One Table, 100 Words || בכל פגישה שנכחתי בה בשנה האחרונה מישהו אמר משפט כמו ״נחבר את זה ב-RAG ונוסיף Guardrails למערכת״. לא כולם מבינים אבל חצי מהחדר מהנהן.
השפה בעיני היא הרבה יותר מקישוט. בלי המילים הנכונות וההבנה שלהן אי אפשר באמת להשתתף בדיון. כשיודעים מה זה חלון הקשר אפשר להסביר למה הפרויקט נתקע, ובלי זה מקבלים הסבר טכני ויוצאים מהפגישה בלי החלטה.
לכן אספתי כאן מאה מושגים, מסודרים לפי האלפבית מ-A ועד Z בטבלה אחת. בלי הגדרות מילוניות ובלי הסברים לאנשי פיתוח. מה כל מושג אומר ולמה אכפת לנו ממנו בעבודה. מושג מצד אחד, הסבר בעברית מצד שני, וזהו.
איך קוראים את המילון 🧠
לכל מושג יש תגית אחת, והיא הדעה שלי ולא הגדרה:
🧠 מושג יסוד: בלי זה אי אפשר להשתתף בשיחה. זה הגרעין הקשה.
⚡ מושג עכשווי: נכנס לחדר בשנה האחרונה, ולהכיר אותו זה מה שהופך אותנו לרלוונטיים ומעודכנים להיום.
🚩 מילה שמוכרים איתה: מושג אמיתי שהפך לכלי שיווקי. כדאי להכיר אותו.
מושג בלי תגית טוב להכיר, ואפשר לחיות בלעדיו ביום יום.
AGENTAGIALIGNMENTATTENTIONBIASCHAIN OF THOUGHTCOMPUTER USECONTEXT WINDOWDEEP LEARNINGDEEPFAKEDISTILLATIONEMERGENT ABILITIESFEW-SHOTAGENTAGIALIGNMENTATTENTIONBIASCHAIN OF THOUGHTCOMPUTER USECONTEXT WINDOWDEEP LEARNINGDEEPFAKEDISTILLATIONEMERGENT ABILITIESFEW-SHOT
AGENTIC WORKFLOWAI SLOPAPIBENCHMARKBLACK BOXCHIPCONTEXT ENGINEERINGDATA CENTERDEEP RESEARCHDIFFUSIONEMBEDDINGEVALSFINE-TUNINGAGENTIC WORKFLOWAI SLOPAPIBENCHMARKBLACK BOXCHIPCONTEXT ENGINEERINGDATA CENTERDEEP RESEARCHDIFFUSIONEMBEDDINGEVALSFINE-TUNING
מאה המושגים בטבלה אחת 🧠
| A | |
| Agent⚡ | מודל שמקבל משימה ומבצע אותה: מתכנן צעדים, מפעיל כלים, בודק את עצמו וחוזר. עוזר עונה לשאלה, ולבסוף- מחזיר תוצר. |
| Agentic Workflow⚡ | פירוק משימה לשרשרת צעדים שהמודל מריץ לבד מההתחלה עד הסוף. כאן הבינה המלאכותית מפסיקה להיות משהו קטן בציר העבודה שלכם- ומתחילה להיות תשתית של עבודה. |
| AGI🚩 | מכונה שיודעת לעשות כל דבר שאדם יודע לעשות. אף אחד לא מסכים מה זה בדיוק, ואף אחד לא יודע מתי. זו מילה המשמשת בעיקר להרשים, ובדרך כלל עומד מאחורי ההכרזה גיוס כסף או מוצר למכור. אבל קחו בחשבון שזו רק דעתי, יש שיחלקו עלי! |
| AI Slop⚡ | תוכן גנרי שמיוצר בהמונים בלי מחשבה ומציף את הרשת. לכלים כבר יש לכולם גישה. מה שמבדל זה השיפוט של מי שמפעיל אותם. תזכרו, זה הדבר החשוב ביותר בתוך הפוסט הזה- אל תגידו אנשים בלופ של הבינה המלאכותית, תגידו בינה מלאכותית בלופ של האנשים. |
| Alignment🧠 | לגרום למודל לעשות מה שהתכוונו, ולא רק מה שאמרנו במילים. בסוף זו שאלה של אמון, לא רק של טכנולוגיה. |
| API🧠 | הדלת שדרכה תוכנה אחרת מדברת עם המודל בלי בן אדם באמצע. כשמישהו אומר ״נחבר את זה למערכות שלנו״, הוא מדבר בדיוק על זה. |
| Attention🧠 | המנגנון שבזכותו המודל יודע אילו מילים במשפט קשורות לאילו. הוא הוצג במאמר מ-2017 בשם Attention Is All You Need, וכל מודל שפה יושב עליו מאז. |
| B | |
| Benchmark🧠 | מבחן סטנדרטי שמודלים נבחנים בו ומדורגים לפיו. טוב להשוואה גסה, מטעה כשמצטטים אותו בהכרזה. |
| Bias🧠 | עיוות שהמודל למד מהדאטה שעליו אומן. לדוגמא- אם רוב התמונות של ״מנכ״ל״ שהוא ראה היו גברים בחליפה, זה מה שהוא יצייר לקמפיין שלנו. |
| Black Box🧠 | אנחנו יודעים מה נכנס ומה יוצא, ולא מה קרה באמצע. |
| C | |
| Chain of Thought🧠 | לבקש מהמודל לפרק את הדרך לתשובה במקום לירות תשובה מיד. הדרך הזולה ביותר להעלות דיוק במשימות הגיון, וזו גם דרך לראות איפה הוא טעה. |
| Chip🧠 | החומרה הפיזית שמריצה את כל מה שמדובר כאן. כשמדינות נאבקות על שבבים, הריב הוא על מי יוכל בכלל לאמן את המודלים הבאים. |
| Computer Use⚡ | יכולת של מודל להפעיל מסך: ללחוץ, למלא טפסים, לגלול, לצלם. ככה הוא עובד גם במערכות ישנות שאין להן ממשק תכנותי, וחצי מהמערכות שאני נתקלת בהן הן בדיוק כאלה. |
| Context Engineering⚡ | במקום לנסח בקשה יפה, לבנות את כל המידע שהמודל רואה: הכלים, הקבצים, ההיסטוריה וההרשאות. היום זה משפיע על התוצאה יותר מהניסוח. |
| Context Window🧠 | חלון הקשר הוא כמות הטקסט שהמודל מסוגל להחזיק בראש בבת אחת. כשהוא גדול אפשר להכניס מסמכים שלמים במקום לתמצת. וכשהוא מתמלא, איכות התשובות נופלת. |
| D | |
| Data Center🧠 | המבנים הפיזיים שבהם כל זה קורה. צריכת החשמל והמים שלהם הפכה לשיקול אסטרטגי. |
| Deep Learning🧠 | למידה עמוקה היא למידת מכונה עם רשתות של הרבה שכבות. ״עמוק״ זה מספר השכבות ולא עומק המחשבה! |
| Deep Research⚡ | המודל יוצא לסבב חיפושים ארוך, קורא עשרות מקורות ומחזיר דוח מסודר עם הפניות. לוקח דקות במקום שניות. |
| Deepfake🧠 | וידאו או קול מזויף שנראה ונשמע אמיתי. זו כבר לא בעיה של סלבריטאים, תחשבו על זה כך- זו בעיה של מחלקת הכספים שמקבלת הוראת תשלום בקול של המנכ״ל. |
| Diffusion🧠 | השיטה שמאחורי רוב מחוללי התמונה: מתחילים מרעש ומנקים אותו שלב אחר שלב עד שהתמונה מתגלה. לכן תיאור מדויק נותן תוצאה טובה יותר. |
| Distillation🧠 | לאמן מודל קטן לחקות מודל גדול. ככה מקבלים משהו מהיר וזול שמתנהג כמעט כמו הגדול, ובדיוק לכן מחירי ההרצה צונחים כל שנה. פה רק חשוב לציין, שלצד העובדה שמחירי ההרצה יורדים, עלות החזקת בינה מלאכותית היא אסטרונומית- יבוא היום שנצטרך לשלם על השירות הרבה יותר. |
| E | |
| Embedding🧠 | המחשב לא מבין מילים, הוא מבין מספרים. אמבדינג הוא הפיכה של מילה, משפט או תמונה לסדרת מספרים שמתארת את המשמעות שלהם. |
| Emergent Abilities🧠 | דברים שהמודל לא אומן אליהם והתחילו לעבוד לבד בגודל מסוים. אי אפשר לדעת מראש מה הדור הבא יידע, ולכן תוכנית עבודה לשלוש שנים בתחום הזה היא בדיחה. |
| Evals⚡ | מבחנים שאנחנו בונים בעצמנו כדי לבדוק אם המערכת עובדת על המקרים שלנו. זו השאלה הראשונה שאני שואלת בהטמעה, כי בלי זה אי אפשר לדעת אם שינוי שיפר או הרס. |
| F | |
| Few-shot🧠 | לתת למודל שתיים שלוש דוגמאות לתוצר שאנחנו רוצים בתוך הבקשה עצמה. דוגמא אחת טובה שווה יותר מפסקה של הסברים. |
| Fine-tuning🧠 | לאמן מודל קיים על הדאטה שלנו כדי שיאמץ סגנון או תחום. יקר מלחבר מאגר ידע, ולרוב גם לא מה שצריך. אני רואה חברות קופצות לכאן מוקדם מדי, לפני שבדקו אם RAG פשוט היה פותר להן את הבעיה. |
| Foundation Model🧠 | מודל ענק שאומן על כמות עצומה של דאטה ומשמש בסיס להמון שימושים. כולם נוסעים על אותו כביש מהיר, והבידול שלנו הוא מה שאנחנו מעמיסים מעליו. |
| Frontier Model⚡ | המודלים החזקים ביותר שקיימים ברגע נתון. זה המונח שהרגולציה משתמשת בו כדי להחליט על מי להחיל חוקים. |
| G | |
| Generative AI🧠 | בינה מלאכותית גנרטיבית מייצרת תוכן חדש במקום לסווג תוכן קיים. ההבחנה הזו הוציאה את הנושא ממחלקות הדאטה ופתחה אותו לכולם. |
| GPT🧠 | ראשי תיבות של Generative Pre-trained Transformer. זה שם של ארכיטקטורה ולא של מותג, והוא הפך לשם גנרי בדיוק כמו ג׳יפ. |
| GPU🧠 | שבב שנבנה במקור למשחקי מחשב והתברר כמושלם לאימון רשתות נוירונים. מכאן השווי של אנבידיה, ומשם גם תורי ההמתנה שמעכבים פרויקטים. |
| Grounding🧠 | לחייב את המודל להסתמך על מקור אמיתי ולצטט אותו. זו התרופה המעשית להזיות, ובלי זה אי אפשר לגעת בלקוח או ברגולציה. |
| Guardrails🧠 | כללים וחסימות סביב המודל שמונעים תשובות שאסור לו לתת. בדרך כלל זו השכבה שקובעת אם הפרויקט עולה לאוויר או נשאר פיילוט לנצח. |
| H | |
| Hallucination🧠 | הזיה היא רגע שבו המודל ממציא עובדה בביטחון מלא. זה קורה כי הוא מנחש את המילה הבאה, ולכן זה לא ייעלם לגמרי אף פעם (ניחוש שלי). |
| Human in the Loop🧠 | נקודת אישור אנושית בתוך תהליך אוטומטי. זה מה שמכריע אם הפיילוט עובר את ועדת הסיכונים או נסגר. ועל זה תמיד אני אומרת שתפסיקו להגיד את זה- הרבה יותר נכון להפוך את הסדר ולהגיד בינה מלאכותית בלופ! |
| Hyperparameter | ההגדרות של האימון עצמו, כמו קצב הלמידה. זה עולם של מי שמאמן מודלים. מספיק לזהות את המילה ולהמשיך הלאה. |
| I | |
| Image to Image🧠 | להזין תמונה קיימת כנקודת פתיחה במקום לתאר הכל מאפס. ככה שומרים על עקביות ויזואלית, וככה מותג לא מקבל דמות אחרת בכל באנר. |
| Inference🧠 | הרגע שבו המודל עונה. אימון קורה פעם אחת, הרצה קורית מיליוני פעמים. שם נמצאת רוב העלות השוטפת. |
| Instruction Tuning | אימון שמלמד מודל לעקוב אחרי בקשות בשפה רגילה. זה השלב שהפך מנוע השלמת טקסט לעוזר שאפשר לדבר איתו. |
| J | |
| Jailbreak🧠 | ניסוח מתוחכם שגורם למודל לעקוף את הכללים שהוגדרו לו. משחק חתול ועכבר שלא נגמר, ולכן בדיקות אבטחה הן לא אירוע חד פעמי. |
| JSON Mode | לכפות על המודל להחזיר נתונים במבנה קבוע במקום טקסט חופשי. ככה מחברים אותו למערכות. בלי זה יש לנו צ׳אט, וזה הכל. |
| K | |
| Knowledge Cutoff🧠 | התאריך שאחריו המודל לא ראה שום דבר מהעולם. בלי חיבור לרשת הוא יענה בביטחון מלא על מציאות שכבר השתנתה. |
| Knowledge Graph | מפה של ישויות והקשרים ביניהן: לקוח, מוצר, חוזה, אירוע. ככה המודל מקבל את המבנה הפנימי של החברה, ולא ערימת מסמכים. |
| L | |
| Latency🧠 | כמה זמן עובר עד שמתקבלת תשובה. תשובה מהירה מרגישה כמו שיחה, תשובה איטית מרגישה כמו טופס. ההבדל הזה משפיע על אימוץ יותר מאיכות- אבל בעיני צריך דווקא לאהוב שלוקח זמן כי זה אומר שהמודל חושב עמוק וטוב יותר. |
| Latent Space | המפה הפנימית שבה המודל מסדר מושגים לפי דמיון ביניהם. שם קורה הקסם של ״תעשה לי את זה בסגנון של״, ושם גם נולדות התוצאות המוזרות. |
| LLM🧠 | מודל שאומן על כמויות אדירות של טקסט וחוזה את המילה הבאה. זה הבסיס, וכל השאר בתעשייה הוא שכבות מעליו. |
| LoRA | שיטה זולה ללמד מודל סגנון או דמות ספציפית בלי לאמן אותו מחדש. פופולרית מאוד בעולם התמונה, וזו הדרך המעשית לקבל דמות מותג עקבית. |
| M | |
| Machine Learning🧠 | למידת מכונה היא לימוד דפוסים מתוך דאטה במקום כתיבת חוקים מראש. זו המטריה הרחבה שמתחתיה יושב כל מה שמופיע כאן. |
| MCP⚡ | תקן פתוח שמחבר מודלים לכלים ולמקורות מידע. פעם כל חיבור היה פרויקט אינטגרציה, היום זה תקע אחיד. אם יש מושג אחד שקיצר לי לוחות זמנים בפרויקטים, זה הוא. |
| Memory⚡ | יכולת של המערכת לשמור מה שהיא למדה עלינו ולהשתמש בזה בשיחות הבאות. ככה כלי הופך לעמית שמכיר את העבודה שלנו, ולא צריך להסביר מאפס בכל בוקר. |
| Mixture of Experts | ארכיטקטורה שמפעילה רק חלק מהמודל בכל שאלה. ככה מקבלים מודל ענק במחיר הרצה של מודל קטן. |
| Multi-agent⚡ | כמה סוכנים שעובדים במקביל על חלקים שונים ומרכיבים תוצר אחד. השאלה כאן היא ארגונית לפני שהיא טכנית: מי מתכלל, מי מבצע, ומי מאשר. |
| Multimodal🧠 | מודל שמבין טקסט, תמונה, קול ווידאו יחד באותה שיחה. היכולת להראות משהו במקום לתאר אותו מקצרת תהליכי בריף בצורה דרמטית. |
| N | |
| Narrow AI🧠 | מערכת שמצטיינת במשימה אחת ויחידה. כמעט כל מה שפועל היום בעולם האמיתי הוא זה, ולא מה שמראים בסרטים. |
| Neural Network🧠 | רשת נוירונים היא מבנה חישובי שנבנה בהשראה רופפת של המוח. ההשראה באמת רופפת, וכדאי לזכור את זה כשמישהו מסביר שהמכונה ״חושבת כמונו״. |
| NLP🧠 | התחום שעוסק בהבנת שפה אנושית על ידי מכונה. היום הוא כמעט נבלע בתוך מודלי שפה, אבל המונח עדיין חי בכל מסמך רכש. |
| O | |
| Open Weights⚡ | מודל שאפשר להוריד ולהריץ על שרת פרטי. זה לא בדיוק קוד פתוח, וזה מה שמאפשר להשאיר דאטה רגיש בתוך הבית. |
| Orchestration⚡ | השכבה שמחליטה איזה מודל, איזה כלי ובאיזה סדר. אני חושבת שכאן נמצא הנכס האמיתי, כי בחירת המודל מתהפכת כל חצי שנה והתזמור נשאר. |
| Overfitting🧠 | המודל שינן את נתוני האימון ונכשל דווקא במקרה חדש, בדיוק כמו תלמיד ששינן את המבחן הקודם. ככה קורה שפיילוט לא מצליח בגדול. |
| P | |
| Parameters🧠 | מספר המשקולות במודל, נמדד במיליארדים. יותר לא אומר טוב יותר. ב-2026 זה כבר לא המדד שמעניין אף אחד. |
| Pre-training🧠 | שלב הלמידה הענק על טקסט מהעולם, לפני כל התמחות. שם נבנה כל הידע הכללי, ומשם מגיעות רוב התביעות על זכויות יוצרים. |
| Prompt🧠 | הבקשה שאנחנו מנסחים למודל. המושג היחיד כאן שכולם בטוחים שהם מבינים, ובפועל רובם עדיין כותבים משפט אחד- במילים פשוטות זה הבריף, וככל שהוא מדויק יותר ועם קונטקסט כך התשובה תהיה הרבה יותר טובה. |
| Prompt Engineering🧠 | לבנות בקשות בצורה שיטתית: תפקיד, הקשר, דוגמאות ופורמט פלט. עדיין עובד מצוין, והיום זה חלק אחד מהנדסת ההקשר. |
| Prompt Injection⚡ | מישהו מחביא הוראה זדונית בתוך מסמך או אתר שהסוכן קורא. לדעתי זה הסיכון שיעצור הכי הרבה פרויקטים בשנה הקרובה. סוכן שקורא מייל חיצוני הוא פתח תקיפה. |
| Q | |
| Quantization | כיווץ המודל לדיוק מספרי נמוך יותר כדי שירוץ מהר וזול. ככה מודל נכנס לתוך טלפון ועובד בלי חיבור לענן. |
| Query | הבקשה שנשלחת למערכת חיפוש או למסד נתונים. פרומפט נשלח למודל, שאילתה נשלחת למאגר. לא אותו דבר. |
| R | |
| RAG🧠 | לחבר מודל למאגר הידע שלנו כדי שיענה מהמסמכים שלנו ולא מהזיכרון שלו. זו הארכיטקטורה הנפוצה ביותר, ובדרך כלל התשובה הנכונה לפני שקופצים לאימון. |
| Reasoning Model⚡ | מודל שלוקח זמן לחשוב לפני שהוא עונה. איטי יותר ויקר יותר, וטוב בהרבה בבעיות מורכבות. לא כל משימה מצדיקה אותו. |
| Red Teaming🧠 | לתקוף את המערכת שלנו בכוונה כדי למצוא איפה היא נשברת. עדיף שאנחנו נמצא את זה, ולא עיתונאי או לקוח בפוסט ויראלי. |
| Reinforcement Learning🧠 | למידה דרך ניסוי, פרס ועונש. זו השיטה שהביאה את קפיצת החשיבה של השנתיים האחרונות, אחרי שנים שדיברו רק על גודל. |
| RLHF🧠 | אנשים מדרגים תשובות, והמודל לומד להעדיף את מה שהם אהבו. ככה הוא הופך לנעים וכייף לדבר איתו, ומשם גם הנטייה שלו להחמיא לנו יותר מדי. |
| S | |
| Scaling Laws🧠 | התצפית שיותר דאטה ויותר חישוב משפרים ביצועים בצורה צפויה. על ההימור הזה נבנתה כל התעשייה, וכל הדיון על ״האם הגענו לתקרה״ מתנהל סביבו. |
| Semantic Search🧠 | חיפוש לפי משמעות במקום לפי מילה מדויקת. מוצא את המסמך הנכון גם כשאנחנו מנסחים את זה אחרת לגמרי, וזה לבד מצדיק פרויקט שלם. |
| Skills⚡ | חבילות הוראות וקבצים שמלמדות את המודל לעשות תהליך ספציפי בדרך שלנו. אני בונה סקילים כל הזמן, וזו בעיני הדרך הכי מעשית להפוך ידע של אדם אחד לנכס שאפשר להעביר. |
| Small Language Model⚡ | מודל קומפקטי שרץ מקומית, מהר ובזול. לרוב המשימות הוא יותר מספיק, ולא כל שאלה צריכה את המודל הכי חזק בעולם. |
| Sovereign AI⚡ | התפיסה שמדינה או ארגון צריכים תשתית בינה מלאכותית משלהם. עברה מדיון אקדמי לסעיף תקציב, ומשפיעה ישירות על בחירת ספקים. |
| Stochastic Parrot🚩 | ביקורת שאומרת שהמודל רק מחקה דפוסים בלי להבין כלום. שווה להכיר את הטיעון, וגם לשים לב שהוא מסביר פחות ופחות ממה שאנחנו רואים במו עינינו. |
| Sub-agent⚡ | סוכן שסוכן ראשי מפעיל למשימה מוגדרת ומקבל ממנו תוצאה. ככה מפצלים עבודה גדולה בלי להעמיס הכל על גורם אחד. בדיוק כמו צוות. |
| Synthetic Data🧠 | דאטה שמודל אחד מייצר כדי לאמן מודל אחר. פותר מחסור בדאטה, ויוצר סיכון של מעגל סגור שבו המערכת לומדת רק מעצמה. |
| System Prompt🧠 | ההוראה הקבועה שיושבת מעל כל שיחה וקובעת מי המודל ואיך הוא מתנהג. שם נקבעים הזהות, הטון והגבולות. בעיני זה המסמך הכי חשוב בכל מוצר בינה מלאכותית, וכמעט אף אחד לא מקדיש לו מספיק זמן. |
| T | |
| Temperature🧠 | חוגת האקראיות של המודל. נמוך נותן תשובות עקביות וצפויות, גבוה נותן תשובות מפתיעות. לקופי ולחוזה צריך הגדרות הפוכות. |
| Test-time Compute⚡ | לתת למודל יותר זמן ומשאבים דווקא כשהוא עונה, ולא באימון. זה הציר החדש של שיפור ביצועים, והוא משנה את מבנה העלויות של כל מוצר. |
| Text to Video⚡ | יצירת קטעי וידאו מתוך תיאור כתוב. תוך שנתיים זה עבר מגימיק לכלי שמייצר פרסומות באוויר, וזה נוגע ישירות לתמחור הפקה. |
| Token🧠 | היחידה שהמודל קורא וכותב בה. הוא לא רואה מילים שלמות אלא פיסות: מילה נפוצה תהיה טוקן אחד, מילה ארוכה או מילה בעברית תתפרק לכמה. בממוצע באנגלית טוקן הוא בערך שלושת רבעי מילה, ובעברית פחות, ולכן אותו טקסט בעברית עולה יותר. כל התמחור בתחום נמדד ככה, וזה מה שמכתיב את העלות של המנויים שלנו בסופו של יום. |
| Training Data🧠 | החומר שעליו המודל למד. משם מגיעות גם היכולות וגם רוב ההטיות, וזו גם השאלה הראשונה של כל יועץ משפטי. |
| Transformer🧠 | הארכיטקטורה מ-2017 שמאחורי כמעט כל מודל שפה שאנחנו מכירים. |
| Turing Test🧠 | מבחן היסטורי: האם אדם יבחין שהוא מדבר עם מכונה. כמדד הוא כבר לא רלוונטי, אבל הוא חשוב לכל דיון על מה נחשב הישג. |
| U | |
| Unsupervised Learning🧠 | למידת דפוסים מדאטה בלי תוויות אנושיות. ככה אפשר לאמן על האינטרנט כולו, בלי צבא של אנשים שמתייגים. |
| Upscaling | הגדלת תמונה תוך השלמת פרטים חסרים. זה השלב שבין תוצר מגניב על המסך לבין תוצר שאפשר להדפיס על שלט חוצות. |
| V | |
| Vector Database🧠 | מאגר ששומר ייצוגים וקטוריים ומאפשר לשלוף לפי דמיון במשמעות. זה המנוע מתחת לרוב מערכות האחזור. כשמדברים על ״הידע שלנו״, מדברים עליו. |
| Vibe Coding⚡ | לתאר במילים שלנו מה שרוצים ולתת למודל לכתוב את הקוד. ככה אנשים בלי רקע טכני מעלים מוצרים לאוויר, וככה נולד הצורך במישהו שבודק אותם. |
| Vision Model🧠 | מודל שמנתח תמונות, צילומי מסך ומסמכים סרוקים. מוציא טבלה מתוך צילום מסך בלי להקליד כלום, וזה חוסך שעות ביום. |
| W | |
| Watermarking🧠 | סימן מוסתר בתוכן שנוצר במכונה כדי לאפשר זיהוי מאוחר יותר. עדיף בהרבה על ניחוש לפי תחושת בטן, וזו התשתית לכל מדיניות שקיפות. |
| Weights🧠 | המספרים שנלמדו באימון, והם למעשה המודל עצמו. כשמשחררים מודל לעולם, משחררים אותם. זה כל מה שיש שם. |
| World Model⚡ | מודל שמחזיק בתוכו ייצוג של איך העולם הפיזי מתנהג. זה הכיוון שאמור לקחת אותנו מטקסט אל רובוטיקה ואל מערכות שפועלות במרחב אמיתי. |
| X | |
| X-risk🚩 | הדיון על סכנה קיומית שנשקפת מבינה מלאכותית. שווה להכיר, ובפועל זה לא הדיון שיקבע מה יקרה אצלנו ברבעון הקרוב. |
| XAI🧠 | התחום שמנסה להסביר למה המודל החליט מה שהחליט. לא לבלבל עם xAI, החברה של מאסק. דרישה גוברת בכל תחום מפוקח: בנקאות, ביטוח, בריאות וגיוס עובדים. |
| Y | |
| YOLO | משפחת מודלים לזיהוי עצמים בתמונה ובווידאו בזמן אמת. זה מה שרץ מתחת למצלמות בחניון, בקופה האוטומטית ובמערכות הבטיחות. |
| Z | |
| Zero Data Retention⚡ | הגדרה שבה הספק לא שומר את מה שנשלח אליו ולא מאמן עליו. זה הסעיף הראשון שמחלקה משפטית מחפשת בחוזה, ולרוב גם מה שפותח את החסימה. |
| Zero-shot🧠 | לבקש מהמודל משימה שהוא לא ראה שום דוגמא שלה, ולקבל תוצאה טובה. היכולת הזו הפכה את הכלים האלה מכלים ייעודיים לכלים לכל עבודה. |
ואם תזכרו רק עשרה 🧠
מאה מושגים זה הרבה. אלה העשרה שבלעדיהם באמת אי אפשר לנהל שיחה רצינית על הטמעה:
| Token | כי כל עלות בתחום נמדדת בו. |
| Context Window | כי שם נמצא הגבול של מה שאפשר להכניס פנימה. |
| Hallucination | כי זו תכונה ולא תקלה, וצריך לבנות את התהליך סביבה. |
| RAG | כי זו התשובה לרוב מה שחברות באמת רוצות. |
| System Prompt | כי שם נקבעת הזהות של כל מוצר. |
| Agent | כי זה ההבדל בין עוזר לבין עובד. |
| MCP | כי חיבור הפך מפרויקט לתקע. |
| Reasoning Model | כי לא כל משימה צריכה את אותו כלי. |
| Prompt Injection | כי זה הסיכון שיעצור לנו פרויקטים. |
| Evals | כי בלי זה אין דרך לדעת אם משתפרים. |
מילון הוא לא ידע, הוא רק מפתח. אבל בלי המפתח הזה כל שיחה על הטמעה מתנהלת בין שניים שמדברים ושאר החדר מהנהן.
תשמרו את העמוד, תשלחו אותו לצוות, ובפגישה הבאה תשאלו את השאלה שכולם פחדו לשאול. בדרך כלל מסתבר שגם מי שאמר את המושג לא היה בטוח מה הוא אומר. ואם יש מושג שלדעתכם חסר כאן, תכתבו לי אותו, אני אוספת לגרסה הבאה.
רוצים לקחת את זה הלאה?
הפוסטים כאן הם רק קצה הקרחון
״מיני זהר״
למי שרוצה מנה ממוקדת ממה שאני עושה: מכונת רעיונות, שעת ייעוץ ותהליך הטמעה.
