מונחי AI למתחילים: 25 מושגים חיוניים בהסבר פשוט

עולם הבינה המלאכותית מלא במילים באנגלית שנשמעות מפחידות: LLM, טוקן, RAG, agent. האמת? רוב מונחי AI למתחילים אפשר להבין בהסבר של משפט או שניים, בלי רקע בתכנות ובלי מתמטיקה. המילון הזה נותן לכם 25 המושגים החשובים ביותר, מסודרים לפי נושא, בעברית פשוטה. אחרי שתעברו עליו, תוכלו לקרוא כתבות על AI, להשתמש בכלים בביטחון, ולדבר על התחום בלי להרגיש אבודים.

זה מילון תמציתי לקריאה מהירה. לגרסה מורחבת עם עוד מונחים והגדרות מעמיקות, יש לנו את מילון ה-AI המלא.

יסודות, המושגים שחייבים להכיר

1. AI (בינה מלאכותית). מערכות מחשב שמבצעות משימות שבדרך כלל דורשות אינטליגנציה אנושית, הבנת שפה, זיהוי תמונות, קבלת החלטות.
2. LLM (מודל שפה גדול). סוג AI שאומן על כמויות עצומות של טקסט ויודע לייצר שפה טבעית. Claude ו-ChatGPT הם LLMs.
3. פרומפט (Prompt). ההנחיה או השאלה שאתם כותבים למודל. כל מה שאתם מקלידים, זה הפרומפט.
4. טוקן (Token). יחידת הטקסט הבסיסית שהמודל מעבד, בערך חלק ממילה. מספר הטוקנים קובע עלות ומהירות.
5. חלון הקשר (Context Window). כמות הטקסט שהמודל "רואה" בבת אחת. חלון גדול = אפשר להזין מסמכים ארוכים יותר.

איך מדברים עם המודל

6. Prompt Engineering. אמנות ניסוח פרומפטים שמפיקים תוצאות טובות, מבנה, הקשר ודוגמאות נכונות.
7. System Prompt. הוראות רקע קבועות שקובעות איך המודל יתנהג לאורך כל השיחה (למשל "אתה עוזר משפטי מנומס").
8. Few-Shot Prompting. לתת למודל כמה דוגמאות של קלט-פלט לפני המשימה, כדי שילמד את הפורמט הרצוי.
9. Zero-Shot. לבקש מהמודל משימה בלי דוגמאות בכלל, רק ההוראה עצמה.
10. Chain-of-Thought. לבקש מהמודל "לחשוב שלב אחר שלב", משפר דיוק במשימות מורכבות.
11. Temperature. הגדרה ששולטת ברמת ה"יצירתיות" של התשובות: נמוך = צפוי ועקבי, גבוה = מגוון ומפתיע.

יכולות ותופעות

12. Hallucination (הזיה). כשהמודל ממציא מידע שנשמע אמין אבל שגוי. תמיד כדאי לאמת עובדות חשובות.
13. Multimodal. מודל שמבין יותר מטקסט, גם תמונות, קול או וידאו.
14. Vision. יכולת המודל לנתח תמונות ומסמכים חזותיים ולהסביר מה יש בהם.
15. Extended Thinking. מצב שבו המודל "חושב" לעומק לפני שהוא עונה, מתאים לבעיות קשות.
16. Reasoning. יכולת המודל להסיק מסקנות ולפתור בעיות לוגיות, לא רק לשלוף מידע.

מושגים מתקדמים, עדיין בהסבר פשוט

17. Fine-Tuning. אימון נוסף של מודל קיים על נתונים ספציפיים שלכם, כדי שיתמחה בתחום מסוים.
18. RAG (שליפה מועשרת). טכניקה שבה המודל שולף מידע ממאגר חיצוני לפני שהוא עונה, כך הוא עונה על סמך המסמכים שלכם ולא רק על הידע הכללי.
19. Embeddings. ייצוג מספרי של טקסט שמאפשר למחשב להבין "משמעות" ולמצוא דמיון בין קטעים.
20. Vector Database. מסד נתונים שמאחסן embeddings ומאפשר חיפוש לפי משמעות, לא לפי מילים מדויקות.
21. Agent (סוכן). תוכנה שמקבלת מטרה ופועלת עצמאית להשיג אותה, קוראת מידע, מחליטה, ומשתמשת בכלים.
22. MCP (Model Context Protocol). פרוטוקול פתוח שמחבר את Claude לכלים חיצוניים כמו מסדי נתונים ו-APIs.
23. API. "שקע" שמאפשר לתוכנות אחרות לדבר עם המודל ולשלב אותו במוצרים שלכן.
24. Tool Use / Function Calling. יכולת המודל לקרוא לכלים חיצוניים (מחשבון, חיפוש, מסד נתונים) כחלק מהתשובה.
25. Prompt Caching. שמירת חלקים חוזרים של פרומפט כדי לחסוך זמן ועלות בבקשות עתידיות.

מודלים וספקים, מי מייצר את ה-AI

כשקוראים חדשות על AI, חוזרים כמה שמות ומושגים שקשורים לצד ה"תשתית". הנה מה שכדאי להכיר:

26. Anthropic. החברה שמפתחת את Claude, עם דגש על AI בטוח ומהימן.
27. Model (מודל). הגרסה הספציפית של ה-AI. אצל Claude יש משפחות כמו Opus, Sonnet ו-Haiku, חזק, מאוזן ומהיר בהתאמה.
28. Training Data (נתוני אימון). הטקסטים שעליהם המודל אומן. הם קובעים מה הוא יודע ועד איזה תאריך (Knowledge Cutoff).
29. Inference (הסקה). הרגע שבו המודל בפועל מייצר תשובה לבקשה שלכם, להבדיל מאימון.
30. Alignment (יישור). התהליך שדואג שהמודל יתנהג בצורה מועילה, בטוחה ותואמת לכוונת המשתמש.

שמתם לב שעברנו את 25? זה בכוונה, התחום זז מהר, ולהכיר עוד כמה מושגי תשתית נותן לכם יתרון. אם אתם רוצים להבין לעומק מתי להשתמש בכל מודל, יש שיעור ייעודי על כך בקטלוג.

איך מונחים אלה מתחברים בפועל

המונחים לא חיים בנפרד, הם חלק מזרימה אחת. הנה איך זה נראה בשימוש אמיתי: אתם כותבים פרומפט (השאלה), הוא מתפרק לטוקנים, נכנס לחלון ההקשר יחד עם ה-System Prompt, וה-מודל מבצע inference ומחזיר תשובה. אם הפעלתם RAG, המודל קודם שלף מידע מVector Database דרך embeddings; אם ביקשתם משימה מורכבת, אולי הפעלתם agent שמשתמש ב-Tool Use דרך MCP. פתאום כל המושגים מסתדרים לתמונה אחת.

זו בדיוק הסיבה שהכי טוב ללמוד אותם בהקשר ולא כרשימה יבשה. ברגע שמשתמשים ב-Claude פעם או פעמיים, המונחים מפסיקים להיות מפחידים והופכים לשפה שאתם דוברים.

טבלת זיכרון מהיר, 6 המושגים שהכי מבלבלים

חמש טעויות הבנה נפוצות אצל מתחילים

מעבר להגדרות, שווה לתקן כמה תפיסות מוטעות שחוזרות אצל מי שרק נכנס לתחום:

1. "ה-AI מחובר לאינטרנט ויודע הכול בזמן אמת." לא בהכרח. מודל בסיסי יודע רק עד תאריך ה-Knowledge Cutoff שלו, אלא אם הופעל חיפוש או RAG במפורש.
2. "אם זה נשמע בטוח, זה נכון." ביטחון בניסוח לא מעיד על נכונות. תמיד מאמתים עובדות (זוכרים, Hallucination).
3. "פרומפט ארוך יותר תמיד טוב יותר." לא. פרומפט ברור וממוקד עדיף על פרומפט ארוך ומבולבל. איכות ההקשר חשובה מכמותו.
4. "AI ו-LLM זה אותו דבר." LLM הוא סוג אחד של AI. יש עוד סוגים (ראייה ממוחשבת, מערכות המלצה) שאינם מודלי שפה.
5. "המודל 'זוכר' אותי בין שיחות." ברירת המחדל היא שכל שיחה מתחילה מחדש. זיכרון ארוך-טווח קיים רק כשמפעילים אותו במפורש דרך תכונות ייעודיות.

תיקון תפיסות אלה כבר מציב אתכם לפני רוב המתחילים, ומאפשר לכם להשתמש בכלים בצורה חכמה ובטוחה יותר.

לאן ממשיכים מכאן

עכשיו שיש לכם את הבסיס, הצעד הבא הוא להתנסות. הכי טוב ללמוד את המונחים דרך שימוש אמיתי: התחילו משיעור 0, היי קלוד! 3 דקות עד הפרומפט הראשון, ואז עברו להשפה הסודית שClaude מבין, Prompting נכון כדי לתרגל את מושגי הפרומפט. את המונחים המתקדמים (RAG, embeddings, agents) תפגשו בפועל בשיעור Embeddings ו-Vector Databases, זיכרון סמנטי ל-Claude.

לכל שאר המונחים, המילון המלא ממתין לכם, וכל הקורס בנוי כך שהמושגים נלמדים בהקשר, לא בעל-פה.

עצה אחרונה: אל תנסו לזכור את כל 25 המושגים בבת אחת. הדרך הטבעית ללמוד היא להתחיל להשתמש, ולחזור למילון הזה כשנתקלים במונח לא מוכר. אחרי שבוע-שבועיים של שימוש, רוב המושגים יהפכו לחלק מהאינטואיציה שלכם, טוקנים, פרומפט וחלון הקשר יפסיקו להיות "מילים באנגלית" ויהפכו לכלים שאתם מרגישים. AI מפסיק להיות מפחיד ברגע שיש לך את השפה, וזה בדיוק מה שהמילון הזה נועד לתת. שמרו את הדף במועדפים, הוא שימושי גם כשחוזרים אליו.