דלג לתוכן הראשי
מרכז תוכן · AI Engineering

AI Engineering

המסלול המקצועי המלא בעברית לבניית מוצרי AI לייצור — מפרומפט ראשון ועד מערכת יציבה, בטוחה ומדידה. מסודר ב-3 רמות: מתחיל, מתקדם ומומחה.

AI Engineering הוא התחום של בניית מוצרים אמיתיים מעל מודלי שפה — לא רק "לדבר עם ChatGPT", אלא לתכנן, לבנות, להעריך ולתחזק מערכות AI שרצות בייצור מול משתמשים אמיתיים. זה שילוב של הנדסת תוכנה, עבודה עם LLMs, ותשתית. המסלול הזה לוקח אותך צעד-צעד — בחר את הרמה שלך והתחל.

1

מתחיל — היסודות

להבין איך LLM עובד ולבנות את האפליקציה הראשונה

מהו AI Engineering — מפת דרכים Prompt Engineering פלטים מובנים ו-Tool Use עבודה עם API (Claude) LangChain — פריימוורק ספריית פרומפטים
2

מתקדם — מערכות אמיתיות

RAG, סוכנים, הערכות — להפוך prototype למוצר

RAG — תשובות מהמידע שלך Embeddings — וקטורים סמנטיים Vector Databases Context Engineering הערכות (Evals) — למדוד איכות Tool Use — כלים לסוכנים Agent Frameworks MCP — חיבור כלים הזיות (Hallucinations) — צמצום Reranking — RAG מדויק יותר Multimodal — תמונות, מסמכים, אודיו זיכרון בסוכנים (Agent Memory) RAG מתקדם
3

מומחה — ייצור, בטיחות ו-LLMOps

guardrails, אבטחה, ניטור, עלות ו-fine-tuning

Guardrails — מעקות בטיחות אבטחת LLM Prompt Injection אבטחת סוכני AI AI Observability — ניטור LLMOps — הפעלה בייצור LLM Caching — הוזלה ותאוצה הפחתת עלויות LLM Fine-tuning — אימון מותאם

מה זה AI Engineering, ובמה זה שונה מ-Data Science

הבלבול הזה עולה כסף לאנשים שמתכננים הסבה. Data Science ולמידת מכונה עוסקים באימון מודלים — נתונים, פיצ'רים, מדדי דיוק, ורקע מתמטי רציני. AI Engineering עוסק בבניית מערכות מעל מודלים שכבר קיימים ולא מאמן אותם. זו עבודת הנדסת תוכנה במהותה: אינטגרציה, מבנה נתונים, טיפול בשגיאות, עלות, אמינות.

המשמעות המעשית למי ששוקל להיכנס: אם אתם יודעים לתכנת, אתם קרובים יותר ממה שנדמה, ולא צריך תואר שני בסטטיסטיקה. רוב מה שנשבר במערכות האלה אינו מתמטיקה — זה הקשר שתפח, שליפה שהחזירה את הקטע הלא נכון, וכלי שזרק חריגה באמצע.

המסלול, וכמה זמן הוא באמת לוקח

שלוש הרמות למעלה אינן קורס עם תאריך סיום, והן כן רצף שאפשר ללכת לפיו:

  • מתחיל — היסודות. איך מודל עובד, מה זה פרומפט טוב, ולמה תשובה בטוחה אינה תשובה נכונה. כמה שבועות של שימוש יומיומי עושים כאן יותר מקריאה.
  • מתקדם — מערכות אמיתיות. שליפה מהנתונים שלכם, קריאה לכלים, פלט מובנה שאפשר להזין לשלב הבא. זה החלק שהופך שימוש למוצר, ורוב העבודה בשוק נמצאת כאן.
  • מומחה — ייצור ו-LLMOps. מדידה, תצפית, עלות, אבטחה. זה מה שמפריד בין מערכת שעובדת פעם אחת לבין מערכת שעובדת כל יום, ובארגונים גדולים זה בדיוק מה שמחפשים.

מה באמת שואלים בראיונות

הדגש עבר

פחות "מה זה transformer" ויותר "בנית מערכת שעונה על סמך מסמכים ומישהו קיבל תשובה שגויה — איך אתה מאתר איפה זה קרה". השאלה הזו בודקת אם אתם יודעים להפריד בין בעיית שליפה, בעיית הקשר ובעיית ניסוח — וזו בדיוק ההבחנה שמי שלמד רק מדמואים אינו מחזיק.

מה שמרשים בפועל

לא רשימת כלים. מערכת אחת שאתם יכולים להסביר עד הסוף: מה היא עושה, מה נשבר בה, מה מדדתם, ומה החלטתם לא לעשות ולמה. פרויקט אחד עם החלטות מנומקות שווה יותר מחמישה שנבנו לפי מדריך.

שלוש טעויות שמאטות מעבר לתחום

לאסוף כלים במקום לבנות דבר אחד. פריימוורקים משתנים כל חצי שנה; מה שנשאר הוא ההבנה איך מערכת מורכבת ואיך היא נשברת. מי שבנה משהו אחד לעומק מחליף פריימוורק בשבוע.

לדלג על המדידה. בלי דרך לבדוק אם שינוי שיפר או החמיר, כל עבודה על המערכת היא ניחוש מסודר — וזה גם הפער הראשון שמתגלה בראיון.

ללמוד רק באנגלית ולעבוד בעברית. כמעט כל התיעוד מניח קלט אנגלי, ומערכת עברית מתנהגת אחרת: יותר טוקנים לאותו תוכן, חיפוש מילולי שנשבר על אותיות שימוש, ותאריכים יחסיים שצריך להמיר בקוד. מי שלא נתקל בזה מראש מגלה את זה בייצור.

ונקודה אחרונה על קצב: התחום הזה זז מהר, וקל להרגיש שנשארים מאחור בכל שבוע. בפועל העקרונות יציבים הרבה יותר מהכותרות — מה שלמדתם על בניית הקשר, על מדידה ועל טיפול בשגיאות יישאר נכון גם אחרי שלוש החלפות מודל. מי שרודף אחרי ההכרזות לומד פחות ממי שבונה דבר אחד ומתקן אותו.

התשתית שכל מערכת בסוף צריכה

אפשר לקרוא את הקטגוריות למעלה כרשימת נושאים, ואפשר לראות בהן את אותה מערכת מזוויות שונות. כמעט כל מוצר AI רציני מורכב מאותם חמישה חלקים, ומי שמזהה אותם מבין מה חסר לו:

  • מקור ידע — הנתונים שלכם, מחולקים וניתנים לשליפה. כאן נקבעת רוב איכות התשובות, והרבה יותר ממה שנקבע בבחירת המודל.
  • בניית ההקשר — מה בדיוק נשלח למודל בכל קריאה, ובאיזה סדר. זה גם המקום שבו מתנפחת העלות בלי שאיש שם לב.
  • כלים — מה המערכת רשאית לעשות בעולם האמיתי, ובאילו תנאים.
  • פלט מובנה — כדי שהשלב הבא יוכל לעבוד עם התוצאה במקום לנחש אותה.
  • מדידה ותצפית — כי מערכת LLM לא זורקת שגיאה כשהיא טועה; היא מחזירה תשובה תקינה למראה עם תוכן שגוי, ובלי תיעוד אין דרך לדעת.

הרשימה הזו היא גם סדר בנייה סביר. מי שמתחיל מהמדידה מוקדם מדי בונה תשתית למשהו שעוד ישתנה; מי שמגיע אליה מאוחר מדי מגלה בעיות רק כשמשתמשים מתלוננים. הנקודה הנכונה היא ברגע שמישהו מלבדכם מתחיל להשתמש.

ובישראל, ספציפית

רוב הביקוש המקומי אינו לאימון מודלים אלא לחיבור מודלים קיימים למערכות שכבר קיימות בארגון — CRM, מסדי נתונים, מערכות פנימיות שנכתבו לפני עשור. שתי יכולות נותנות יתרון לא פרופורציונלי: היכולת לעבוד מול API שאין לו חיבור מוכן, והיכולת לטפל בעברית כמו שצריך. השנייה נדירה הרבה יותר מהראשונה.

מרכז סוכני AI מרכז מודלי שפה מסלולי למידה

מתחיל מאפס?

התחל מהמדריך "מהו AI Engineering" — הוא מסביר את התמונה המלאה ואת סדר הלמידה הנכון.

התחל כאן כל המדריכים