מונחון הבינה המלאכותית.

הארכיטקטורה שמאחורי כמעט כל מודל שפה מודרני מאז 2017, שבנויה סביב מנגנון הקשב ומאפשרת אימון מקבילי יעיל.

הרכיב שמאפשר למודל "להתמקד" בחלקים הרלוונטיים של הקלט בכל שלב — הלב של ארכיטקטורת הטרנספורמר.

מודל שאפשר להוריד ולהריץ עצמאית (Llama, Mistral, Qwen) — לעומת מודלים סגורים שנגישים רק דרך API בענן.

מודל שמבין ומייצר יותר מסוג מדיה אחד — טקסט, תמונות, אודיו ווידאו — באותה שיחה.

מודל שמקדיש "זמן חשיבה" לפני שהוא עונה, מפרק בעיות לשלבים ובודק את עצמו — חזק במתמטיקה, קוד ותכנון.

הטכניקה שמאחורי מחוללי תמונות ווידאו: המודל לומד "לנקות רעש" בהדרגה עד שמתקבלת תמונה חדה שתואמת את הבקשה.

ארכיטקטורה שמפעילה רק חלק קטן מהמודל בכל שאילתה — כך מקבלים יכולת של מודל ענק בעלות הרצה של מודל קטן.

מודל קומפקטי שרץ מקומית על מחשב או טלפון, בלי ענן — פרטיות מלאה ומהירות תגובה, במחיר יכולת מופחתת.

מיומנות ניסוח ההוראות למודל: הקשר ברור, דוגמאות ופורמט מוגדר משפרים את התוצאות באופן דרמטי.

טכניקה שמחברת מודל שפה למאגר ידע חיצוני: המערכת שולפת מסמכים רלוונטיים ומזינה אותם למודל, לתשובות מדויקות ועדכניות.

אימון המשך של מודל קיים על דאטה ייעודי — כך הופכים מודל כללי למומחה בתחום, בסגנון או בשפה ספציפיים.

הדגמת המשימה למודל באמצעות כמה דוגמאות בתוך הפרומפט עצמו — בלי שום אימון נוסף.

הנחיית המודל לפרט את שלבי החשיבה בדרך לתשובה. משפר משמעותית דיוק במשימות מורכבות.

ייצוג של טקסט כווקטור מספרי שמשמר משמעות: טקסטים דומים מקבלים וקטורים קרובים. הבסיס לחיפוש סמנטי ול‑RAG.

מסד נתונים שמאחסן אמבדינגים ויודע לשלוף במהירות את הקטעים הקרובים ביותר במשמעות לשאילתה.

פרמטר שקובע כמה צפוי או מגוון יהיה הפלט: ערך נמוך מייצר תשובות עקביות, ערך גבוה — יצירתיות ופיזור.

מערכת שמציבים לה מטרה והיא מתכננת ומבצעת צעדים בעצמה — גולשת, כותבת קוד, מפעילה כלים — עד להשלמת המשימה.

תקן פתוח שמחבר מודלים לכלים ומקורות מידע חיצוניים בצורה אחידה — ה‑USB‑C של עולם הסוכנים.

היכולת של מודל להפעיל כלים חיצוניים — חיפוש, הרצת קוד, קריאת API — כחלק מבניית התשובה. נקרא גם Function Calling.

פיתוח תוכנה בשיחה עם AI: מתארים בשפה חופשית מה רוצים, והמודל כותב, מריץ ומתקן את הקוד.

כלי שמשלים, כותב ומסביר קוד בתוך סביבת הפיתוח — Copilot, Claude Code, Cursor — וכיום גם מבצע משימות שלמות.

שרשור של סוכנים וכלים לתהליך רב‑שלבי שרץ לבד: ממחקר ואיסוף מידע ועד תוצר מוגמר, עם בקרה אנושית בנקודות מפתח.

מבחן סטנדרטי להשוואת יכולות בין מודלים (MMLU, SWE-bench). כלי חשוב — אך ציון גבוה אינו מבטיח ביצועים במשימה שלכם.

שכבת הניהול שמתאמת בין מודלים, כלים ומקורות מידע במוצר AI אחד — הניצוח על כל הרכיבים יחד.

התחום שמוודא שהתנהגות המודל תואמת כוונות אנושיות — שהוא מועיל, כן ולא מזיק, גם במצבים שלא נצפו באימון.

מנגנונים שמגבילים מערכת AI בסביבת ייצור: סינון תוכן, אימות פלט וחסימת פעולות רגישות.

עיוותים שהמודל ירש מנתוני האימון, שעלולים להוביל לתוצאות לא הוגנות — למשל בגיוס עובדים או באשראי.

תוכן מזויף שנוצר ב‑AI — וידאו, קול או תמונה שנראים אמיתיים לגמרי. אתגר האימות המרכזי של העשור.

הרגולציה המקיפה הראשונה בעולם לבינה מלאכותית, עם חובות לפי רמת סיכון. רלוונטית לכל חברה ישראלית שמוכרת לאירופה.

מערכת ברמה אנושית ומעלה בכל תחום קוגניטיבי — היעד המוצהר של המעבדות הגדולות ומוקד ויכוח סוער על לוחות זמנים וסיכונים.

תקיפה מבוקרת של מודל לפני שחרור, שמטרתה לחשוף חולשות בטיחות ודרכי עקיפה — ולתקן אותן מראש.

המחלוקת המשפטית סביב אימון מודלים על יצירות מוגנות ובעלות על תוצרי AI — סוגיה פתוחה בעולם ובישראל.