביות

GCP DATAPROC
StepFunctions
Python
Airflow
PySpark

האקדמיה הישראלית לAI

האקדמיה הישראלית | לבינה מלאכותית

דבר המרצה

מעבר לפילוסופיה של המידע והבינה

מחשבות על הבינה מלאכותית

תחילת הדרך של הבינה מלאכותית

קצת עלינו