מילון מושגי AI ואוטומציה

בינה מלאכותית (Artificial Intelligence) היא תחום שמטרתו לבנות מערכות מחשב שמבצעות משימות שדרשו בעבר אינטליגנציה אנושית — הבנת שפה, זיהוי תמונות, קבלת החלטות ופתרון בעיות. ה-AI של 2026 מבוסס ברובו על למידת מכונה: המערכת לומדת דפוסים מתוך כמויות עצומות של דוגמאות, במקום שיתכנתו אותה בכללים קשיחים.

למידת מכונה (ML) היא הגישה המרכזית ב-AI: במקום לכתוב כללים ידניים, נותנים לאלגוריתם דוגמאות והוא לומד מהן פונקציה שממפה קלט לפלט. ככל שיש יותר דאטה איכותי, המודל מכליל טוב יותר על מקרים חדשים שלא ראה באימון.

למידה עמוקה היא ענף של ML שמשתמש ברשתות נוירונים עם שכבות רבות. כל שכבה לומדת ייצוג מופשט יותר של הנתונים — מפיקסלים לקצוות, מקצוות לצורות, ומצורות לאובייקטים. זו הטכנולוגיה שמאחורי כמעט כל פריצות הדרך של ה-AI המודרני, כולל מודלי השפה.

רשת נוירונים היא מודל מתמטי בהשראת המוח: יחידות חישוב ("נוירונים") מחוברות בשכבות, וכל חיבור נושא משקל שמתעדכן במהלך האימון. הרשת מקבלת מספרים בכניסה, מעבירה אותם דרך השכבות, ומפיקה תחזית בפלט. עומק וגודל הרשת קובעים כמה דפוסים מורכבים היא יכולה ללמוד.

מודל שפה גדול (Large Language Model) הוא רשת נוירונים ענקית שאומנה על כמויות אדירות של טקסט כדי לחזות את המילה (הטוקן) הבא. מתוך היכולת הפשוטה-לכאורה הזו צומחות יכולות של שיחה, כתיבה, קוד וניתוח. משפחות מובילות ב-2026: GPT-5.6, Claude Opus 4.8 ו-Gemini 3 Pro.

ה-Transformer היא הארכיטקטורה שמפעילה כמעט כל מודל שפה מודרני. חוזקה הוא מנגנון ה-attention, שמאפשר למודל לשקלל אילו חלקים בטקסט חשובים זה לזה — גם אם הם רחוקים במשפט. הפריצה הזו (2017, "Attention Is All You Need") אפשרה אימון יעיל בקנה מידה עצום.

טוקן הוא יחידת הטקסט הבסיסית שמודל שפה מעבד — בערך מילה, חלק ממילה או סימן. המודל "רואה" ומחייב לפי טוקנים, לא לפי מילים: בעברית טוקן שקול פחות או יותר לכ-2–4 תווים. הבנת טוקנים חשובה גם לעלות (משלמים per token) וגם לחלון ההקשר.

פרמטרים הם ה"משקלים" הפנימיים של המודל — המספרים שנלמדים במהלך האימון ומקודדים את הידע שלו. מודל עם יותר פרמטרים יכול לקלוט דפוסים מורכבים יותר, אך גם יקר יותר להרצה. מספר הפרמטרים (למשל מיליארדים) הוא מדד גס לגודל וליכולת של מודל.

אימון (training) הוא התהליך היקר והחד-פעמי שבו המודל לומד מהדאטה ומכוונן את הפרמטרים שלו. הסקה (inference) היא השימוש היומיומי — הרצת המודל המאומן כדי לקבל תשובה. רוב העלות של משתמש קצה היא בהסקה, ולכן בחירת מודל וניתוב חכם משפיעים ישירות על התקציב.

כוונון עדין הוא אימון-המשך של מודל קיים על דאטה ממוקד שלך, כדי להתמחות במשימה, בסגנון או בתחום. הוא שימושי כשצריך פורמט עקבי או ידע נישתי שקשה להשיג בפרומפט. לרוב המקרים RAG או פרומפט טוב זולים ומהירים יותר — כוונון שמור למשימות עם דרישות ספציפיות וחוזרות.

פרומפט הוא הקלט שאתה נותן למודל — השאלה, ההוראה או ההקשר. איכות הפלט תלויה כמעט לגמרי באיכות הפרומפט: הקשר ברור, הגדרת תפקיד, דוגמאות ופורמט פלט רצוי משפרים תוצאות דרמטית. פרומפט טוב הוא הכלי הזול והחזק ביותר לשיפור ביצועים.

הנדסת פרומפטים היא התחום של ניסוח קלטים כדי להוציא מהמודל את המרב באופן אמין וחוזר. היא כוללת טכניקות כמו הגדרת תפקיד, few-shot, chain-of-thought, ובקשת פורמט מובנה. זו מיומנות מעשית שמשפרת דיוק, עקביות ובטיחות — בלי לגעת במודל עצמו.

פרומפט המערכת הוא הוראת-על שמגדירה למודל את התפקיד, הטון והכללים שלו לאורך כל השיחה — לפני שהמשתמש כותב מילה. הוא המקום להגדיר גבולות ("אל תמציא עובדות"), פורמט קבוע וזהות. בבניית מוצר, פרומפט מערכת חזק הוא ההבדל בין סוכן אמין לבין כזה שסוטה מהמשימה.

חלון ההקשר הוא כמות הטקסט (בטוקנים) שהמודל יכול "להחזיק בראש" בבת אחת — הפרומפט, ההיסטוריה והמסמכים המצורפים. חלון גדול מאפשר לנתח מסמכים ארוכים ולנהל שיחות ארוכות, אך ממלא את החלון מעלה עלות והשהיה. ניהול חכם של ההקשר (מה להכניס ומה לסכם) הוא מיומנות מפתח.

טמפרטורה היא פרמטר ששולט במידת ה"אקראיות" של הפלט. ערך נמוך (קרוב ל-0) נותן תשובות ממוקדות, עקביות וצפויות — מתאים לקוד, חילוץ נתונים וסיווג. ערך גבוה מגוון ויצירתי יותר — מתאים לרעיונות וכתיבה. בחירת הטמפרטורה הנכונה למשימה משפרת מאוד את התוצאה.

Zero-shot הוא לבקש מהמודל משימה בלי דוגמאות; few-shot הוא לצרף כמה דוגמאות של קלט→פלט רצוי בתוך הפרומפט. דוגמאות טובות מלמדות את המודל את הפורמט, הטון והסטנדרט המדויקים שאתה מצפה להם — ולרוב משפרות דיוק בצורה משמעותית ללא אימון.

שרשרת חשיבה (CoT) היא טכניקה שבה מבקשים מהמודל "לחשוב שלב אחר שלב" ולהציג את ההיגיון לפני התשובה הסופית. פירוק הבעיה לשלבים משפר משמעותית דיוק במתמטיקה, בהיגיון ובקוד. מודלים מתקדמים של 2026 עושים זאת פנימית, אך בקשה מפורשת עדיין עוזרת במשימות מורכבות.

הזיה היא כשמודל מייצר מידע שנשמע סמכותי אך פשוט אינו נכון — עובדה מומצאת, מקור שלא קיים או ציטוט שגוי. זה נובע מכך שהמודל מנבא טקסט סביר, לא אמת מאומתת. הדרכים המרכזיות לצמצום: RAG (עיגון במקורות), בקשת ציטוטים, ואימות פלט קריטי מול מקור אמין.

מודל רב-מודאלי מבין ומייצר יותר מסוג מדיה אחד — טקסט, תמונות, אודיו ווידאו. כך אפשר להראות לו צילום מסך ולשאול שאלה, לתמלל שיחה, או לנתח דיאגרמה. היכולת הזו הפכה סטנדרט ב-2026 ומרחיבה מאוד את סוגי המשימות שאפשר לאטמט.

פלט מובנה הוא כפיית המודל להחזיר תשובה בפורמט קבוע ומדויק — לרוב JSON לפי סכמה מוגדרת. זה קריטי כשהפלט מזין מערכת אחרת (API, בסיס נתונים, workflow) ואי אפשר להסתמך על טקסט חופשי. מודלים מודרניים תומכים ב-JSON mode או function calling שמבטיחים פלט תקין.

RAG הוא הדפוס שבו לפני שהמודל עונה, מאחזרים עבורו קטעי מידע רלוונטיים ממאגר שלך (מסמכים, בסיס ידע) ומצרפים אותם לפרומפט. כך המודל עונה על סמך המקורות שלך ולא רק על הידע הכללי שלו — מה שמצמצם הזיות ומאפשר תשובות עדכניות וניתנות לאימות. זו הארכיטקטורה הנפוצה ביותר לצ'אטבוט ידע ארגוני.

הטמעה היא ייצוג של טקסט (או תמונה) כווקטור של מספרים שמקודד את המשמעות שלו. טקסטים בעלי משמעות דומה מקבלים וקטורים קרובים במרחב. זו הטכנולוגיה שמאפשרת חיפוש סמנטי ו-RAG: במקום להתאים מילים מדויקות, משווים קרבה של משמעות.

בסיס נתונים וקטורי מאחסן הטמעות ומאפשר לחפש במהירות את הווקטורים הקרובים ביותר לשאילתה — כלומר את הקטעים הרלוונטיים ביותר מבחינת משמעות. זהו הרכיב שמאחסן את הידע ב-RAG. דוגמאות נפוצות: Pinecone, Weaviate, Qdrant ו-pgvector.

חיפוש סמנטי מוצא תוצאות לפי משמעות ולא לפי התאמת מילות מפתח. שאילתה כמו "איך מבטלים מנוי" תמצא מסמך שכתוב בו "סגירת חשבון", גם בלי מילים משותפות. הוא מבוסס על הטמעות ומהווה את לב האחזור ב-RAG ובמנועי חיפוש מודרניים.

Chunking הוא פירוק מסמכים ארוכים לקטעים קטנים לפני שמטמיעים אותם ל-RAG. גודל הקטע חשוב: גדול מדי מכניס "רעש" לא רלוונטי, קטן מדי מאבד הקשר. חלוקה טובה (למשל לפי פסקאות עם חפיפה קלה) משפרת דרמטית את איכות האחזור והתשובות.

דירוג מחדש הוא שלב שני באחזור: אחרי ששולפים מועמדים רבים (מהיר אך גס), מודל ייעודי מדרג אותם לפי רלוונטיות אמיתית לשאלה ובוחר את הטובים ביותר. זה משפר משמעותית את איכות ה-RAG — פחות קטעים לא רלוונטיים מגיעים למודל, ולכן פחות הזיות ותשובות מדויקות יותר.

סוכן AI הוא מערכת שבה מודל שפה לא רק עונה, אלא פועל: הוא מתכנן, משתמש בכלים (חיפוש, קוד, API), בודק תוצאות ומתקן את עצמו — עד להשלמת מטרה. בניגוד לצ'אט חד-פעמי, סוכן רץ בלולאה של חשיבה-פעולה-תצפית. זהו הדפוס המרכזי מאחורי אוטומציה חכמה ב-2026.

"Agentic" מתאר מערכות שפועלות באופן אוטונומי לאורך כמה צעדים כדי להשיג מטרה, במקום להגיב לבקשה בודדת. גישה agentic כוללת תכנון, שימוש בכלים, זיכרון ורפלקציה. ככל שהמשימה מורכבת ורב-שלבית, כך גישה agentic (לעומת פרומפט יחיד) נעשית משתלמת יותר.

MCP הוא תקן פתוח (מבית Anthropic) לחיבור מודלים לכלים ולמקורות נתונים חיצוניים בצורה אחידה. במקום לכתוב אינטגרציה ייעודית לכל כלי, בונים "שרת MCP" אחד שכל סוכן תומך יכול להתחבר אליו — כמו "USB-C ל-AI". הוא הפך לתשתית מרכזית לחיבור סוכנים למערכות אמיתיות ב-2026.

שימוש בכלים (או function calling) הוא היכולת של מודל לקרוא לפונקציות חיצוניות — לחפש באינטרנט, להריץ קוד, לשלוח מייל או לגשת ל-API. המודל מחליט מתי ואיך להשתמש בכלי, ומשלב את התוצאה בתשובה. זה מה שהופך מודל משיחתן לסוכן שמבצע פעולות בעולם האמיתי.

ReAct הוא דפוס סוכן שבו המודל מתחלף בין חשיבה (Reasoning — ניתוח המצב ותכנון הצעד הבא) לבין פעולה (Acting — הפעלת כלי), ומשלב את התצפיות בחזרה לחשיבה. הלולאה הזו מאפשרת לסוכן להתמודד עם משימות מרובות-שלבים ולהתקן את עצמו תוך כדי תנועה.

מערכת רב-סוכנית מחלקת משימה בין כמה סוכנים מתמחים — למשל "חוקר", "כותב" ו"מבקר" — שמתאמים ביניהם. החלוקה מאפשרת התמחות, בקרה הדדית ופתרון בעיות מורכבות שסוכן יחיד היה מתקשה בהן. החיסרון: יותר מורכבות, עלות והשהיה — ולכן כדאי רק כשהמשימה באמת דורשת זאת.

זיכרון סוכן הוא היכולת לשמור מידע מעבר לחלון ההקשר הבודד — העדפות משתמש, עובדות שנלמדו, והיסטוריית משימות. זיכרון לטווח קצר מנהל את השיחה הנוכחית; זיכרון לטווח ארוך (לרוב מאוחסן בבסיס וקטורי) מאפשר לסוכן להיזכר ולהשתפר לאורך זמן. זה קריטי לסוכנים אישיים ולתמיכה מתמשכת.

A2A הוא תקן לתקשורת בין סוכנים — שמאפשר לסוכנים ממערכות שונות לגלות זה את זה, להחליף משימות ולשתף פעולה. אם MCP מחבר סוכן לכלים, A2A מחבר סוכן לסוכנים אחרים. יחד הם מהווים את התשתית לאקוסיסטם של סוכנים שעובדים בשיתוף.

Computer Use היא יכולת של מודל להפעיל מחשב כמו אדם — לראות את המסך, להזיז עכבר, ללחוץ ולהקליד. כך סוכן יכול לבצע משימות באפליקציות ובאתרים שאין להם API. זו יכולת עוצמתית אך רגישה, שדורשת גבולות ופיקוח בגלל הסיכון בפעולות לא צפויות.

אוטומציה היא ביצוע משימות חוזרות ללא התערבות ידנית — מהעברת נתונים בין אפליקציות ועד תהליכי עבודה שלמים. בשילוב עם AI, אוטומציה הופכת "חכמה": היא לא רק מעבירה מידע אלא מבינה, מסכמת ומחליטה. פלטפורמות כמו n8n, Make ו-Zapier מאפשרות לבנות אוטומציות בלי לכתוב הרבה קוד.

Workflow הוא רצף מוגדר של שלבים אוטומטיים: טריגר שמתחיל את התהליך, ואז שרשרת פעולות ותנאים עד לתוצאה. למשל: "מייל חדש נכנס → סכם עם AI → שמור ל-Sheet → שלח ל-Slack". בניית workflows היא הדרך המעשית להפוך תהליך ידני לאוטומטי.

Webhook הוא כתובת URL שמאזינה לאירועים: כשקורה משהו במערכת אחת (טופס נשלח, תשלום בוצע), היא "דוחפת" הודעה אוטומטית לכתובת הזו ומפעילה תהליך. זהו הדבק הנפוץ ביותר בין מערכות באוטומציה — הדרך שבה אפליקציה אחת מודיעה לשנייה בזמן אמת.

API הוא ה"תפריט" שדרכו תוכנה אחת מדברת עם אחרת — מגדיר אילו בקשות אפשר לשלוח ואילו תשובות יתקבלו. כמעט כל שירות (OpenAI, Google, CRM) חושף API. הבנת API בסיסית מאפשרת לחבר כלים, לבנות אוטומציות ולהטמיע AI במוצרים קיימים.

No-code הוא בניית תוכנה ואוטומציות דרך ממשק חזותי, בלי לכתוב קוד; Low-code מוסיף אפשרות לקוד מותאם היכן שצריך. הגישה הזו מנגישה בנייה של אפליקציות ואוטומציות גם ללא-מתכנתים ומאיצה מאוד את הפיתוח — כלים כמו n8n, Make ו-Bubble הם דוגמאות מובילות.

LLMOps הוא אוסף הפרקטיקות להרצת מודלי שפה בסביבת ייצור באופן אמין — ניהול פרומפטים וגרסאות, ניטור עלות והשהיה, מדידת איכות (evals), טיפול בשגיאות ובקרת גרסאות של מודלים. זה מה שמפריד בין הדגמה מרשימה למוצר AI שעובד יציב לאורך זמן ובקנה מידה.

Evals הן בדיקות שיטתיות שמודדות עד כמה טוב המודל או הסוכן מבצע משימה — על סט דוגמאות עם תשובות רצויות. במקום "נראה טוב", מקבלים ציון מדיד שמאפשר להשוות מודלים, לזהות רגרסיות אחרי שינוי פרומפט, ולהחליט בביטחון. Evals הן הבסיס לשיפור אמין של מערכות AI.

Guardrails הם מנגנוני בקרה שמגבילים את מה שמודל יכול לקבל כקלט או להוציא כפלט — סינון תוכן פוגעני, מניעת חשיפת מידע רגיש, אכיפת פורמט ובדיקת תקינות. הם שכבת ההגנה שהופכת סוכן מ"מרשים" ל"בטוח לשימוש בייצור", במיוחד מול משתמשי קצה.

הזרקת פרומפט היא מתקפה שבה תוקף מטמיע הוראות זדוניות בתוך תוכן שהמודל קורא (מייל, אתר, מסמך), כדי לגרום לו להתעלם מהוראותיו המקוריות — למשל לחשוף מידע או לבצע פעולה לא מורשית. זו אחת מבעיות האבטחה המרכזיות של סוכנים, ודורשת הפרדה בין הוראות מהימנות לתוכן חיצוני.

Observability במערכות AI היא היכולת לראות מה קורה בפנים — אילו פרומפטים נשלחו, אילו כלים הופעלו, כמה זה עלה, וכמה זמן לקח. בלי נראות, מערכת AI היא "קופסה שחורה" שאי אפשר לתקן. כלי ניטור מאפשרים לאתר תקלות, לצמצם עלויות ולשפר איכות באופן שיטתי.

הנדסת הקשר היא הדיסציפלינה של ניהול מה נכנס לחלון ההקשר של המודל בכל רגע — הפרומפט הנכון, המידע הרלוונטי, וההיסטוריה הדרושה, בלי להציף ברעש. ארבע אסטרטגיות מפתח: write (שמירה חיצונית), select (אחזור), compress (סיכום) ו-isolate (הפרדה). זהו הבסיס לסוכנים אמינים ויעילים בעלות.