Skip to content
Artwork for רברס עם פלטפורמה (Reversim)

רברס עם פלטפורמה (Reversim)

רברס עם פלטפורמה

פודקאסט על תוכנה, מוצר, ותשתיות — בעברית.

Play
  • 26 episodes
  • Avg 44 min
  • Hebrew
Counted on this page — what you have heard stays on this device, so it is not something the list can be paged by.
  • #523
    Wednesday · 50 min

    523: OpenSearch עם דותן מ-AWS

    בפרק 523 של רברס עם פלטפורמה, אורי להב ורן תבורי מארחים את דותן הורוביץ מ-AWS לשיחת עומק מרתקת על עולם החיפוש המודרני. יחד הם צוללים אל מאחורי הקלעים של פרויקט הקוד הפתוח OpenSearch, מבינים את ההבדלים בין חיפוש לקסיקלי לסמנטי, ומגלים איך בינה מלאכותית ו-Agents משנים לחלוטין את הדרך שבה אנחנו שולפים מידע. [00:20] היכרות עם דותן ואסטרטגיית ה-Open Source ב-AWS היכרות עם דותן הורוביץ, שמוביל את תחום ה-Open Source גלובלית ב-AWS. הצוות מתעסק באסטרטגיית קוד פתוח (Inbound ו-Outbound), תרומה לפרויקטים, וקרדיטים לקהילה ול-Foundations. הפרויקטים הבולטים כוללים את OpenSearch וכן את Valkey (שהתחיל כפורק של Redis). [03:46] מה זה בעצם OpenSearch ולמה לעשות Fork? OpenSearch הוא לא רק מוצר, אלא פרויקט קוד פתוח רשמי תחת ה-Linux Foundation (Top level project). מנוהל על ידי Governing Board של חברות כמו IBM, Intel, SAP ו-Uber, מה שמבטיח שלא יהיה נשלט בלעדית על ידי חברה אחת. הרקע להקמת הפרויקט: בשנת 2021, חברת Elastic החליטה לשנות את רישיון הקוד הפתוח (Apache 2.0) של ElasticSearch לרישיון מסחרי סגור יותר (SSPL). הצעד הזה, שמכונה "Rug pulling" (משיכת השטיח מתחת לרגליים), הוביל את הקהילה לייצר Fork כדי לשמור על הפרויקט פתוח באמת. השיעור החשוב: בבחירת פרויקט Open Source, אסור להסתכל רק על הרישיון, אלא גם על ה-Sustainability והמודל העסקי מאחוריו (Vendor-owned vs. Foundation-owned). שימושים נפוצים (Use cases): Observability (לוגים, ניטור, APM, Tracing). מנוע חיפוש מתקדם (לקסיקלי, סמנטי והיברידי). Vector Database שמגיע Out of the box. [12:05] חיפוש לקסיקלי (Lexical Search) חיפוש המבוסס על התאמת Keywords ומילים (Tokens). מצוין לחיפושים מדויקים שבהם אנחנו יודעים בדיוק מה אנחנו מחפשים ורוצים אפס אינטרפרטציות (למשל: חיפוש כתובת IP ספציפית, מק"ט או שם מותג כמו "נייקי" מול "ריבוק"). כולל יכולות מתקדמות של Full text search כמו Stemming (הבנת הטיות של פעלים: "רץ", "רצתי", "רצים") וסינון לפי טווחים נומריים (Facets). איך מסיקים רלוונטיות? מנגנון הדירוג משתמש באלגוריתמים קלאסיים כמו TF-IDF ו-BM25, שבודקים כמה פעמים המילה מופיעה במסמך ביחס לגודלו ולכמות המסמכים הכללית. המנוע הלקסיקלי של OpenSearch מבוסס על ספריות Apache Lucene. [20:50] חיפוש סמנטי (Semantic Search) בניגוד לחיפוש לקסיקלי, בחיפוש סמנטי אנחנו מחפשים על גבי ייצוג וקטורי (Embeddings) במרחב רב-מימדי. Embedding model (רשת נוירונים) הופך טקסט או דאטה אחר למערך של אלפי מספרי Floating points (וקטורים). פריטים שקרובים במשמעותם הסמנטית "ישבו" קרוב אחד לשני במרחב (למשל, נעלי אדידס וריבוק, גם אם המילים עצמן שונות לחלוטין). היציאה מגבולות הטקסט: מודלים שהם Multi-modal מאפשרים לאנדקס ולחפש לא רק טקסט אלא גם תמונות, קול, וידאו ואפילו קבצי PDF שמכילים שילוב של טבלאות, דיאגרמות וטקסט. האתגר ההנדסי בשליפה של וקטורים: אלגוריתם KNN (K-Nearest Neighbors) קלאסי רץ ב-Brute force על כל הווקטורים ומחשב מרחקים, מה שלא סקיילבילי בעליל. הפתרון בתעשייה הוא שימוש באלגוריתמים מסוג ANN (Approximated KNN) כמו HNSW ו-IVF כדי לשפר ביצועים תוך התפשרות קלה על דיוק. מתקיים כל הזמן טרייד-אוף בין Recall (אחוז התוצאות הנכונות מכלל המידע שהבאנו) ל-Precision (כמה מתוך מה שהבאנו הוא רעש). [35:50] חיפוש היברידי (Hybrid Search) ודירוג מחדש (Re-ranking) שילוב של חיפוש לקסיקלי וסמנטי באותה שאילתה כדי לתת מענה מיטבי לכוונת המשתמש. האתגר הגדול: נורמליזציה. צריך לחבר ציונים (Scores) שמגיעים משני מנועים ומרחבים שונים לחלוטין ולהפיק רשימת תוצאות אחת קוהרנטית (Unified list). שימוש ב-LLMs בשלב האחזור (Over-fetching ו-Re-ranking): … להמשך הערות הפרק באתר

    • Transcript
    • Chapters
  • #522
    November 11 · 41 min

    522 - Company brain with Shmulik from Lusha

    בפרק 522 של רברס עם פלטפורמה, רן ואורי מארחים את שמוליק וילינגר, ה-Chief Architect של חברת Lusha, לשיחה מרתקת על בניית "מוח ארגוני" (Company Brain). נדבר על למה בכלל צריך את זה בעידן ה-AI, מה גרם להם לבחור לבנות את המערכת בעצמם (Build vs. Buy), ואיך גורמים לסוכנים אוטומטיים להכיר את כל ההקשרים והסודות של החברה בלי לשבור מנגנוני הרשאות. [01:51] קצת על לושה והרקע של שמוליק שמוליק התחיל את הקריירה לפני כ-20 שנה, עבר בסטארט-אפים וחברות גדולות, והיום מוביל את הארכיטקטורה ושילוב ה-AI בלושה. Lusha היא חברת Business Intelligence שבונה פרופילים מדויקים של חברות ואנשי מקצוע (טלפונים, סיגנלים, אינטגרציות למיילים ול-CRM). בין הלקוחות של החברה אפשר למצוא ענקיות כמו Spotify, Google, ו-Palo Alto Networks. החברה משלבת המון כלי AI וסוכנים (Agents) גם כחלק מהמוצר ללקוחות הקצה (למשל עבור SDRs שמחפשים לידים) וגם בתהליכי הפיתוח הפנימיים. [04:12] איך נולד הצורך במוח ארגוני? (הטריגר) הצורך התחדד כשראו את ההשפעה של כלי ה-AI על פיתוח. המפתחים הואצו (10x), אבל צוואר הבקבוק עבר לאנשים עצמם. במקום שהקוד יהיה החסם, החסם הפך להיות ההקשר (Context): הבנת הדרישות, האילוצים העסקיים והשלכות של שינויים רוחביים. סוכנים יכולים לכתוב מסמכי PRD או קוד במהירות, אבל בלי קונטקסט של "למה הוחלט ככה?" או "מי הלקוחות שמושפעים מזה?" הם עוצרים או גרוע מכך - ממציאים (הזיות). ידע ארגוני נמצא אצל מהנדסים ואנשי מוצר ותיקים. במקום ש-Agent "ידפוק לאנשים על הכתף" לשאול שאלות, צריך להנגיש לו את התורה שבעל-פה. [09:10] Buy vs. Build: למה לבנות לבד? החברה בחנה את השוק ושוחחה עם כ-18 ספקים שונים שהציעו פתרונות למוח ארגוני. חלק מהפתרונות היו מורכבים מדי או יצרו סכנה אמיתית של Vendor Lock-in. ההחלטה ללכת על פיתוח עצמי (Build) נבעה גם מההבנה שהשוק עוד בהתהוות. ההנחה היא שחברות כמו OpenAI ו-Anthropic יוציאו בקרוב פתרונות מובנים משלהן למוח ארגוני, ולכן עדיף לבנות תשתית גמישה פנימית עכשיו שיהיה אפשר לנתב החוצה בעתיד בקלות. הגישה: להתחיל בקטן וללמוד תוך כדי תנועה מה עובד ומה לא. [11:14] מי משתמש במוח ואיך מכניסים אליו דאטה (Data Ingestion) קהל היעד הוא כל הארגון, אבל התחילו ממיפוי של מחזור חיי הפיתוח (SDLC) כדי להבין מי הפרסונות. המקורות: GitHub (מעל 960 Repositories), טיקטים ב-Jira, מסמכים ב-Confluence, ערוצי Slack, ואפילו תמלולים וסיכומים אוטומטיים של פגישות וידאו מתוך החברה. המימוש הראשוני: תיקייה עם אלפי קבצי Markdown (MD) מסודרים בהיררכיה עם קובץ קטלוג שמשמש כתוכן עניינים למודל. [13:43] מוחות נפרדים, אבטחה והרשאות (Access Management) הגישה למסמכים מתבצעת על ידי הרצת Skill מקומי או דרך שרת MCP (Model Context Protocol) ייעודי. תובנה מרכזית: לא מספיק "מוח אחד" לכולם. לארגון ה-Delivery יש צרכים שונים מאשר לארגון ה-Sales. מוח ה-Sales יתחבר למערכות כמו Salesforce או HubSpot ויהיה המומחה לתמחור ומתחרים. מוח ה-Delivery יתחבר לקוד ולארכיטקטורה. הפרדת רשויות: בעלות על ידע מופרדת מהרשאות. מפתח לא צריך לראות נתוני תשלום של לקוחות, ואיש מכירות לא צריך גישה לקוד. אם מוח אחד צריך מידע מדומיין אחר, המוחות מתקשרים ביניהם (אנקפסולציה) מבלי לחשוף את מערכות המקור למשתמש הקצה. [19:31] מה לא עבד? המעבר משכבת Markdown לאונטולוגיה אוסף של קבצי MD התגלה כפתרון חסר. המודל התקשה לעשות חיבורים היסטוריים וסמנטיים. דוגמה: פיצ'ר שהיה קרוי בעבר "List", שונה ל-"Uno" והיום נקרא … להמשך הערות הפרק באתר

    • Transcript
    • Chapters
  • #521
    October 21 · 36 min

    521 - Evaluating risk with Marina from Cyera

    רן ואורי מארחים את מרינה גנדלין, Data Scientist ו-Team Lead מחברת Cyera (סיירה), לשיחה על סייבר, דאטה, ואיך מעריכים סיכונים בעזרת מודלי שפה (LLMs). מרינה חולקת תובנות מרתקות מהפרויקט הראשון שהובילה בחברה להתמודדות עם עומס ההתראות (ניתן לצפות במצגת המקורית מתוך ההרצאה, וכן בוידאו של 17 דקות מאותו כנס). [00:00] היכרות עם מרינה, Cyera וכנס רברסים תזכורת: כנס רברסים 2026 מתקרב! יתקיים ב-30 בנובמבר וב-1 בדצמבר. שווה להירשם. היכרות עם מרינה: מגיעה מרקע של עשור ב-AI ומערכות המלצה בחברות כמו טאבולה ו-ZipRecruiter, וכיום עובדת בסיירה. סיירה - "Where data meets cyber security": חברה שעושה מיפוי מלא של דאטה ארגוני, סורקת קבצים, דאטה-בייסים, Jira, GitHub ועוד בסקייל עצום, כדי למצוא איפה מסתתר מידע רגיש. האתגר הנוכחי: פריצה לעולם ה-AI Security והגנה מפני מצבים שבהם סוכנים (Agents) או מודלים ניגשים למידע שאסור להם. [07:33] אתגר עומס ההתראות והמוצר (The Product) צוותי אבטחת מידע קורסים תחת מיליוני התראות (Alerts). הרעיון למוצר: לדרג ולתעדף את רמת החומרה של ההתראות כדי להיות אפקטיביים. יש הבדל עצום בין קובץ טסט שזרוק בסביבה עם כרטיס אשראי אחד, לבין דאטה-בייס פתוח לאינטרנט עם 50,000 כרטיסי אשראי של לקוחות. היתרון של סיירה: יש לה את התוכן, הקונטקסט, מידע על זהויות והרשאות גישה וידע של דומיין כדי לקבל החלטה מושכלת על רמת ה-Severity. [09:53] כשאין "אמת מוחלטת" (Ground Truth) המעבר מגישת Data Science קלאסית (למשל אימון XGBoost) למציאות מורכבת: אין "אמת מוחלטת" אחידה לכולם. חומרת אירוע משתנה מלקוח ללקוח – מה שמסוכן ליצרן מזון (דליפת פוליסה) לא בהכרח יזיז למנכ"ל של בנק ענק עם 100,000 עובדים. רגע של "Let's go anyway!": יציאה מהירה לשטח עם לקוחות ראשונים. נתנו ל-LLM בסביבה פרטית (On-premise deployment) את כל הקונטקסט כדי שיקבע את רמת החומרה ובעיקר - ייצר הסבר גנרטיבי ללקוח למה הוא בחר בה. הלקוחות התאהבו בקונטקסט ובהסבר, והיו סלחניים כל עוד לא נעשתה טעות גסה. [16:05] חיפוש אחר מטריקה ואופטימיזציית עלויות (COST) הבנה שאי אפשר להשתמש במטריקות הקלאסיות של מערכות המלצה (כמו NDCG), אלא פשוט להתמקד ב-Precision של ההתראות החמורות ביותר (Critical ו-High). הלקוח לא רוצה לבזבז זמן על False Positives. העלות: הרצת כל כרטיס אשראי בטקסט חופשי דרך LLM יקר (כמו Gemini Flash) יצרה עומס אדיר עלויות (Tokens). נוצר צורך דחוף בהורדת עלויות, מה שחייב מעבר למודלים זולים יותר והקמת מערך Evaluation (הערכה) מסודר. [17:56] אתגר ההערכה (Evaluation Challenge) שלב 1: יצירת Evaluation set גנרי מדי לא באמת עובדת, ודורשת המון עבודה ידנית של מומחי דומיין. שלב 2: ההתמודדות עם חוסר דטרמיניזם. מודלים גנרטיביים (גם בטמפרטורה 0) משנים את התשובות שלהם והסיווגים שלהם בכ-20% מהמקרים כשמריצים אותם שוב. הפתרון: שימוש במודל חזק כדי לרוץ כמה פעמים על אותו דאטה, ולקיחת תת-הקבוצה שבה המודל הסכים עם עצמו בצורה רובסטית כדי לייצר סט בדיקה יציב. לא נעשה שימוש במספר מודלים שונים לצורך זה. [21:44] שופט מבוסס מודל שפה (LLM-as-a-Judge) שלב 3: כתיבת LLM-as-a-judge כדי להשוות מול המודלים הזולים את איכות ההסבר הגנרטיבי. קל לכתוב את השופט, אבל קשה מאוד לפרש את התוצאות ולהגיע לכיול (Calibration). השופט בדק האם צוין אופי הקובץ, כמות הממצאים והגישות הקיימות. הבעיה: איך מפרשים ממוצעים? מה ההבדל בין ציון 4.2 ל-3.7? הפתרון: הגדרת סף איכות ברור (למשל, כל מה שמקבל ציון מעל 4 נחשב מספיק טוב), והחלטת טרייד-אוף מוצרית שמוכנה להקריב 5% מהאיכות בשביל לחסוך 30% מהעלויות. [31:21] קסטומיזציה (Customization) של … להמשך הערות הפרק באתר

    • Transcript
    • Chapters
  • #520
    September 24 · 39 min

    520 - Harness optimization with Or from AI21labs

    פרק מספר 520 של רברס עם פלטפורמה. בפרק זה רן מארח את אור דגן, COO בחברת AI21 Labs, לשיחה עמוקה על עולם ה-Harness Optimization. נדבר על האופן שבו ארגונים יכולים לאמץ בינה מלאכותית ב-Scale, החל משלב האוולואציות (Evals) ועד ל-Post-Training של מודלים. [00:00] הכרות עם אור והסיפור של AI21 אור דגן מציג את ההתפתחות של AI21, חברה שפועלת בתחום כבר 9 שנים. התפתחות החברה לאורך השנים: אימון Foundational Models גדולים כמו משפחות Jurassic ו-Jamba. פיתוח מוצרי B2C מוכרים מבוססי LLM, כמו תוסף הכתיבה Wordtune. המעבר לסוכנים חכמים (Agents כמו Maestro) ולעולמות ה-B2B. המוקד הנוכחי: לעזור לארגונים לאמץ AI בצורה נרחבת תוך התגברות על מכשולי עלות (Cost), זמני תגובה (Latency) ואיכות. [03:39] מה זה בעצם Harness? המונח "Harness" (או Scaffold) מתייחס לכל התוכנה והלוגיקה שעוטפות את מודל השפה עצמו (שמקבל ופולט טקסט). ההרנס יכול לנוע בין מבנה פשוט מאוד (כמו Assistant שלוקח קלט מהמשתמש וזורק למודל), למערכות מורכבות הכוללות זיכרון, שימוש בכלים חיצוניים, שרשראות חשיבה ואג'נטים. המושג "Model-Harness Fit": אותו המודל יכול להפיק תוצאות שונות לחלוטין בהתאם למעטפת שסביבו. [06:51] הכל מתחיל באוולואציות (Evals) It all starts with evals: אי אפשר לעשות אופטימיזציה בלי למדוד. "Vibe testing" של ניסוי וטעייה לא מספיק כדי להרגיש הבדלים משמעותיים באמת. בנצ'מרקים קיימים (כמו משימות קידוד) פעמים רבות לא משקפים את הטראפיק האמיתי בעולם האמיתי (שכולל גם קריאת PRD, חיפושי אינטרנט ושאלות המשך). כדי לאפטם, חייבים לבנות Test-set רלוונטי ולהתחיל לשחק עם ה"כפתורים" השונים (Knobs): החלפת המודלים עצמם, שינוי פרומפטים, ניהול קונטקסט ועוד. [10:21] אתגר האופטימיזציה ו-"Claude Code ל-Data Scientist" האתגר הגדול: איך בודקים את כל הקונפיגורציות האפשריות ביעילות? מרחב החיפוש הוא כמעט אינסופי וכולל תלויות בלתי צפויות. עבודת Applied Research ידנית לוקחת חודשים ועולה עשרות אלפי דולרים בריצות מודל. AI21 פיתחה סוג של "Claude Code ל-Data Scientist" – סוכן אוטונומי (Auto-Researcher) שעושה Vibresearching יעיל במרחב הקינפוגים ומקצר עבודה של שבועות לחיפוש של שש שעות וקצת דולרים בודדים. קשר אדם-מכונה: האוטו-ריסרצ'ר זקוק למפעיל שינחה אותו ויקבל החלטות עסקיות לגבי הטרייד-אוף שבין עלות (Cost) לאיכות התוצאה. [14:29] "GEPA for Harness" וחיפוש במרחב הקינפוגים הרצת אוולואציות על מטריצה של קונפיגורציות כוללת שילוב של מספר גישות אלגוריתמיות מתקדמות: Hyper-parameter tuning לאזורים רציפים. אלגוריתמים גנטיים, בגישת "GEPA for harness" – לוקחים את הניסויים המוצלחים, מוצאים את המשותף, מאחדים ומוציאים "צאצא" חדש. Multi-arm bandit לאיזון מתמטי בין אקספלורציה (Exploration) לאקספלויטציה (Exploitation). [22:30] מדדי הצלחה: Success @k לעומת Success ^k כשעושים אוולואציות לדברים לא דטרמיניסטיים, חשוב להבין את הסטטיסטיקה: Success @k: מתוך K ניסיונות, כמה פעמים המודל הצליח? (בוחן מובהקות). Success ^k: מה הסיכוי שלאחר K ניסיונות נקבל לפחות הצלחה אחת? Test-time compute scaling: במקום לשנות את המודל, אפשר לעשות שינוי בהרנס – להריץ בקשה 16 פעמים במקביל (Swarm), ולהשתמש ב-Judge מבוסס מודל System 1 (מודלים של סיווג מהיר וזול בהמון) כדי לבחור את התשובה הנכונה ולשפר את האיכות דרמטית. [26:49] המעבר ל-Post-Training כאשר ה-Success @k גבוה מאוד אבל היכולת להצליח בניסיון בודד (Single-shot) נמוכה, זה סימן לפוטנציאל חבוי במשקולות המודל. במקרים כאלו, מומלץ לצאת ל-Post-training ו-Reinforcement Learning (RL) כדי לחזק את הסיגנלים הנכונים. המגמה העסקית: חברות לוקחות מודלי Open-Source קטנים ומאמנות אותם כדי לקבל את האיכות של הפרונטיר מודלס (Frontier models) ברבע מהעלות, תוך שמירה על בידול. [31: … להמשך הערות הפרק באתר

    • Transcript
    • Chapters
  • #519
    August 20 · 45 min

    519 - The Agentic Awakening with Liran Eshel

    בפרק 519 של רברס עם פלטפורמה, רן ואורי מארחים את לירן אשל (יזם ולשעבר מנכ"ל CTERA) לשיחה מרתקת על העידן החדש של פיתוח תוכנה. לירן משתף בתובנות מתוך הספר שכתב, החוקר כיצד חברות צריכות לבנות את עצמן מחדש בעידן ה-AI-Native, ואיך הופכים מפתחים לסוכנים עצמאיים. [00:30] הצלילה למחילת הארנב של ה-AI לירן מספר על הרקע שלו כיזם, ואיך אחרי 20 שנה כמנכ"ל שלא נגע בקוד, הוא מצא את עצמו נשאב חזרה לפיתוח בעקבות מהפכת ה-AI. המעבר המהיר מעולם של Assisted engineering (השלמות טאבים) לעולם של Autonomous ו-Agentic engineering. הספר שעליו מבוסס הפרק, ומהווה למעשה מדריך פעולה לארגונים, זמין אונליין בחינם: The Agentic Awakening. [05:37] המחקר וארגונים שנולדו ל-AI איך נולד הרעיון לספר מתוך שיחות עם אדם פישר, שותף בקרן ההון סיכון Bessemer Venture Partners. ראיונות עם בכירי פיתוח בחברות מובילות (כמו Lemonade, Ramp, DriveNets) וזיהוי דפוסים חוזרים באופן שבו הן מטמיעות כלי AI. מטאפורת ה"התעוררות" התאולוגית: אי אפשר באמת להבין את האירוע עד שחווים אותו בידיים (או במרתף עם הקוד). [10:56] תעלומת הפרודוקטיביות: למה הארגון לא עף קדימה? הדילמה הגדולה של הנהלות היום: אם המפתח הבודד פרודוקטיבי פי 10, למה תפוקת החברה לא עולה אפילו פי 1.5? אנלוגיית הפרארי ברמזורים: יש לנו כלי רכב מטורף ומהיר (AI), אבל אנחנו מסיעים אותו ברחוב עירוני עם רמזור כל 200 מטר. הרמזורים הם למעשה מתודולוגיות הפיתוח הישנות (Design reviews, Architecture reviews, Handoffs). תהליכים שנבנו מתוך הנחה שכתיבת קוד היא הדבר הכי יקר ואיטי, ולכן חובה לתכנן הכל מראש מול ועדות. [16:20] ארבעת הצ'יפים (The Four Chiefs) כדי להסיר את הרמזורים ולהחליף אותם ב"חגורות בטיחות" או מצלמות מהירות (בדיקות אסינכרוניות שלא תוקעות את המפתח), צריך ארבע פונקציות פיקוח: Chief Architect: מוודא שה-Agent לא קיבל החלטה תשתיתית הזויה (כמו לבחור דאטה-בייס לא קשור כי זה מה שהמודל המליץ). Chief Security: שומר על אבטחת מידע מאחורי הקלעים תוך כדי שהמפתח רץ ל-Production. Chief Product: ה"ווייז" שמוודא שרצים לכיוון העסקי הנכון. Chief Design: מפקח אנושי שמוודא שהמוצרים לא נראים כולם אותו דבר (כי קלוד כותב את כולם כרגע). [17:33] האתגר הגדול: איך מודדים את זה? לספור שורות קוד זה לא רלוונטי, אבל ספירת טוקנים היא תנאי סף התחלתי: מפתח ששורף טוקנים ב-100 דולר בחודש לא באמת נמצא במוד Agentic. מדובר על ממוצעים של אלפי דולרים או מיליארדי טוקנים לחודש. שימוש ב-AI כדי להעריך איכות ומורכבות: ה-AI יכול בעצמו לנתח את ה-Pull requests ולהעריך את המורכבות שלהם. שקיפות ארגונית: פרסום המדדים הפנימיים מייצר תחרות בריאה ומדרבן עובדים ללמוד מה-Bright spots (המפתחים המהירים ביותר). [22:11] משבר הג'וניורים ושובו של הג'וניור האם יש עדיין מקום לג'וניורים בתעשייה? לירן מתאר שתי גישות מנוגדות: ארגונים שמשאירים רק את הסיניורים (Domain experts). ארגונים שרואים "The Return of the Junior": ג'וניורים שהופכים למעין מנהלי ציים (Agent Orchestrators), שם דווקא מולטי-טאסקינג והפרעת קשב הופכים ליתרון. היתרון הזמני של ישראל: יוצאי יחידות טכנולוגיות בצה"ל משתחררים עם יכולות קידוד וניסיון שמאפשר להם לדלג על פערי הידע של ג'וניורים בחו"ל. [26:17] אתגר ההמרה (Converting the People) שינוי המיינדסט בארגון קיים הוא החלק הכי קשה. אנשים מתייחסים לקוד כאל יצירת אומנות, וה-Agent נתפס כטרקטור דורסני. חלוקת האנשים ל-4 קבוצות: המאמינים (Believers): המאמצים המוקדמים. אותם צריך לסמן כגיבורי השינוי וללכת אחריהם. משתמשי הכלים (Tool users): אלה שנעזרים ב-AI ברמה הבסיסית (כמו בקרת שיוט ברכב), אבל עדיין לא מפעילים צי של סוכנים שעובדים במקביל. שומרי ה-Legacy: אלה שחוששים … להמשך הערות הפרק באתר

    • Transcript
    • Chapters
  • #518
    August 19 · 47 min

    518 - Carburetor 42

    פרק מספר 518 של רברס עם פלטפורמה - קרבורטור מספר 42. רן ואורי מארחים שוב את נתי שלום לפרק המשך בסדרה על סוכני קידוד, והפעם - מה קורה כשסוכני AI (Agents) מגיעים לסביבת הפרודקשן. אנחנו צוללים לתוך השינוי הטקטוני שעוברת תעשיית ה-Observability, התרסקות המודלים העסקיים המוכרים, ומי הולך להרוויח את הזכות לא רק לתצפת על המערכות, אלא גם לתקן אותן בפועל. [01:24] מ-Assisted SRE לתיקון אוטונומי מה קורה כשהסוכנים מגיעים לפרודקשן ומה ההבדל בין פרסונת ה-DevOps לפרסונת ה-SRE בארגון. הבשלות של התעשייה: משתמשים כבר לא רוצים מערכות "מסייעות" (Assisted) שרק זורקות המלצות ומייצרות יותר עבודת פענוח לאדם. הדרישה כיום היא לסוכנים שפשוט פותרים את הבעיה. [05:51] הרגע שבו Datadog הבינו את המשחק דיון על חברת Datadog (ואיך הם קיבלו את השם שלהם ממדבקה על שרת אקראי). רעידת האדמה בתעשייה: ההבנה של ענקיות ה-Observability שהמודל הישן מת. המנכ"ל של Datadog מודה בעצמו שהארגונים מצפים עכשיו לפתרונות אקטיביים ולא רק לאיסוף נתונים וצפייה. לקריאה נוספת והעמקה על הדיסוננס של החברה מול השוק, קראו את הפוסט של נתי בנושא: Datadog beat Q2 and the market sold it off: here's the tension the number hides. ההשוואה ההיסטורית למאבק של VMware מול AWS: זה לא רק פער טכנולוגי, אלא שינוי דרמטי במודל העסקי שמחסל את החפיר (Moat) הישן. [12:02] כשל השוק של ה-Data Lakes בעיית העלות המובנית: המודל העסקי של חברות האובזרבביליטי מבוסס על תמחור לפי נפח הנתונים (Ingestion). רוב המידע שנשמר הוא "זבל" - לוגים ונתונים שאיש לא קורא עד שיש תקלה, אך ארגונים משלמים עליהם פרמיום כמעין תעודת ביטוח. סוכני AI הופכים את אגירת כל הנתונים באגם מרכזי ללא כלכלית בעליל (לא ססטיינבילית), מה שמאיץ את הנפילה מצוק של ספקיות המסורתיות. [16:27] רגע ה-Claude Code של עולם הפרודקשן בניגוד לאימון על היסטוריית תקלות רנדומלית, מערכות אוטונומיות אמיתיות צריכות "סימולטור" - יכולת לשחזר תקלה בסביבה מבוקרת (Reinforcement Learning Verified Rewards). בדיוק כמו ש-Claude Code מריץ ובודק מול הקומפיילר כדי להגיע לדיוק, סוכן SRE חייב Feedback Loop אמיתי ולא רק להתבסס על ארכיון לוגים. רוב הידע הבסיסי על תקלות נפוצות ממילא כבר מקודד פנימה בתוך הזיכרון הפרמטרי של ה-LLMs (הם ה"Stack Overflow" של עצמם). [29:21] רדיוס הפיצוץ: איך סומכים על סוכן בפרודקשן? החשש הטבעי: מה יקרה אם הסוכן האוטונומי ישנה קונפיגורציית רשת או יוריד שרתים בטעות? הדילמה הפסיכולוגית מול סטטיסטיקה - כמו ההבדל בין נהג אנושי למכונית אוטונומית או טייס אוטומטי במטוס. הפתרון: מנגנוני בקרה אוטומטיים שמחשבים מראש את "רדיוס הפיצוץ" (Blast Radius) של התקלה. הסוכן מחליט מתי מותר לו לתקן לבד ומתי האימפקט גדול מדי ומצריך התערבות אנושית. [34:36] קונטקסט לוקאלי מול גלובאלי תקלות רבות נולדות משינויים (Drift), ורוב הקונטקסט הדרוש כדי לפתור אותן נמצא ברמת הקלאסטר הלוקאלי. למה איסוף כל הנתונים לענן מרכזי שגוי: בעיות אבטחת מידע, עלויות מטורפות, ו-Latency (איחור בהגעת לוגים ומטריקות שמבלבל את תמונת המצב בזמן אמת). דילמת החדשנות: חברות ה-Observability הגדולות מזהות את הבעיה (וקונות חברות בתחום), אבל מתקשות לשנות כיוון בגלל התלות במודל ההכנסות הקיים שלהן. [40:27] חוקר התקלות לעומת יוצר התקלות חשיבה מחדש על התהליך: במקום להגיע ל"זירת פשע" בדיעבד, מה קורה אם ה-AI שכתב ודחף את הקוד (ה"פושע") הוא גם זה שמנתח ומזהה את התקלה? החשיבות העצומה של Efficiency (יעילות) בעולמות התשתית של ה-AI היום, ואיך היא משפיעה על הערכות שווי של חברות אוטונומיות (כמו Devin). השורה התחתונה: אין טעם לקחת תהליך שבור וצוותים מופרדים ולהדביק להם AI כפלסטר. זו הזדמנות לעשות הנדסה מחדש לדרך שבה אנחנו מנהלים את האמינות של … להמשך הערות הפרק באתר

    • Transcript
    • Chapters
  • #517
    July 9 · 37 min

    517 - Bumpers 92

    פרק מספר 517 של רברס עם פלטפורמה - ואנחנו בבמפרס 92! רן, דותן ואלון מתכנסים לדבר על הטרנדים החמים בעולמות הפיתוח, החל מ-Loop Engineering וסקילים לאג'נטים, דרך המעבר של Bun ל-Rust, ועד לטריקים יצירתיים לחיסכון בטוקנים ומבחן הטיורינג החדש. [02:22] קול קורא ולופ אינג'ינרינג רן מזכיר שהקול הקורא (CFP) לכנס רברסים 2026 עדיין פתוח (עד ה-26 ביולי) - זה הזמן להגיש הצעות להרצאות! שיחה על Loop Engineering - מתודולוגיה לאוטומציה של פיתוח מבוסס אג'נטים שמטריפה את הרשת. אדי אוסמאני (Addy Osmani) כותב על זה לא מעט בטוויטר. מומלץ לקרוא את הפוסט המסכם שלו בנושא שעושה סדר במרכיבים השונים של הלופים ואיך להשתמש בהם נכון. [11:15] המעבר של Bun מ-Zig ל-Rust ההחלטה הארכיטקטונית המעניינת מאחורי המעבר של פרויקט Bun - נכתב על כך פוסט מפורט בבלוג שלהם: Bun from Zig to Rust. דיון על ההבדלים בניהול זיכרון ב-Zig לעומת Rust ועל היתרונות לטווח ארוך למרות הבינארי הקטן ש-Zig מציעה. האם עקומת הלמידה הקשוחה של Rust כבר לא רלוונטית בעידן שבו האג'נט כותב ומקמפל את הקוד בעצמו? [19:45] ערימות של סקילים לאג'נטים דותן משתף על ריפוזיטורי מעולה של אדי אוסמאני שמכיל סקילים שימושיים לאג'נטים: agent-skills. המלצה רותחת על סקיל לכתיבת דוקומנטציה: Documentation Writer. דותן ניסה אותו על פרויקטים ישנים וגילה שהאג'נט יכול לכתוב דוקומנטציה מושלמת מאפס ב-5 דקות, תהליך שבעבר לקח שעות של כתיבה וריבים פנימיים. [26:04] לדבר כמו איש מערות כדי לחסוך טוקנים אלון מציג פתרון לבעיית ה"חפירות" של האג'נטים (והבזבוז הנלווה של טוקנים). הרעיון הוצג בציוץ של Hesamation. הפרויקט עצמו, Caveman, גורם לאג'נט לפשט את השפה, לדבר כמו "אדם קדמון" ולתמצת ניסוחים לשליש מגודלם המקורי. טיפ נוסף מאלון: במקום לקרוא הררי טקסט, אפשר לבקש מהאג'נט לייצר סימולציות והמחשות ויזואליות ב-HTML כדי להבין מצבים מורכבים כמו עומסי טראפיק ו-Circuit Breakers. [30:17] פינת המצחיקונים: מבחני טיורינג, משקולות ופרומפטים מוחבאים מבחן טיורינג החדש: נסו לגרום ל-LLM פשוט לספור עד 100. תראו את סרטון הטיקטוק של Husk שמדגים איך שלושה אג'נטים מנסים לחשוב על אסטרטגיה מורכבת לספור ביחד - ונכשלים. In The Weights: האם השם שלכם נמצא בתוך המשקולות של מודלי השפה? האתר In The Weights מאפשר לכם לבדוק מה ה-AI חושב עליכם (רן גילה שהוא זמר ומשקיע, ואלון הוא בכלל מדבב). Prompt Injection בלינקדאין: המשתמש tmuxvim הוסיף פרומפט מוחבא בפרופיל שלו שגורם לבוטים של מגייסים לפנות אליו אוטומטית באנגלית עתיקה ומוגזמת בנוסח ימי הביניים. חיסכון בעלויות דרך תמונות: איך חותכים את צריכת הטוקנים כשיש הרבה קונטקסט? ממירים את הכל לתמונה! הפרויקט pxpipe מדגים איך העברת היסטוריה ומסמכים כטקסט-בתוך-תמונה מוזילה משמעותית את עלות הקריאות למודלים. האזנה נעימה!

    • Transcript
    • Chapters
  • #516
    June 17 · 55 min

    516 - Carburetor 41 Open source and agentic coding

    פרק מספר 516 של רברס עם פלטפורמה - קרבורטור מספר 41. הפעם רן ואורי מארחים את נתי לשיחה על נקודת המפגש המרתקת שבין קוד פתוח לקידוד מבוסס סוכנים (Agentic Coding). דיברנו על העתיד הדיסטופי והאופטימי של מפתחי קוד פתוח, איך משווקים מוצרים ל-Agents, ולמה שורת הפקודה (CLI) חוזרת אלינו בענק. [01:04] העתיד המדומיין של AI (סיפורו של OpenClaw) נתי משתף סיפור משעשע על ניסיון לחקור את "OpenClaw". הזיות (Hallucinations) של מודלים: Claude מאשר את העובדות, בעוד ש-Gemini מנתח שמדובר בהמצאה עתידית (פברואר 2026). הבנה שמודלי שפה (LLMs) הם מנועים הסתברותיים ולא מנועי חיפוש עובדתיים. [05:58] החזון הדיסטופי: האם AI יהרוג את הקוד הפתוח? בעיית ההעתקה: בעבר קוד הוגן על ידי רישיונות (כמו AGPL), היום קל לבקש מהמודל לשכתב קוד משפה אחת לאחרת (למשל מ-NodeJS ל-Rust) בעלויות אפסיות. קריסת מודלים עסקיים: עלויות התמיכה והאופרציה (Operation) יורדות כי ה-Agent מתקן תקלות לבד, מה שחותך את ההכנסות של חברות כמו Red Hat. עומס על ה-Maintainers: קוד מג'ונרט על ידי Agents נראה מעולה ומתועד היטב, אבל לא תמיד נכון ארכיטקטונית או לוגית. גישות התמודדות: חלק דורשים לקבל את ה-Prompt (הכוונה) ולא את הקוד עצמו, בעוד שאחרים (כמו יוצר שפת Zig) אוסרים לחלוטין גישה של AI לפרויקט. [15:15] החזון האופטימי: שיווק לסוכנים (GEO) מעבר מ-SEO ל-GEO (Generative Engine Optimization): סוכני AI הם הלקוחות החדשים. איך Agent בוחר כלים? לפי איכות הקוד, הפופולריות שלו ב-GitHub, ובעיקר לפי התיעוד. קוד פתוח הופך לכלי שיווקי קריטי (Open Core) כדי שהסוכנים יוכלו למצוא, להבין ולהמליץ על המוצר. מודלים היברידיים ו-Freemium: מוצרים (כמו Postits) מציעים גישה ללא חומת תשלום (Paywall) בשלבים הראשונים, מה שמאפשר ל-Agents לעבוד איתם בקלות דרך API (Headless SaaS), ואפילו לבצע רכישות בעצמם בהמשך דרך Stripe. [30:29] שובו של ה-CLI ומגבלות ה-MCP הדיבייט סביב MCP (Model Context Protocol): הפרוטוקול כבד, "זולל" טוקנים (Token hungry) עבור הקונטקסט, ודורש תחזוקה של שרתים נוספים. למה Agents כל כך אוהבים CLI (שורת פקודה)? גישה ישירה לאקוסיסטם המקומי והרשאות (כמו Kubernetes או סביבות ענן) בלי לחשוף מפתחות לשירות חיצוני. יכולת לבצע מניפולציות מורכבות בצד הלקוח (Chaining, Grep, Sed) מבלי לשנות קוד ב-Backend, מה שהופך את המודלים לאנשי DevOps מעולים. [36:17] רישיונות קוד פתוח וה"נשמה" של המוצר האתגר באכיפת רישיונות (כמו GPL) בעולם שבו קשה להוכיח על איזה קוד המודל התאמן ואם בוצעה העתקה. הבדל חשוב בטרמינולוגיה: מודלים של "Open Weights" לעומת מודלים שה-Training Data שלהם באמת פתוח. תוכנה כיצירת אומנות מול קומודיטי (Commodity): האם קוד מג'ונרט יכול להחליף את החזון וה"נשמה" (Soul) של מפתחים בולטים? ההשוואה לעולם המוזיקה מדגישה שמשתמשים הולכים אחרי האומן והחזון, לא רק אחרי הקוד היבש. [50:25] רגולציה ומודלי Open Weights אורי מעלה נקודה מעניינת על החסימה של מודל Fable 5 / Mytos 5 (של Anthropic) למשתמשים מחוץ לארה"ב על ידי הממשל האמריקאי. ההשפעה של רגולציה: ה"תקרת זכוכית" הזו עלולה לפגוע בחברות המסחריות האמריקאיות בטווח הקצר, ודווקא לדחוף קדימה מודלים פתוחים (Open Weights) סיניים או אירופאים שאינם כפופים לאותן מגבלות. האזנה נעימה!

    • Transcript
    • Chapters
  • #515
    May 7 · 52 min

    515 - Bumpers 91

    פרק מספר 515 של רברס עם פלטפורמה - באמפרס 91. רן תבורי, דותן ואלון מתכנסים לפרק באמפרס עמוס בחדשות טכנולוגיות, AI, שינויים בשוק התעסוקה, כלים חדשים למפתחים, והדילמה הנצחית של "אש או בוץ" בפרויקטים של קוד פתוח. [00:51] השקיעה של Stack Overflow רן פותח עם גרף שמראה את צניחת כמות השאלות הנשאלות ב-Stack Overflow לאורך השנים. האפקט ברור: מרגע שהבוטים שלנו מיצו את התוכן והחלו לתת לנו תשובות מיידיות, הטראפיק לאתר התרסק. דותן מציין שהירידה הכללית החלה עוד קודם, אך קפצה זמנית בתקופת הקורונה. [04:10] כולם מדברים על סקילים עולם סוכני הפיתוח (Agents) לא זז היום בלי סקילים (Skills). מקום מעולה להתחיל בו הוא האתר https://skills.sh/. דוגמה כיפית ושימושית מתוכו: סקיל לספריית Manim (של ערוץ היוטיוב 3Blue1Brown) שמאפשר ליצור אנימציות מתמטיות בקלות. הנה ציוץ הדגמה בטוויטר, והקישור לסקיל עצמו ב-Skills.sh. בעקבות הביקוש, נוצרה ממש תעשייה של מנועי חיפוש וספריות של סקילים: http://skills.sh (למקרה שפספסתם) https://context7.com/ https://skillsmp.com/ ריפו מעניין בגיטהאב: https://github.com/mhattingpete/claude-skills-marketplace [07:44] העתיד של ממשקי המשתמש ו-MCP Apps הסטנדרט החדש, MCP-apps, מאפשר להעביר רכיבי HTML אינטראקטיביים ישירות בתוך MCP (ולא רק טקסט). הפרויקט מובל בין היתר על ידי ליעד ועידו, מי שהקימו בעבר את https://mcpui.dev/. שווה לראות את סרטון ההדגמה ביוטיוב. ליעד השיק לאחרונה כלי מעניין נוסף בשם https://ora.run/ שמאפשר לכם לבדוק עד כמה האתר או הביזנס שלכם מותאם לקריאה על ידי סוכני AI (Agent-Ready). דיון פילוסופי קצר: איך ייראה עתיד ה-UX? חברות ענק כמו סיילספורס (Salesforce) כבר עברו להציע חוויית Headless מלאה שפונה קודם כל לאייג'נטים. [13:35] דונלד קנות', קלוד, והסקפטיות שנשברה פרופסור דונלד קנות' (Donald Knuth), מאבות מדעי המחשב, פרסם לאחרונה מאמר מרתק תחת הכותרת Claude Cycles. המסר המרכזי: קנות' התחיל כסקפטי מוחלט בנוגע ליכולות של כלי AI לכתוב קוד איכותי, אבל לאחר סדרת ניסויים, הוא מודה שהופתע לטובה. [15:52] פלטפורמות ניהול והרצה לאייג'נטים לכתוב סוכן זה קל, להריץ אותו בסביבה מאובטחת בסקייל ללקוחות זה סיפור אחר לגמרי. הפתרון? פלטפורמות Agent Hosting שצצות עכשיו בכל מקום: אנתרופיק (Anthropic) מציעים Managed Agents. גם OpenAI חזק במשחק עם פלטפורמת Frontier. ואמזון (AWS) הציגה את Bedrock AgentCore. [23:14] פיטורי AI ועתיד שוק התעסוקה התעשייה עוברת שינויים כואבים. חברות כמו Block ו-Coinbase מקטינות את מצבת כוח האדם ומצמצמות צוותים כפועל יוצא מהתייעלות מבוססת AI. למרות זאת, נשמעים גם סיפורים על חברות שמעדיפות כרגע לשכור מפתחים ג'וניורים זולים במקום לשלם על עלויות תפעול גבוהות של כלי AI. אז מה העתיד טומן בחובו? אולי לפחות נוכל לתת לרובוט לקפל לנו את הכביסה. [25:54] כלים לטרמינל … להמשך הערות הפרק באתר

    • Transcript
    • Chapters
  • #514
    May 6 · 34 min

    514 - Attack Analytics

    פרק מספר 514 של רברס עם פלטפורמה - Attack Analytics. בפרק זה רן ואורי מארחים את ד"ר גיא וייזל, Tech Evangelist בחברת Cato Networks, לשיחה מרתקת על האופן שבו בינה מלאכותית משנה את חוקי המשחק בעולם הסייבר. דיברנו על מודלי AI מתקדמים, כיצד הם מאיצים מתקפות של האקרים אך גם משפרים את יכולות ההגנה, ואיך פרוטוקולים עתיקים יכולים להוות נקודת תורפה מסוכנת לתשתיות פיזיות. [00:00] ל"ג בעומר, כנס רברסים ופתיחת הפרק חג שמח! מקליטים על הדרך למדורה של רבי שמעון. עדכונים לגבי כנס רברסים 2026: אנחנו כבר עובדים במרץ ומגייסים ספונסרים לכנס הקהילתי. אם הארגון שלכם מעוניין לתמוך, מוזמנים לשלוח לנו מייל ל-team@reversim.com (או כל וריאציה אחרת שעובדת לכם). קול קורא (CFP) להגשת הרצאות לכנס ייפתח ממש בקרוב. [01:05] הכירו את ד"ר גיא וייזל ואת חברת Cato Networks גיא משמש כ-Tech Evangelist ב-Cato Networks, תפקיד היושב בתפר שבין קבוצות ה-R&D והמוצר לבין עולם השיווק, החדשנות, ועבודת השטח בעולמות הסייבר וה-AI. קצת על קייטו נטוורקס: החברה, המונה כ-1,800 עובדים (עם מרכז פיתוח גדול בתל אביב), חלוצה בקטגוריית ה-SASE (Secure Access Service Edge). הפלטפורמה מספקת איחוד של רשת ואבטחה כשירות בענן - מעין "כיפת ברזל" לסניפים ומשתמשים של ארגונים ברחבי העולם. במקום להסתמך על ריבוי מוצרי נקודה (Point Solutions), הארגון מקבל תמונה מלאה וקונטקסט רחב על הכל תחת פלטפורמה אחת (הכוללת SD-WAN, DLP, CASB, Zero Trust ועוד). [06:07] עידן ה-"Mytus Moment" והשפעת ה-AI על מתקפות סייבר רן מזכיר מודל מיתולוגי ומתקדם ממשפחת Claude של Anthropic שמסוגל לאתר ולנצל פרצות אבטחה ביעילות מפחידה. גיא מתאר את המצב כ-"The Mytus Moment" – סמן לתעשייה על כניסתם של מודלים מתקדמים (מבית אנתרופיק, OpenAI ואחרים) שמייצרים קפיצת מדרגה בעולם התקיפה (ראו גם: Cato joins OpenAI's Trusted Access for Cyber TAC). מה בעצם משתנה בפועל? מתודולוגיות התקיפה עצמן (Reconnaissance, Lateral Movement) נותרו דומות, אך ה-Scale והמהירות צמחו משמעותית. ה-AI מצמצם את זמן התגובה מגילוי ה-Zero-day ועד לניצול בפועל – משבועות וחודשים לשעות או דקות. במקום סריקות גנריות (כמו של Script Kiddies), סוכני AI יודעים כעת לתפור וקטורי תקיפה מותאמים אישית למטרה ספציפית, ולשרשר חולשות (Vulnerability Chaining) כדי להתקדם ברשת בצורה עצמאית וחכמה. [16:04] כשה-Agents חובשים כובע לבן: איך משנים את תפיסת ההגנה בדיוק כפי שתוקפים נעזרים ב-AI, ארגוני הסייבר חייבים לאמץ Agents הגנתיים כדי להתמודד עם קצב האיומים החדש. מעבר ממנגנונים מבוססי חתימות (Signatures) לזיהוי אנומליות ופעילות דינאמית מבוססת קונטקסט מלא של המשתמש והרשת. שינוי דרמטי במדדי ההצלחה (SLA) של צוותי אבטחה: המיקוד עובר מ-Time to Patch (זמן תיקון החולשה). להתמקדות ב-Time to Protect (זמן ההגנה הרציפה בסביבת הריצה). יש חשיבות גוברת ל-Shift Right (הגנה על ה-Production בזמן אמת) ולא רק ל-Shift Left. מלכודות לסוכני AI: מחקר של קייטו חשף את WebPromptTrap – פרצת Indirect Prompt Injection חדשה שמדגימה כיצד תוקפים יכולים לחטוף סוכני AI דרך תוכן זדוני המוטמע באתרים. [18:04] מתקפות על תשתיות פיזיות: הבעיה עם פרוטוקול Modbus Modbus הוא פרוטוקול תקשורת ותיק (משנת 1979) המשמש … להמשך הערות הפרק באתר

    • Transcript
    • Chapters
  • #513
    April 30 · 39 min

    513 - Hebrew PDF at AI21Labs

    פרק מספר 513 של רברס עם פלטפורמה. רן ואורי מארחים את יובל פלג לוי מ-AI21 Labs לשיחה על אחד האתגרים המורכבים והכאובים בעולם ה-AI הארגוני: חילוץ והבנה של קובצי PDF, בדגש על השפה העברית. יובל משתף במחקר מרתק וטריק יצירתי במיוחד שהם פיתחו כדי לגרום למודלים לקרוא עברית בצורה חלקה. [00:00] היכרות ומה עושים ב-AI21 יובל נמצא ב-AI21 כבר כארבע שנים (לפני כן עבד ב-SparkBeyond וב-Ginger Software). ב-AI21 עסק תחילה בסיכומים וב-Pre-training של המודל Jamba, וכיום מתמקד בעולם ה-Agents. המערכת המרכזית עליה עובדים היום בחברה נקראת Maestro, שנועדה לתת שליטה (Controllability) ולהוציא את המקסימום מאייג'נטים מבחינת איכות ועלויות. הקשר ל-PDF: מדובר בבלוק מידע בסיסי בעולם. אם מכניסים לאייג'נט PDF "מורעל" שבו המילה 'רן' מפוענחת כ-'דן', כל ה-Pipeline וההקשר הסמנטי נהרסים. [04:38] למה PDF זה כזה כאב ראש? בניגוד ל-HTML או LaTeX, פורמט PDF הוא נורא לא סמנטי ומתבסס בעיקר על גרפיקה. הפרימיטיבים המרכזיים שם הם שורות מרחפות וגרפיקות וקטוריות. למשל, טבלה היא פשוט אוסף של שורות עם ציור של קווים ביניהן. חבילות מודרניות לקריאת מסמכים (כמו MinerU או Marker) מנסות להרכיב Pipelines שמשלבים מודלים לזיהוי אזורים ויזואליים יחד עם חילוץ מטא-דאטה, אבל זה מורכב. צלילה לעברית: ב-AI21 יצרו דאטה סינתטי וגילו שיש צניחה משמעותית בביצועים (עשרות אחוזים) של כמעט כל המודלים בשוק כשמדובר בעברית, כולל מודלי State of the Art. [15:56] הפתרון: לעבוד על המודל בעיניים מדעני נתונים בדרך כלל בוחרים בין כתיבת חוקים (יוריסטיקות) לבין אימון מודל מאפס עם המון דאטה. ב-AI21 רצו להימנע משני הפתרונות הללו. הרעיון: לקחת מודל שטוב באנגלית, ולגרום לו לחשוב שהוא קורא אנגלית - למרות שהמסמך בעברית. אי אפשר פשוט לתרגם את המילים לאנגלית, כי אורך המילים ישתנה וידרוס אלמנטים גרפיים וגבולות של טבלאות. אי אפשר להמיר את המילים לסתם מספרים או תווים, כי המודל לא מבין הקשר כזה. הפתרון שנבחר: לקחו מילים פופולריות באנגלית ומיפו אותן לגודל התיבה (Bounding Box) שלהן. עבור כל מילה בעברית במסמך, מצאו מילה באנגלית שיש לה בדיוק את אותן מידות פיזיות של גובה ורוחב, והחליפו אותה במסמך (תוך שמירת המיפוי במילון). התוצאה: מסמך PDF מרונדר מחדש, שנראה ויזואלית תקין לחלוטין עם רווחים מדויקים, אבל קריאה שלו באנגלית היא ג'יבריש מוחלט ללא כל משמעות סמנטית. [24:30] מדידות, ביצועים ו-DeepSeek-OCR כדי למדוד את ההצלחה, יצרו דאטה-סט בעברית שתויג ידנית באמצעות Label Studio. השתמשו בפורמט בדיקה מקובל בתעשייה בשם OmniDocBench, המשתמש במדדים כמו Edit Distance לטקסט ו-Tree Edit Distance לטבלאות (שניתן לייצג במבנה עצי כמו HTML). התוצאות: שיפור מרשים בכל המודלים שניסו (קפיצה של כ-7-8 אחוזים במודלים חזקים). הקסם האמיתי הוא במודלים מסוג On-Prem (עבור בנקים או גופים ביטחוניים שלא יכולים להשתמש ב-API חיצוני) - שם השיטה הקפיצה את אחוזי ההצלחה מ-10% ל-50%. כדי לחסוך את זמן העיבוד שדורש הרינדור מחדש של ה-PDF בזמן אמת, AI21 השתמשו בשיטה הזו כדי לאסוף ולייצר מסד נתונים עצום. בעזרתו הם אימנו מודל משקולות מבוסס DeepSeek-OCR שעושה את העבודה בצורה מהירה ויעילה, וגם יודע להתמודד עם מסמכים סרוקים (שאין להם מטא-דאטה להישען עליו). [35:00] מה לגבי שפות אחרות? ערבית: בדקו את השיטה גם על ערבית, וגילו שחלק מהמודלים הגדולים מציגים מדדי ביטחון (Self-Consistency) גבוהים מאוד בערבית ולכן השיטה פחות השפיעה שם, אבל כן עזרה משמעותית במודלים קטנים (Mini/Nano). השערה: מודלים של שפה הם חיות שניזונות ממידע קיים, ופשוט יש הרבה פחות מידע זמין בעברית ברחבי האינטרנט ביחס לשפות אחרות. קריאה נוספת: RTL PDF Parsing — הבלוג של AI21 האזנה נעימה!

    • Transcript
    • Chapters
  • #512
    February 24 · 47 min

    512 - Carburetor 40

    פרק מספר 512 (חזקה תשיעית!) של רברס עם פלטפורמה - קרבורטור מספר 40, שהוקלט ב-24 בפברואר 2026. נכון למועד ההקלטה עדיין אין מלחמה [לא התיישן טוב…], ואורי ורן מארחים את הנביא האורח נתי שלום לשיחה, דיונים, וויכוחים ותחזיות (דיסטופיות ברובן) על עולם שבו ה-AI כבר לא רק כותב קוד, אלא מחליף את המציאות כפי שהכרנו אותה. [01:58] "משהו גדול קורה": הניתוח של Matt Shumer בלוג-פוסט של המפתח Matt Shumer, שנקרא Something Big is Happening התפרסם בלא מעט מקומות והיכה גלים. מעבר מסקפטיות מוחלטת ("זה בחיים לא יעבוד") למצב שבו המודל עושה את כל עבודת הקידוד שלו. נתי - מה שמעניין פה זה הניתוח של שוק העבודה, ואיך נראה שוק ה-Hiring כפי שהוא היום. הדיבורים על "הכתובת על הקיר" זה כבר פאסה – "הכתובת היא כבר בכיס כמעט". הנתונים מראים ירידה משמעותית ב-Hiring שהתחילה כבר משנת 2025 ונמשכת לתוך 2026. "זה קורה עכשיו - ועכשיו אתה צריך לבחור באיזה צד אתה נמצא: הצד המרוויח או הצד הנפגע". רן מדגיש שזה לא רק למפתחים – גם עורכי דין ורואי חשבון ובכל שאר המקצועות צריכים להחליט באיזה צד הם. יש כאן (לפחות) שני אספקטים עיקריים - איך אנחנו רואים את שוק התוכנה, ואז זה משפיע על כל שאר שוק העבודה. אורי - אנחנו רואים את ההשפעה מבפנים, בתוך שוק התוכנה. האם ישנן תעשיות שלא מושפעות עדיין, או לפחות לא מרגישות את זה? למשל יוצאי יחידות טכנולוגיות שמאוד מבוקשים בשוק, אבל ארגונים בטחוניים לא יכולים להכניס הרבה מהטכנולוגיות Cutting-edge הללו, לפחות לא בקצב שהן יוצאות. מועמדים כאלה אולי פתאום לא מתאימים בדיוק לעולם שרץ "בחוץ". נתי משתף סיפור אישי/מקצועי על שיר אלגום, שנדחתה ממשרה ב-HR כי לא הכירה מספיק AI, ובתגובה הפכה למומחית שמרצה ב-Amazon. שינוי גישה**:** "העולם השתנה, הבנתי, אני עכשיו באירוע". אורי ונתי מחפשים השוואות למהפכות קודמות, ולא בטוחים אם יש כאלו בדיוק - מעבר משימוש ב-Intellect האנושי כדי לייצר יתרון - למצב בו "ה-Intellect עובר קומודיטיזציה". אין יותר Job security בהייטק המסורתי, וחזרה לכיוון של מקצועות יותר "מסורתיים", פיזיים. [10:17] עידן ה-Agents וה-+Resume נתי - קונספט של "Professional Agents": מומחים כבר לא מוכרים את עצמם כעובדים, אלא כסוכנים, או ככאלה שמתמחים ביצירת סוכנים. סוכן הוא כמו ילד – צריך לגדל אותו ולשכלל אותו, דורש הרבה Nurturing. רן - ספציפית: מדברים על מעצבים, רואי-חשבון - מקצועות ספציפיים, שהם אולי לא חלק מהליבה של החברה, אבל נמצאים בכל חברה. נתי - דוגמא של Marketing: אם מישהו כבר הכין את רוב ה-Workflows מראש, זה משהו שאני מוכר לשלם עליו. אורי מציין שגם בגידול של ילד באיזשהו שלב עוברים ל-Outsourcing יותר ויותר . . . חברות עוברות לתת שירות של סוכן יחד עם "גידול סוכנים" ושכלול שלהם: סוכן + משהו שמתחזק אותו ומתאים אותו לצרכים שלך. הבשורה טובה: יש לאן להתפתח - בכל פעם שחסמי-כניסה יורדים, נפתחים תחומים חדשים אורי ונתי קצת חלוקים על הנקודה, אבל זה דומה למה שהיה בתחילת ימי ה-SaaS, שאולי לא היה קיים אם לא היה Cloud, לפחות לא בקצב וב-Scale, שקודם לכן היה שמור לארגונים מאוד גדולים ולא לסטארטאפים. דוגמא דומה היא Big-Data. נתי אומר שהורדת חסמי-הכניסה תכניס הרבה גורמים חדשים לתחום, לאו דווקא רק מכיוון של מדעי-המחשב. אורי - השוני במהפכה הזו הוא שיש מצב שבו סוכן יכול לייצר סוכן יותר טוב . . . נתי מפריד בין מוצרים "גנריים" - יש את המודלים של Anthropic ו-OpenAI ומשפחות המוצרים הנגזרות וכו' - ובין ה"OpenClaw למיניהם", שהם גרסא פשוטה יותר וזולה יותר, יחד עם קוד-פתוח ומוצרים בסגנון הזה. רן משווה את המאבק בין מודלים גנריים (כמו Anthropic) … להמשך הערות הפרק באתר

    • Transcript
  • #511
    January 25 · 38 min

    511 AI Protection and Governance with Nimrod from BigID

    פרק מספר 511 של רברס עם פלטפורמה, שהוקלט ב-18 בינואר 2026. אורי ורן מקליטים בכרכור (הגשומה והקרה) ומארחים את נמרוד וקס - CPO ו-Co-Founder של BigID - שחצה את כביש 6 בגשם זלעפות כדי לדבר על אתגרים טכנולוגיים בעולם המופלא של Data Production ו-Security. 🎗️ [00:38] נמרוד, BigID ולמה אנחנו צריכים קטלוג ל-Data? נמרוד - אחד מה-Co-Founders של BigID, ש”עוזרת לארגונים להבין את ה-Data שלהם”. האתגר המרכזי של ארגונים היום הוא שהם אוספים אינסוף מידע (על לקוחות, עובדים, שוק), אבל מתקשים בשלושה דברים עיקריים: להגן עליו, לעמוד ברגולציות (פרטיות), ולהפיק ממנו ערך (למשל לטובת AI). הפתרון של BigID: בניית קטלוג של כל המידע בארגון. סריקת כל המערכות: Unstructured, Structured, Big Data, Cloud Storage, Business Applications . . . וגם אספקטים של Data at Rest & In Motion: מציאת המידע “איפה שהוא לא נמצא”. החברה עושה קלסיפיקציה (Classification) של המידע - שכבה סמנטית של ה-Metadata, ולא רק סמנטיקה: המערכת ממפה את ה-Metadata העסקי (“למה המידע משמש?”), האופרטיבי (“מי ה-Owner? למי יש גישה?”) והטכני. כולל Contextual Metadata - עמודות, שורות, Foreign Keys . . . לחברה יש גם את היכולת לייצר קורלציה ל-Data Subject – כלומר, להבין למי המידע שייך (לאיזה אדם ספציפי הוא מתייחס), שזה הבסיס לעולמות הפרטיות (כמו "הזכות להישכח"). מעל הקטלוג הזה, BigID מנגישה אפליקציות - להגן על המידע - Data Access, Governance, Monitoring, Control. כולל היבטים של רגולציה בהגנה על המידע, בעיקר סביב Privacy Management. היום יש גם הרבה אספקטים של רגולציה סביב AI - ואיך להפיק ערך מהמידע הזה. הייחוד של החברה בעולמות ה-AI הוא היכולת לייצר קטלוג של Unstructured Data - שזה היום המקור המרכזי של AI. אם פעם אנשים היו מסתכלים על ה-Snowflake או על ה-Databricks שלהם כדי לעשות אנליזה למידע - היום הם מסתכלים על ה-OneDrive גם כדי למצוא את המידע שהם רוצים - וגם כדי למחוק את המידע שהם לא רוצים. רן - “אם פעם פיצ’רים היו בתוך עמודות ב-Database, היום אני מסתכל פשוט על Unstructured Text” . . . . החברה מאפשרת Secure pipelines ל-AI, ופיצ’רים של Security - גם ב-Design time וגם ב-Runtime - לאפליקציות AI. וגם אפשרות להפיק את המידע הזה החוצה - לספק את ה-Metadata הזה לכל אפליקציה אחרת בארגון כלי Cataloging לשימושי AI או למטרות Security - העשרה של המידע עם מידע (Metadata . . . ). נמרוד מגיע מרקע של Product Management - ניהל את ה-Identity Management Product Line של CA (היום בתוך Broadcom). ולפני כן רקע טכני - מפתח בתחומים של Security. [05:18] האתגר הטכנולוגי: "אתה לא יכול להגן על מה שאתה לא רואה" רן מעלה את המשפט הידוע: "You can't protect what you can't see" - מה המשמעות מבחינת הלקוחות של BigID? מהם האתגרים הטכניים בייצור של פתרונות עבורם? נמרוד מסביר ש-BigID קמה על מנת לתת לארגונים את ה-Visibility הזה. ארגונים לא יודעים מה יש להם - וגם כשארגונים חושבים שהם יודעים איפה המידע הרגיש שלהם נמצא, בפועל הם טועים. ועל מנת להגן על מידע רגיש, בתור התחלה צריך לדעת איפה הוא - וזה האתגר מספר 1. דוגמא … להמשך הערות הפרק באתר

  • #510
    January 15 · 36 min

    510 Federated Learning with Tal from Rhino

    פרק מספר 510 של רברס עם פלטפורמה, שהוקלט ב-6 בינואר 2026. אורי ורן מקליטים בכרכור ומארחים את טל (מאזין ותיק!) מחברת Rhino Federated Computing לשיחה על עולם של חישוב מבוזר, פרטיות רפואית, הצפנות הומומורפיות ונוסטלגיה ל-SETI@home (ולא AI! טוב, גם…). 🎗️ לפני הכל - טל הוא מאזין ותיק, אי שם מאזור פרק 300 [מה קורה באמת עם התחזית של נתי על המוצר הצעיר והחדשני Apache Spark?] שהחליט להרים את הכפפה בעקבות הקריאה בכנס האחרון לרעיונות לראיונות. תהיו טל! [01:28] טל, Rhino, ומה זה Federated Computing / Learning טל טיאנו-עינת - מתכנת, בוגר 8200, 20 שנה בתעשייה. בעבר CTO ו-Co-Founder, פעמיים עובד מוקדם או בין הראשונים בסטארטאפים, 8 שנים בטכנולוגיה חינוכית. ו-Python Core Developer, ספציפית של CPython [כבוד!] היום מוביל את תחום ה-Backend ב-Rhino Federated Computing. ו-Rhino Federated Computing עוסקת בגדול ב“חישוב מבוזר ומשמר פרטיות”. תכל’ס - מאפשר לעבוד עם כל המידע וכל ה-Data הרב מאוד שקיים היום בעולם. יש המון Data - אבל זה מידע רגיש (רפואי, פיננסי) שצריך להישאר “נעול בכספות”. ועדיין - רוצים להפיק ממנו תובנות. הפוטנציאל משיתוף מידע כזה הוא עצום, וצריך לדעת לעשות את זה בזהירות. בגדול, העולם מלא ב-Data (שליש מהמידע הדיגיטלי הוא רפואי), אבל הוא יושב ב-Silos: אי אפשר להוציא אותו בגלל רגולציה ופרטיות, ולא עושים איתו כמעט שום דבר. "אם תשאל חוקרים, כמעט כולם יגידו: 'האתגר הכי גדול שלי זה להגיע ל-Data. הוא יושב שם, אבל לא עושים איתו כלום." הפתרון של Rhino Federated Computing זו פלטפורמה, שמאפשרת להשאיר את ה-Data “במקום הטבעי שלו” (ב-Edge), ולשלוח את הקוד/המודל למחשב מקומי שירוץ עליו ויחזיר רק תוצאות נגזרות - אגרגטיביות (Aggregated) או משקולות (Weights) - שלא חושפות יותר מדי. באופן כללי, Federated Learning (או Federated Computing) מדבר על אוסף של שיטות, טכניקות ואלגוריתמים, שעוזרים להשתמש במידע הזה - אבל לעשות את זה באופן שמשמר פרטיות. [04:32] אז איך עובד הקסם הזה, מהם ה-Use Cases ומי מנהל את גן החיות? זה בדרך כלל תהליך איטרטיבי (Iterative) - מתחילים מנקודת התחלה משותפת של המשקולות ושולחים לכל מיני אתרים שיש בהם את ה-Data. בכל אתר עושים אימון מקומי נפרד - ואז שולחים עדכונים למשקולות (מכל אתר). עושים אגרגציה (Aggregation) של הנתונים המעודכנים - ושוב. רן (בתפקיד הפרקליט השטן): למה לסבך? למה לא לעשות אנונימיזציה (למחוק ת.ז ושם), לשלוח הכל לשרת מרכזי אחד ולאמן שם? נשמע הרבה יותר פשוט . . . טל ציין כמה סיבות - רגולציה: מקשה מאוד . . . . לפעמים החוק פשוט אוסר את זה. בירוקרטיה: צריך לחתום על חוזים להוצאת Data מבית החולים, וזה יכול לקחת חודשים ואפילו שנים (להגדיר למי ספציפית מותר לגעת במה וכו’). וגם אז - זה יהיה עבור פרויקט אחד ספציפי . . . פרטיות: אנונימיזציה זה לא מספיק - הצלבת מידע (Re-identification) היא קלה מדי היום. מקרה לדוגמא - נניח למשל חוקר באיזשהו מוסד רפואי, שלא מעוניין להקים לבד את כל … להמשך הערות הפרק באתר

  • #509
    January 11 · 1 hr 13 min

    509 Bumpers 90

    רק מספר 509 של רברס עם פלטפורמה - באמפרס מספר 90, שהוקלט ב-1 בינואר 2026, שנה אזרחית חדשה טובה! רן, דותן ואלון באולפן הוירטואלי (עם Riverside) בסדרה של קצרצרים וחדשות (ולפעמים קצת ישנות) מרחבי האינטרנט: הבלוגים, ה-GitHub-ים, ה-Rust-ים וה-LLM-ים החדשים מהתקופה האחרונה. 🎗️ [00:46] רן - חדשות, מחקרים ומגמות מתקפת הסייבר על Anthropic מתקפת סייבר משמעותית כנגד חברת Anthropic (היוצרים של Claude), שבוצעה ככל הנראה על ידי “גורם מדינתי” [לכאורה עם דגל אדום ורפובליקה עממית . . . ], ב-Scale מאוד גבוה - Disrupting the first reported AI-orchestrated cyber espionage campaign \ Anthropic השתמשו ב-Claude Code כדי לעקוף את ההגנות והאבטחות השונות. הייחוד במתקפה (מעבר ל-Scale גדול מאוד והגורם המדינתי שמאחוריו, לפחות בהתקפות מתועדות) היה השימוש במודלי שפה (LLMs) כדי לעקוף מנגנוני הגנה (Jailbreaking) ו"אבטחות" של מודלים אחרים. השוואה לאירוע ל"אירוע הצ'ירוקי" [Cherokee] (ההשתלטות מרחוק על הג'יפ - Hackers Remotely Kill a Jeep on the Highway—With Me in It | WIRED), אירוע מכונן שמעיר את התעשייה לסיכוני האבטחה הממשיים ב-AI - אז זה היה אירוע מכונן בתעשיית הסייבר להגנת כלי-רכב. [וכן - כמעט בדיוק שנה מאז האזכור הקודם של הרפרנס - אז ב - 488 Developing with LLMs securely, with Guy from Pillar] מי אמר “Big High-Tech” במקום “Big Pharma”? [אלון, בפניייה נרגשת לספונסרים]. מחקר של מכון METR ו"חוק מור" של ה-AI [כאן - Measuring AI Ability to Complete Long Tasks - METR] מחקר של מכון METR [שפגשנו לאחרונה ב-Bumpers 87] מראה … להמשך הערות הפרק באתר

  • #508
    January 3 · 41 min

    508 Controlled image generation with Misha from Bria.ai

    פרק מספר 508 של רברס עם פלטפורמה, שהוקלט ב-30 בדצמבר 2025, קצת לפני שנגמרה השנה וקצת אחרי שבאמת התחיל סוג של חורף - אורי ורן לוגמים תה ומארחים את מישה פיינשטיין מחברת Bria AI כדי לדבר על איך עושים תמונות בצורה שבאמת התכוונתם (וגם קצת על חורף). 🎗️ [01:01] מישה ו-Bria AI (רן) וכן, אורי - למרבה הפתעה, שוב אנחנו מדברים על AI, הנושא החביב עליך . . . .(אורי) AI, הנה . . . התגעגעתי.(רן) מעולה, אז נתחיל בהצגה שלך, מישה, ושל Bria - ומשם נצלול . . . (מישה) אז אני מישה, כיף להיות פה. בן 38, מתל אביב, נשוי, אב לשובב אחד קטן בן שנה ושמונה. בגדול מתעסק בתחום, כמו הרבה בתעשייה שלנו, מגיל 18. זה כבר 20 שנה, יותר ממחצית-חיים . . . . ובעשר השנים האחרונות מתעסק בכל מה שמתחיל לנוע לכיוון מה שהיום אנחנו קוראים “AI” - זה Machine Learning, Deep Learning, Computer Vision. ובחמש השנים האחרונות Generative AI ב-Bria. שתי מילים אולי על Bria . . . . (אורי) . . . . אולי קצת על מה הרקע שלך ב-Computer Vision? (מישה) זאת סוגיה מעניינת . . . . פורמלית, אין רקע. התחלתי לתכנת בצבא כ”ילד PC”, שזה חבר'ה שמגיעים ללא שום השכלה אקדמית ובעצם מתחילים לתכנת. שם צברתי את הניסיון שלי, באמ״ן. עם השחרור, המשכתי לעבוד ועשיתי תואר ראשון במדעי המחשב ופילוסופיה באוניברסיטה העברית. ואת התואר השני שלי עשיתי גם בפילוסופיה ובפילוסופיה של המדע בתל אביב. (אורי). . . זה מתחיל להתקרב לדברים המעניינים באמת ב-AI . . . (מישה) זה נכון. אגב, Bria - נגיע לזה אולי בהמשך - יש לה גם את הפן הפילוסופי וקצת על איזה Data אנחנו מאמנים. (אורי) איזה דת או איזה Data? (מישה) איזה Data - ולחוקרים מסוימים זה מתפרש גם כדת . . . (רן) . . . . האם יש הבדל? זהו . . . (מישה) בדיוק . . . . אז פורמלית, אין לי שום השכלה ב-Computer Vision. פרקטית, בעשר השנים האחרונות אני עובד בחברות שהמהות שלהן, ה-Core שלהן, הוא Computer Vision. ולמרות שהגעתי מהצד ההנדסי, יצא לי ברבות השנים גם לפתח, גם לנהל צוותי חוקרים. אני אוהב לקרוא לעצמי “Practical Researcher” אני עובד עם ה-Common Sense, עם הידיים. לעשות באמת אימון ומחקר אני לא יודע, אבל להוביל את העסק, אני איכשהו . . . . אני מקווה שאני מצליח. (רן) ורק לסיים את ההקדמה - תפקידך ב-Bria? (מישה) אז ב-Bria אני ה-CTO - אני בעצם מוביל את המחקר והפיתוח. אני אולי גם אגיד מה Bria עושה, אני מניח שזה מעניין - Bria (בריאה) בגדול מנסה לייצר עולם שבו... (אורי) “לברוא” . . . . (מישה) לברוא עולם, נכון . . . (אורי) . . . בחדשות היום בוראים מציאות . . . . (מישה) אחדים מבין מאזינינו הבינו, כנראה, שזה מקור השם Bria (בריאה) . . . (מישה) אנחנו מנסים לברוא עולם שבו מה שאנחנו קוראים “Creativity מקצועי”, יכול לפגוש Innovation של AI. אנחנו בעצם מנסים לאפשר לאנשי Creative מהצד היותר מקצועי - בעולמות של Commercial, בעולמות של Media, בעולמות של Marketing שהוא יותר מקצועי - להשתמש ב-Gen AI. תוך כדי זה שאנחנו בעצם מאפשרים לצוותי פיתוח ומוצר של אותן חברות לפתח מעל המודלים שלנו ומעל הפלטפורמה שלנו את המוצרים שיתאימו ל-Use Case-ים שלהם. זה מאוד ב-High-Level, אפשר לצלול לזה קצת. (רן) בעצם רוב הפרק נצלול לזה, אני חושב. [04:44] המקצועיות נכנסת לתמונה / הבעיה בעיני המתכנת (רן) אז כהקדמה, אני אגיד שממש לפני שהגעתי לפה, עזרתי קצת לאשתי עם שיעורי בית באיזשהו קורס שהיא עושה - והיא הייתה צריכה לייצר כמה שקפים כאלה.אמרתי לה “אין בעיה -… להמשך הערות הפרק באתר

  • #507
    Dec 19, 2025 · 51 min

    507 Catburetor 39 Google and AI

    נתי, אורי ורן מדברים על עלייתה, נפילתה ועליתה המחודשת של גוגל, השפעת אופן איי על התחום, וההיסטוריה של הבינה המלאכותית. הפרק מתמקד בהיסטוריה של התחום ובפיתוחים המרכזיים שהתרחשו בו. בפרק זה נדונה ההיסטוריה של OpenAI, האתגרים וההזדמנויות שלה, והכניסה של גוגל לשוק ה-AI. נדונו גם המודלים העסקיים של OpenAI, ההשפעה של טכנולוגיות חדשות על השוק, והעתיד של OpenAI מול המתחרים. נקודות מרכזיות: גוגל מתמודדת עם אתגרים חדשים בעקבות עליית אופן-איי.המהפכה של אופן-איי משנה את פני התחום.המאבק בין גוגל לאופן איי משפיע על עתיד הבינה המלאכותית.ההבנה של מידע היא קריטית לפיתוחים טכנולוגיים.המהלך של גוגל לרכוש חברות טכנולוגיה היה משמעותי.המודלים של טרנספורמרים שינו את פני התחום.ההיסטוריה של הבינה המלאכותית כוללת תקופות של שגשוג ודעיכה.החיבור בין OpenAI למייקרסופט היה קריטי להצלחתם.העתיד של OpenAI תלוי ביכולתה להתחרות עם גוגל.המודלים החדשים מצריכים שינוי בגישה העסקית של OpenAI.ההצלחה של OpenAI תלויה בשיתוף פעולה עם חברות נוספות.הטכנולוגיות החדשות מצריכות השקעה רבה.המתחרים בשוק ה-AI מתפתחים במהירות. לפי זמנים:00:00 הקדמה ושיחה על חנוכה02:02 עלייתו ונפילתו של גוגל06:11 המהפכה של אופן איי וגוגל11:47 היסטוריה של הבינה המלאכותית18:04 המאבק בין גוגל לאופן איי23:51 העתיד של הבינה המלאכותית25:50 ההיסטוריה של OpenAI והמודלים העסקיים30:22 האתגרים וההזדמנויות של OpenAI35:48 המהפכה של גוגל והכניסה לשוק ה-AI40:51 העתיד של OpenAI מול המתחרים45:53 ההשפעה של טכנולוגיות חדשות על שוק ה-AI [קישור לקובץ mp3] האזנה נעימה!

  • #506
    Dec 11, 2025 · 38 min

    506 ML Infra with Itai from MIND

    רן ואיתי מדברים על DLP (Data Loss Prevention) וכיצד ניתן לשלב טכנולוגיות AI ו-Machine Learning כדי לשפר את ההגנה על מידע רגיש בארגונים. איתי משתף את ניסיונו בחברת Mind, מסביר על האתגרים וההזדמנויות בתחום הסייבר סקיוריטי, ומדבר על תהליך הפיתוח והאימון של מודלים שונים. בפרק זה נדונה השפעת ה-AI על תהליכי פרודקשן, היתרונות של NVIDIA Triton בניהול מודלים שונים, שיפור ביצועים עם מודלים שונים, תהליכי סריקה ו-classification, ניהול תהליכים בזמן אמת, אתגרים בניהול משאבים, שימוש בטכנולוגיות לניהול תהליכים וזיהוי סוגי מסמכים שונים. כמו כן, הוצגה החברה Mind והזדמנויות הגיוס שלה. נקודות מפתח: DLP היא תוכנית קריטית במניעת דליפת מידע רגיש. AI יכול לשפר את יכולות ה-DLP בצורה משמעותית. האתגרים בתחום הסייבר סקיוריטי הולכים ומתרבים עם הזמן. החלטות טכנולוגיות צריכות להתבסס על צרכי הלקוח והסביבה. אימון מודלים הוא תהליך מתמשך שדורש פידבק מתמיד. שימוש בכלים קיימים יכול לחסוך זמן ומשאבים. הבנת סוגי המידע הרגיש היא קריטית לפיתוח פתרונות DLP. הבחירה בין AI in-house לבין צד שלישי היא קריטית. הכנת דאטה איכותי היא שלב חשוב בפיתוח מודלים. היכולת של מודלים קטנים לזהות מידע רגיש יכולה להיות גבוהה. עשינו מחקר גדול על איך עושים AI בפרודקשן. בחרנו להריץ את המודלים מעל NVIDIA Triton. Triton יודע להריץ סוגים שונים של מודלים. היתרון של Triton הוא ניהול מודלים שונים בסביבת פרודקשן. הוספנו שכבה של מודל RNN לשיפור הביצועים. יש לנו תהליכים של סריקה בריל טיים. האתגרים שלנו כוללים ניהול משאבים בצורה יעילה. השתמשנו בטכנולוגיות לניהול תהליכים כמו Temporal. השתמשנו בוקטור סימילריטי לזיהוי סוגי מסמכים. זמנים:00:00 היכרות עם איתי ו-Mind02:00 מה זה DLP ולמה זה חשוב?04:43 אתגרים והזדמנויות ב-DLP עם AI07:18 החלטות טכנולוגיות: AI in-house מול צד שלישי10:18 מודלים של AI: איך לבחור ולפרוס?12:13 תהליך הפיתוח והאימון של מודלים19:05 סקל ויעילות: איך זה עובד בפועל?19:24 הבנת עולם ה-AI בפרודקשן21:28 היתרונות של NVIDIA Triton23:02 שיפור ביצועים עם מודלים שונים25:54 תהליכי סריקה ו-classification28:29 ניהול תהליכים בזמן אמת30:39 אתגרים בניהול משאבים31:59 שימוש בטכנולוגיות לניהול תהליכים35:08 זיהוי סוגי מסמכים שונים36:54 הזדמנויות גיוס בחברת Mind [קישור לקובץ mp3] האזנה נעימה!

  • #505
    Nov 22, 2025 · 53 min

    505 Bumpers 89

    פרק מספר 505 של רברס עם פלטפורמה - באמפרס מספר 89, שהוקלט ב-13 בנובמבר 2025, רגע אחרי כנס רברסים 2025 [יש וידאו!]: רן, דותן ואלון (והופעת אורח של שלומי נוח!) באולפן הוירטואלי עם סדרה של קצרצרים מרחבי האינטרנט: הבלוגים, ה-GitHub-ים, ה-Claude-ים וה-GPT-ים החדשים מהתקופה האחרונה. 🎗️ [00:36] הכוכבים (בשאילתות) של שלומי (רן) אז היום יש לנו אייטם מיוחד שמוקדש לידידנו שלומי, ואני מבקש מאלון - תתכבד להציג אותו. Go for it! (אלון) טוב, אז אני ראיתי את האייטם הזה - וישר נזכרתי בהרצאה של שלומי נוח מהרברסים הראשון [זו מ-2014, שזה תכל’ס השני - Ignites - The query which is the peak of my career / Shlomi Noach - YouTube - אבל הייתה לו גם אחת מעולה באחרון - Consensus: Quorum, Minority Quorum, Administered Quorum, and Beyond / Shlomi Noach], על איך הוא עשה Pie Charts וגרפים ב-SQL, ואז מישהו כנראה גם שמע את ההרצאה והחליט להעלות רמה . . . . (אלון) והפרויקט ב-GitHub נקרא DOOMQL, וזה “a multiplier Doom-like shooter implemented entirely in SQL powered by CedarDB”. שלומי - אז הבמה שלך . . . (שלומי) קודם כל, בשביל זה SQL נוצר, שיהיה ברור, כן? כל הקטע הזה של שאילתות, Join-ים של טבלאות -זה סתם, זה לחלשים [לחזקים באמת - ?Will it run DOOM] טוב, אני מסתכל ומשתאה - הבנאדם מימש פה משחק מעל SQL . . . . אני עוד מנסה להבין אם זה Stored Routines וכאלה, או שזה באמת שאילתה כמו שצריך. כאילו, שאילתה אחת עם 50,000 שורות . . . (דותן) אני מציע שנעבור שורה-שורה, ותסביר לנו את השאילתות . . . . (רן) בוא נתחיל ב-gameloop.sql, ה-Loop של ה-Game. (דותן) כן - כל אחד שיפתח וקדימה: אנחנו בשורה 6 . . . . (אלון) קודם כל זה מתחיל ב-Begin Transaction, שימו לב! זה מצב טוב, אפשר לעשות Rollback למשחק. (שלומי) מטורף. אז למי שלא רואה, יש פה משחק ASCII Chart, שמונע על ידי שאילתת SQL בת . . . האמת, 157 שורות - זה קטן, ה-SQL Pie Chart שלי קצת יותר ארוך מזה . . . . מטורף. (דותן) רגע, איך אנחנו יודעים שזה לא AI כתב את זה? (רן) AI לא כותב היום הכל? מה השאלה? אבל מה שכן, נראה שהוא לקח השראה מפרויקט אחר, דומה, שנקרא DuckDB Doom. שזה גם כן מימוש של Doom - רק מעל DuckDB . . . . הוא לא הראשון בנישה. (אלון) וואו, יש הרבה כאלה . . . (דותן) רגע, אבל יש פה מה להסביר. מה, כאילו, איך זה מוציא החוצה את ה... זה לא, מה זה מוציא החוצה? זה לא אמור להוציא החוצה טבלה? זה SQL, לא? מוציא Characters ככה . . . (שלומי) ה-Output הוא יכול להיות טקסט שמג'ונרט (Generated) על ידי SQL. כלומר, הרעיון של לייצר ASCII Chart או ASCII Graphic. זה פשוט, לצורך העניין, שורה אחת, עמודה אחת, שהיא ה-Image הזה. ואת … להמשך הערות הפרק באתר

  • #504
    Nov 17, 2025 · 33 min

    504 Functional programming with Daniel Beskin

    פרק מספר 504 של רברס עם פלטפורמה, שהוקלט ב-11 בנובמבר 2025 - פרק ראשון אחרי כנס Reversim 2025, שהיה מוצלח מאוד (גם בסטנדרטים הגבוהים ממילא). בזמן הקלטת הפרק עדיין לא פורסמו ההקלטות, אבל עכשיו כבר כן - Reversim Summit 2025 - YouTube - שווה לפנות כמה שעות טובות. בינתיים, ואורי ורן (וניק!) מארחים את דניאל בסקין כדי לדבר על תכנות פונקציונלי. 🎗️ [01:27] דניאל (רן) אז קצת לפני שניכנס לתכנות פונקציונלי - קצת עליך, דניאל. (דניאל) אז אני כבר שנים עם תכנות פונקציונלי - הוא רודף אותי, אני רודף אותו. בזמן האחרון אני עצמאי ומנסה להתפתח בכיוון של לייעץ, מתכנת - למכור לארגונים וחברות איכות קוד, בגדול. ותכנות פונקציונלי זה הדרך שבה אני בוחר לעשות את זה - ואני גם מאוד אוהב ללמד אותו. לכן אני פה - הייתי רוצה למצוא קהל יעד רחב לזה, ואני מקווה שהציבור שמקשיב ומאזין לפודקאסט הוא חד-משמעית קהל שיכול להתאים לזה. ואני עצמי, אם ניקח קצת אחורה לאיך שהגעתי לכל העולם הזה, אז בכלל התחלתי כמישהו שלמד פיזיקה, ותוכנה היה ממני והלאה. ועל הדרך לקחתי כמה קורסים באוניברסיטה בתכנות - וחשבתי שיום אחד אולי זה יהיה שימושי, משהו שם בפיזיקה, אני לא יודע. מפה לשם, גיליתי שאני ממש נהנה מזה - נהנה בעיקר מלסדר קוד, לעצב קוד, לעשות אותו ליפה ואלגנטי - ומשם התפתחתי לעולם התוכנה, עשיתי Java מספר שנים . . . ואז בטעות, סתם ניגררתי לאיזה בלוג שהראה “איזה שפה מוזרה עם חיצים”, ולא הבנתי מה זה . . . וזה כזה הציק לי, ואמרתי “טוב, יאללה, אני אשב רגע, אני אלמד מה זה החצים האלה ומשם נראה אם זה מעניין”. הסתבר שזו השפה שקוראים לה Scala, שרצה על-JVM - ומשם נבלעתי לחור שחור של תכנון פונקציונלי, ומאז זה הדביק אותי. הייתי עושה Java בסגנון הזה - כשזה עוד היה מאוד קשה ולא נוח. היום Java הרבה יותר “נחמדה” לזה, אבל עכשיו למעלה מעשור אני כבר מתכנת וכותב קוד בסגנון הזה ועוזר לאנשים אחרים לעשות את זה, מרצה ברחבי העולם גם, בכנסים וכדומה. ועכשיו הייתי רוצה - אז הייתי בעיקר בעולמות של Scala - עכשיו הייתי רוצה קצת להרחיב את קהל היעד, ולראות איך אני יכול לעזור לאנשים ב-JVM, Python, JavaScript, TypeScript, בכל מקום. להפעיל את אותם עקרונות שבעצם הם אוניברסליים יחסית - תכנון פונקציונלי זה לא משהו מאוד פרטני לשפה ספציפית, והייתי רוצה להרחיב את קהל היעד. לראות ולהביא לאנשים את הידע הזה עד כמה שאפשר. [03:32] פונקציונליות טהורה - למה? (רן) לפני שבועיים פחות או יותר, יונתן ממן מ-Teads [PKA Outbrain] פרסם Twit ושאל “מהי השפה שלמדתם ואף פעם לא השתמשתם?” . . . . והיו כל מיני תשובות משעשעות. וסתם סקרן אותי, האמת שלא עשיתי סטטיסטיקה, אבל כמה מבין השפות האלה הן פונקציונליות או “Pure Functional” ואחרות. אני אישית רשמתי שפות אחרות, האמת שגם ML . . . כן, אבל טוב, פשוט לא… להמשך הערות הפרק באתר

Showing 1–20 of 26 episodes