WEBVTT

00:00:00.000 --> 00:00:05.220
התעשייה מכרה לנו מיתוס. אמרו לנו שהתמעות, embeddings, הן פתרון הקסם לבינה ארגונית.

00:00:05.400 --> 00:00:11.020
בניתם מסעד נתונים וקטורי, הזנתם מסמכים, בזבזתם את התקציב, ובכל זאת האזיות לא פסקו.

00:00:11.160 --> 00:00:14.600
במציאות, דמיון מתמטי אינו זהה לרלוונטיות עסקית.

00:00:14.780 --> 00:00:21.200
נפלנו למלכוד את הטופ-קי זה הרגע שבו הקו-פיילוט שולף את נקודת הנתונים הדומה ביותר במרחב רב-ממדי,

00:00:21.200 --> 00:00:27.680
אבל הנתונים האלו שגויים לחלוטין למשימה הספציפית, כי בית מינוס 2026 קרבה היא תחליף זול לאמה.

00:00:27.780 --> 00:00:35.300
אם פרויקט הרג שלכם תקוע בשלב הפיילוט, זה לא בגלל שהאיי טיפשה, זה בגלל שהסתרטגיית ההחזור שלכם בנויה על אשליה.

00:00:35.500 --> 00:00:38.120
זה הקשל המבני של מודלים וקטוריים טהורים.

00:00:38.320 --> 00:00:42.380
חיפוש וקטורי הוא שכבת תשתית בארכיטקטורה של מערכת איי מודרנית.

00:00:42.580 --> 00:00:46.860
זה המרטף של המערכת, לא הפנטהאוז, אבל התייחסנו אליו כאילו הוא המוח.

00:00:46.860 --> 00:00:51.160
הפגם היסודי בהתמעות רב-ממדיות הוא שהן מאורפלות מעצם תכנונן.

00:00:51.320 --> 00:00:53.220
הן מייצגות מושגים ככאורדינטות.

00:00:53.400 --> 00:00:57.900
זה עובד נפלא כשמחפשים ווייב או נושאים כלליים, אבל עבודה לא מתבצעת בארץ אויבים.

00:00:58.060 --> 00:01:00.120
עבודה מתבצעת בארץ הפרטים הספציפיים.

00:01:00.320 --> 00:01:02.080
וכאן המודל הוקטורי הטהור נכשל.

00:01:02.240 --> 00:01:04.040
וקטורים מתקשים עם מונחים מדויקים.

00:01:04.220 --> 00:01:08.800
חישבו על קודי מוצר, מזהיס סקיו, טרמינולוגיה משפטית או שמות קוד של פרויקטים פנימיים.

00:01:08.800 --> 00:01:14.960
עבור מודל וקטורי, פרויקט פיניקס ופרויקט פיירבירד עשויים להיראות זהים מתמטית כי הם חולקים אשכול סמנטי.

00:01:15.160 --> 00:01:18.540
אבל לצוות הכספים שלכם הם מייצגים שני תקציבים שונים לחלוטין.

00:01:18.720 --> 00:01:23.860
כשאתם מסתמכים רק על התמאות דחוסות, אתם בעצם מבקשים מה-AI לנחש בהתבסס על הסביבה הקרובה.

00:01:23.960 --> 00:01:27.200
התוצאה, שיעור שגיאות של 27% בתוצרים עסקיים.

00:01:27.440 --> 00:01:28.560
זה לא רק מדד טכני.

00:01:28.560 --> 00:01:33.680
שיעור השגיאה הזה מתרגם למד מינוס 1.8 שעות של זמן עובד שמבוסבז בכל שבוע.

00:01:33.820 --> 00:01:36.540
אנשים לא משתמשים בקו-פיילוט כדי לעבוד מהר יותר.

00:01:36.740 --> 00:01:41.740
הם משתמשים בו כדי לייצר טיוטות שאחר כך דורשות מהם שעתיים של בדיקת עובדות כיסאת ההחזור היה רועש.

00:01:41.880 --> 00:01:45.040
אנחנו נמצאים במשבר דיוק, וזו לא בעיה של מודלי שפה, אלא אל-אם.

00:01:45.180 --> 00:01:49.580
אי אפשר לתקן זאת על ידי מעבר מג'י-פי-טי-ארבע לג'י-פי-טי-חמש או מעבר לחלון הקשר גדול יותר.

00:01:49.580 --> 00:01:51.280
זו בעיה של הנדסת החזור.

00:01:51.400 --> 00:01:52.840
עשינו הנחת יסוד שגויה.

00:01:52.980 --> 00:01:55.020
הינכנו שהמתמטיקה תטפל בהקשר.

00:01:55.200 --> 00:01:59.760
חשבנו שאם רק נהפוך כל מסמך לרשימת מספרים, הקשרים יצוצו מעליהם.

00:01:59.920 --> 00:02:00.940
אבל הקשר הוא מבני.

00:02:01.120 --> 00:02:02.220
הוא לא רק הסתברותי.

00:02:02.420 --> 00:02:11.140
בסביבה ארגונית, המשמעות של מסמך אינה רק במילים, היא באמת הדאטה, בהרשאות, בגרסאות הספציפיות שמודל וקטורי מתעלה מהן לחלוטין.

00:02:11.140 --> 00:02:17.460
כשאתה מחפש את מדיניות הנסיעות העדכנית, חיפוש וקטורי מוצא את המדיניות שנשמעת הכי דומה למדיניות נסיעות.

00:02:17.540 --> 00:02:19.740
הוא לא בהכרח מוצא את זו שאושרה אתמול.

00:02:19.920 --> 00:02:21.460
הוא מוצא את זו שהכי דומה לה.

00:02:21.580 --> 00:02:26.920
ואם הדומה ביותר היא גרסת 2020 ו-2 כי יש בה יותר טקסט תיאורי, זה מה שה-LLM שלך מקבל.

00:02:27.040 --> 00:02:32.000
ואז ה-AI אומר לעובד שלך שהוא יכול להזמין מחלקת עסקים, למרות שהמדיניות החדשה מתירה רק מחלקת תיירים.

00:02:32.160 --> 00:02:34.260
זו הזיה שנגרמה מביסוס נתונים לקוי.

00:02:34.260 --> 00:02:37.600
המודל לא שיקר, הוא פשוט סיכם את ארימת המספרים הלא נכונה.

00:02:37.740 --> 00:02:41.760
זה מה שקורה כשמשתמשים במודל שנועד לגילוי ומנסים להשתמש בו לדיוק.

00:02:41.940 --> 00:02:48.300
חיפוש וקטורי מצוין למציאת מחת בארימת שחת אם לא אכפת לך איזו מחת תמצא, אבל בארגון יש רק מחת אחת נכונה.

00:02:48.460 --> 00:02:50.420
תשע האחרות הן התחייבויות מסוכנות.

00:02:50.620 --> 00:02:53.060
הגענו לקצה גבול היכולת של דמיון טהור.

00:02:53.060 --> 00:03:02.280
אם אנחנו רוצים להגיע לרמת הדיוק של 99.9% שתעשיות מוסדרות דורשות, עלינו להפסיק להתייחס לשליפת נתונים כבעיה מתמטית ולהתחיל להתייחס אליה כבעיה עריכתית.

00:03:02.360 --> 00:03:08.060
עלינו לעבור את הרעיון שקרוב מספיק זה מקובל עבור מערכת שאמורה להניע קבלת החלטות ניהוליות.

00:03:08.160 --> 00:03:13.900
כי כרגע, תוצאות העוק העליונות שאתה מזין לטייס המשנה שלך הן רק אוסף של רע שקשור מתמטית.

00:03:13.980 --> 00:03:17.080
אתה מבקש ממנוע העסקה לבנות בית על בסיס של חול.

00:03:17.240 --> 00:03:19.260
ואז אנחנו מתפלאים למה הגג גדולף.

00:03:19.260 --> 00:03:24.680
המעבר מממ מינוס 2020 וחמש למד מינוס 2020 ושש הוא ההבנה שאמבדינגס הם רק נקודת ההתחלה.

00:03:24.880 --> 00:03:25.740
הם ארימת האולי.

00:03:25.900 --> 00:03:28.900
כדי להגיע לארימת הקאן, אנחנו צריכים סוג אחר של לוגיקה.

00:03:29.040 --> 00:03:31.940
עלינו להחזיר את אותם הדברים שחשבנו שאמבדינגס יחליפו.

00:03:32.060 --> 00:03:34.740
אנחנו צריכים מבנה, אנחנו צריכים עוגנים לקסיקליים.

00:03:34.920 --> 00:03:39.620
והכי חשוב, אנחנו צריכים מפקח שיודע את ההבדל בין תשובה דומה לתשובה נכונה.

00:03:39.620 --> 00:03:45.520
בלי זה, פרויקט הראג שלך הוא לא כלי בינה, הוא סתם דרך יקרה מאוד ומהירה מאוד לטעות.

00:03:49.260 --> 00:03:52.680
השכונה הזו היא מקום מסוכן לחיות בו.

00:03:52.820 --> 00:04:00.500
הסתמחנו על האשקולות הצפופים האלה יותר מדי זמן, בהנחה שאם שני דברים קרובים זה לזה במרחב וקטורי, הם חייבים להיות קשורים עסקית, אבל הם לא.

00:04:00.680 --> 00:04:03.220
דמיון הוא רק שיקוף של דפוסי שימוש במילים.

00:04:03.420 --> 00:04:04.460
זה תחליף זו לאמת.

00:04:04.460 --> 00:04:10.240
ובמינוס 2026, המודל נשבר כי הפסקנו לחפש דברים קשורים והתחלנו להזדקק לדברים מאומתים.

00:04:10.400 --> 00:04:13.460
כשעוברים משלב הפיילוט לסביבת ייצור, הסיכונים משתנים.

00:04:13.660 --> 00:04:15.160
התחליף הזה כבר לא מספיק.

00:04:15.160 --> 00:04:19.320
אתם צריכים משהו שיאגן את ה-AI חזרה לשפה האמיתית של הארגון שלכם.

00:04:19.440 --> 00:04:23.320
אתם צריכים את הדיוק שאיבדנו בטעות כשעברנו להסתמך רק על אימבדינגס.

00:04:23.440 --> 00:04:24.420
הסטנדרט היברידי.

00:04:24.620 --> 00:04:26.520
למה ב-M25 עדיין חשוב?

00:04:26.700 --> 00:04:30.320
אם מסתכלים על בסיס הייצור לשנת 2026, הנוף השתנה.

00:04:30.320 --> 00:04:32.880
אנחנו כבר לא מדברים על מאגרי וקטורים ניסיוניים.

00:04:33.000 --> 00:04:34.820
אנחנו מדברים על הסטנדרט היברידי.

00:04:34.920 --> 00:04:35.920
הנתונים ברורים.

00:04:36.140 --> 00:04:40.500
72% ממערכות הארגון המצליחות זנחו את שליפת הוקטורים התהורה.

00:04:40.500 --> 00:04:45.560
הן התמיעו מערכת דו-מסלולית שמשלבת משמעות וקטורית עם דיוק של התאמת מילות מפתח.

00:04:45.720 --> 00:04:48.640
באופן ספציפי, הן החזירו את אלגוריתם BM25.

00:04:49.020 --> 00:04:53.820
עבור מי שלא בילה 20 שנה בהנדסת חיפוש, BM25 הוא שיטת השליפה הדלילה הקלאסית.

00:04:53.820 --> 00:04:56.420
זו הלוגיקה שמחפשת חפיפה מדויקת של מילים.

00:04:56.580 --> 00:04:59.020
זו הדרך הישנה שחשבנו שהאמבדינס יחסלו.

00:04:59.200 --> 00:05:01.900
אבל מתברר שהיא הדבר היחיד ששומר על הדרך החדשה המינה.

00:05:02.040 --> 00:05:04.200
כשמשלבים את השניים, קורה משהו מעניין.

00:05:04.200 --> 00:05:07.800
מקבלים עלייה של 17% בריקר על פני כל מערך הנתונים שלכם.

00:05:07.920 --> 00:05:13.960
אותם 17% הם ההבדל בין עובד שמוצא תשובה תוך 10 שניות לבין כזה שמבטר אחרי 3 בקשות כושלו.

00:05:13.960 --> 00:05:18.800
תחשבו מה קורה כשמפסיקים להתעלם מהמילים הספציפיות שהמשתמשים שלכם באמת מקלידים.

00:05:18.940 --> 00:05:23.380
במערכת וקטורית טהורה, עם משתמש מקליד תופס 10K2025,

00:05:23.760 --> 00:05:27.160
המודל עשוי לתעדף מאמר כללי על דיווח כספי כי הויב דומה.

00:05:27.340 --> 00:05:33.240
אבל עם BM25, המערכת מזהה את מחרוזת ה-10K וה-2025 הספציפית.

00:05:33.240 --> 00:05:36.600
היא מבינה שאלו לא רק מושגים, אלו עוגנים לקסיקליים.

00:05:36.820 --> 00:05:38.680
שליפה היברידית מאפשרת למערכת לומר,

00:05:38.680 --> 00:05:43.660
אני יודעת שאתה מתעניין בדוחות כספיים, אבל אני גם רואה שביקשת ספציפית את המסמך המדויק הזה.

00:05:43.840 --> 00:05:46.000
זה פותר את בעיית השאילטות מחוץ לתחום.

00:05:46.240 --> 00:05:49.420
זהו המכשול הגדול ביותר עבור כל מודלים בדינג מאומן מראש.

00:05:49.600 --> 00:05:53.140
מודל ווקטורים שלכם כנראה אומן על קורפוס כללי של טקסט מהאינטרנט.

00:05:53.300 --> 00:05:57.200
הוא יודע מה זה חוזה, אבל הוא לא מכיר את הזרגון הספציפי של התעשייה שלכם.

00:06:03.240 --> 00:06:05.060
שלכם משתמש בהם לתיאור עיקובי משלוח.

00:06:05.240 --> 00:06:07.820
עבור מודלים בדינג כללי, המילים האלה הן רעש.

00:06:07.820 --> 00:06:11.980
הן מחוץ לתחום, אבל עבור BM25, המילים האלה הן סיגנלים.

00:06:12.160 --> 00:06:16.480
על ידי הרצת חיפוש מילות מפתח לצד חיפוש וקטורי, אתם יוצרים רשת ביטחון.

00:06:16.640 --> 00:06:20.400
אתם מבדאים שאם משתמש מקליד מונח ספציפי שהמודל לא מבין,

00:06:20.660 --> 00:06:24.060
המערכת עדיין תוכל למצוא את המסמך על בסיס הטקסט המילולי.

00:06:24.200 --> 00:06:26.780
כך מגיעים לסף דיוק של 0.8.

00:06:26.780 --> 00:06:30.420
בשנת 2025, היינו מרוצים עם ה-AI צדק ברוב המקרים.

00:06:30.600 --> 00:06:33.760
בשנת 2026, דיוק של 80% הוא המינימום הנדרש לכניסה לתחום.

00:06:33.900 --> 00:06:35.800
גישה היברידית היא הצעד הראשון לעבר היעד הזה.

00:06:35.940 --> 00:06:37.600
מדובר באיגון הבינה המלאכותית במציאות.

00:06:37.760 --> 00:06:39.320
חישבו על זה כמערכת בקרה כפולה.

00:06:39.440 --> 00:06:40.900
נתיב הווקטורים מטפל בכוונה.

00:06:41.060 --> 00:06:42.460
כלומר, מה הם מנסים לעשות?

00:06:42.620 --> 00:06:44.560
נתיב מילות המפתח מטפל בעובדות.

00:06:44.740 --> 00:06:46.200
כלומר, מה הם באמת אמרו?

00:06:46.200 --> 00:06:48.260
כאשר שני הנתיבים מסכימים על מסמך,

00:06:48.460 --> 00:06:50.200
יש לכם מועמד ברמת ביטחון גבוהה.

00:06:50.280 --> 00:06:53.000
כשהם לא מסכימים, זה סימן לכך שדרוש איבוד נוסף.

00:06:53.100 --> 00:06:55.640
אך גם עם הגישה ההיברידית הזו, עדיין יש לנו בעיה.

00:06:55.820 --> 00:06:57.120
שיפרתם את ארימת האולי.

00:06:57.240 --> 00:07:00.480
עליתם מ-78% שליפה למד מ-91% שליפה.

00:07:00.480 --> 00:07:02.200
אתם מוצאים יותר מהדברים הנכונים,

00:07:02.420 --> 00:07:04.420
אבל עדיין מגישים למודל ארימא של מועמדים.

00:07:04.580 --> 00:07:06.620
ואם אי פעם הסתכלתם על קבוצת תוצאות שליפה,

00:07:06.620 --> 00:07:08.960
אתם יודעים שלרוב עשר התוצאות הראשונות הן בלגן.

00:07:09.100 --> 00:07:11.640
ייתכן שהתשובה המושלמת נמצאת במקום הרביעי.

00:07:11.760 --> 00:07:12.780
אך במקום הראשון,

00:07:12.980 --> 00:07:16.040
יש מסמך שסתם חוזר על מילת המפתח 20 פעמים.

00:07:16.220 --> 00:07:18.280
או שיש מסמך שדומה מבחינה מתמטית,

00:07:18.440 --> 00:07:20.380
אך לא רלוונטי לחלוטין לשנה הנוכחית.

00:07:20.380 --> 00:07:22.740
חיפוש היברידי נותן לכם את חלקי הפאזל.

00:07:22.860 --> 00:07:24.880
הוא לא בהכרח מחבר את הפאזל יחד.

00:07:25.000 --> 00:07:27.860
אנחנו מניחים שאם ניתן למודל את חמש התוצאות הראשונות,

00:07:27.860 --> 00:07:29.660
הוא יהיה חכם מספיק לבחור את הנכונה.

00:07:29.820 --> 00:07:32.460
אבל מודלי שפה חשופים למסמכי השכה.

00:07:32.840 --> 00:07:36.800
אם התוצאה הראשונה היא מסמך ארוך וסמכותי ששגוי למעשה,

00:07:37.120 --> 00:07:41.480
המודל לרוב יתעדף אותו על פני התשובה הקצרה והנכונה שבמקום השלישי.

00:07:41.480 --> 00:07:43.820
זוהי תופעת עבודים באמצע.

00:07:43.980 --> 00:07:46.040
סדר המידע קובע את איכות התשובה.

00:07:46.160 --> 00:07:48.600
אז, למרות שחיפוש היברידי הוא קו הבסיס,

00:07:48.780 --> 00:07:49.760
הוא לא התשובה הסופית.

00:07:49.840 --> 00:07:50.860
הוא מערכת הסינון.

00:07:51.040 --> 00:07:53.680
הוא מוריד אתכם ממיליון מסמכים למד מינוס 50 בלבד.

00:07:53.680 --> 00:07:57.420
החמישים מסמכים הם עדיין רעש רב מדי עבור החלטה עסקית גורלית.

00:07:57.540 --> 00:07:59.620
אתם עדיין מסתכלים רק על ערימת מועמדים.

00:07:59.840 --> 00:08:02.340
שיפרתם את המצב, אבל לא סגרתם את הפער.

00:08:02.460 --> 00:08:06.360
כדי להשיג באמת דיוק של 0.9 שנדרש בבריאות ובפיננסים,

00:08:06.360 --> 00:08:07.680
אי אפשר לעצור בשליפה.

00:08:07.800 --> 00:08:11.240
צריך להוסיף שכבת השכה לפני שהנתונים מגיעים למודל השפה.

00:08:11.340 --> 00:08:15.340
צריך מפקח שיכול להסתכל על אותם 50 מועמדים ולדרג אותם לפי היגיון אמיתי,

00:08:15.620 --> 00:08:17.140
לא רק לפי תדירות או קואורדינטות.

00:08:17.300 --> 00:08:19.020
כי כרגע, אפילו עם חיפוש היברידי,

00:08:19.220 --> 00:08:20.940
הטייס המשנה שלכם עדיין מנחש.

00:08:21.080 --> 00:08:23.640
הוא פשוט מבצע ניחוש מושכל הרבה יותר מבעבר.

00:08:23.780 --> 00:08:25.220
פתרנו את בעיית המציאה.

00:08:25.340 --> 00:08:27.340
עכשיו, עלינו לפתור את בעיית הדירוג.

00:08:27.500 --> 00:08:29.900
וזה דורש שכבה ארכיטקטונית שונה לחלוטין.

00:08:29.900 --> 00:08:33.500
גם עם חיפוש היברידי, אתה עדיין רק מסתכל על ערימה של מועמדים.

00:08:33.660 --> 00:08:34.860
אתה צריך מפקח.

00:08:35.580 --> 00:08:38.360
הבעיה במודל היברידי היא שאין לו דעה משלו.

00:08:38.360 --> 00:08:43.000
הוא מייצר רשימה על בסיס שתי מערכות ניקוד שונות שלא באמת מדברות את אותה השפה.

00:08:43.120 --> 00:08:47.480
אתה ממזג קואורדינטות ממרחב וקטורי עם ציוני תדירות מאינדקס מילות מפתח.

00:08:47.700 --> 00:08:50.040
התוצאה היא רשימת חמישים הראשונים משולבת,

00:08:50.040 --> 00:08:53.020
שהיא טכנית טובה יותר, אבל עדיין לא עברה סינון מהותי.

00:08:53.140 --> 00:08:56.600
זה כמו שחברת הסמה תשלח לך חמישים קורות חיים מבלי לקרוא אותם באמת.

00:08:56.800 --> 00:08:58.760
הם סיננו לפי מילות מפתח וניסיון כללי,

00:08:58.980 --> 00:09:01.060
אבל לא אימתו אם האדם באמת יכול לבצע את העבודה.

00:09:01.060 --> 00:09:04.220
בצינור הרג, מודל השפה, LLM, הוא מנהל הגיוס שלך.

00:09:04.360 --> 00:09:07.200
אם תיתן למנהל הזה חמישים קורות חיים, הוא ירגיש מוצף.

00:09:07.300 --> 00:09:11.480
הוא יאיף מבט בשלושת הראשונים, יוסח על ידי שקר מנוסח היטב ויבצע גיוס שגוי.

00:09:11.480 --> 00:09:14.920
כדי לתקן זאת, עלינו להפסיק להתייחס לחיפוש כתהליך חד של בי.

00:09:15.020 --> 00:09:17.920
עלינו להציג שכבה משנית שמתפקדת כשומר שף.

00:09:18.040 --> 00:09:21.260
כי כרגע אתה לא מספק תשובה, אתה מספק משימת בית.

00:09:21.260 --> 00:09:23.500
וה-AI שלך לא בנוי לעשות שיעורי בית.

00:09:23.660 --> 00:09:24.800
הוא בנוי להסיק מסקנות.

00:09:24.960 --> 00:09:28.220
אם אתה רוצה שהוא יסיק מסקנות נכון, עליך לתת לו את נקודת הפתיחה הנכונה.

00:09:28.360 --> 00:09:31.420
אתה צריך מפקח שיכול להסתכל על חמישים המועמדים המובילים

00:09:31.420 --> 00:09:33.160
ולהחליט מי מהם באמת מחזיק באמת.

00:09:33.360 --> 00:09:35.440
דירוג סמנטי, המסנן הסופי לאמת.

00:09:35.640 --> 00:09:38.580
כאן אנחנו מציגים את מדרג ה-L2, L2 Re-Ranker.

00:09:38.760 --> 00:09:42.260
בארכיטקטורת 2026, זוהי השכבה המשנית שאין עליה עוררים.

00:09:42.420 --> 00:09:44.640
היא מתפקדת כאורך של תוצאות החיפוש שלך.

00:09:44.640 --> 00:09:46.820
תחשוב על תהליך העבודה שבנינו עד כה.

00:09:46.920 --> 00:09:50.000
ראשית, החיפוש היברידי מאתר קבוצה רחבה של מועמדים.

00:09:50.160 --> 00:09:54.260
הוא מהיר, הוא יעיל, הוא שורק מיליוני מסמכים במילי שניות, אבל הוא גם שטחי.

00:09:54.400 --> 00:09:56.360
מדרג ה-L2 הוא ההפך הגמור.

00:09:56.520 --> 00:09:58.160
הוא לא מסתכל על מיליוני מסמכים.

00:09:58.300 --> 00:09:59.780
הוא מסתכל רק על חמישים המובילים,

00:09:59.960 --> 00:10:03.680
אבל הוא מסתכל עליהם ברמת עומק ששכבת החיפוש הראשונית לעולם לא תוכל להשיג.

00:10:03.860 --> 00:10:05.760
ספציפית, בקוס סיסטם של מייקרוסופט,

00:10:05.760 --> 00:10:07.660
אנחנו מדברים על מודלים שנגזרו מבינג.

00:10:07.780 --> 00:10:08.380
אלו הם שנאים,

00:10:08.500 --> 00:10:10.180
Transformers, מבוססי קשב צולב,

00:10:10.300 --> 00:10:10.760
Cross Attention.

00:10:11.020 --> 00:10:12.740
בניגוד לחיפוש הווקטורי הראשוני,

00:10:13.000 --> 00:10:15.440
שמשווה שאילתה לשיבוץ מסמך מחושב מראש,

00:10:15.660 --> 00:10:18.460
המדרג מסתכל על השאילתה והמסמך יחד בו זמני.

00:10:18.600 --> 00:10:21.540
הוא מבצע השוואה סמנטית עמוקה של הטקסט עצמו.

00:10:21.680 --> 00:10:24.800
הוא כבר לא רק מסתכל על קואורדינטות במרחב רב-ממדי.

00:10:24.800 --> 00:10:30.520
הוא מבצע השכה עמוקה כדי להבין אם המסמך באמת מכיל את התשובה לשאלה הספציפית שנשאלה.

00:10:30.620 --> 00:10:33.780
כאן אנחנו רואים את ציון מדרג החיפוש נכנס לתמונה.

00:10:34.800 --> 00:10:38.340
הציון הזה שונה מציוני הדמיון שאתה רואה בשכבה הראשונה.

00:10:38.500 --> 00:10:39.660
ציון דמיון אומר לך,

00:10:39.840 --> 00:10:41.680
המסמך הזה קרוב מבחינה מתמטית.

00:10:41.820 --> 00:10:42.780
ציון הדירוג מחדש,

00:10:42.880 --> 00:10:43.300
Rerunker,

00:10:43.500 --> 00:10:43.880
אומר לך,

00:10:44.000 --> 00:10:45.760
המסמך הזה רלוונטי לכוונת המשתמש.

00:10:45.900 --> 00:10:46.820
הוא מעביר את המטרה,

00:10:46.940 --> 00:10:47.120
Meme,

00:10:47.280 --> 00:10:47.980
האם זה קרוב?

00:10:48.140 --> 00:10:48.460
Lamed,

00:10:48.640 --> 00:10:49.780
האם זה עונה על השאלה?

00:10:49.780 --> 00:10:52.900
ההבחנה הזו היא הדרך היחידה לשרוד בתעשיות מוסדרות.

00:10:53.000 --> 00:10:54.200
אם אתם בתחומי הפיננסים,

00:10:54.300 --> 00:10:55.200
הבריאות או המשפט,

00:10:55.360 --> 00:10:57.100
דיוק של 0.8 הוא כישלון.

00:10:57.220 --> 00:10:59.200
אתם צריכים 0.9 ומעלה.

00:10:59.320 --> 00:11:02.880
אי אפשר להגיע לרמת דיוק כזו בתהליך שליפה חד של בי.

00:11:03.120 --> 00:11:07.480
הדירוג מחדש הוא מה שמאפשר לכם לעבור מכמעט נכון לרמה ארגוני.

00:11:07.740 --> 00:11:10.220
הוא פותר את אופן הקשל הנפוץ ביותר ברג,

00:11:10.440 --> 00:11:11.560
בעיית הסדר השגוי.

00:11:11.720 --> 00:11:12.680
בחיפוש סטנדרטי,

00:11:12.820 --> 00:11:15.000
התשובה המושלמת עשויה להיות במקום השמיני,

00:11:15.000 --> 00:11:18.660
אבל בגלל צפיפות מילות מפתח לא מדויקת או התמאה מעט מאורפלת,

00:11:18.820 --> 00:11:19.920
היא לא הגיעה לראש הרשימה.

00:11:20.020 --> 00:11:23.560
ה-LRM, בהיותו עצלן, מתמקד בשלוש התוצאות הראשונות.

00:11:23.680 --> 00:11:25.380
הוא מפספס את האמת במקום השמיני,

00:11:25.500 --> 00:11:28.100
ומייצר הזיה המבוססת על הרעש במקום הראשון.

00:11:28.240 --> 00:11:29.700
הדירוג מחדש עוצר את זה.

00:11:29.840 --> 00:11:31.960
הוא לוקח את התשובה המושלמת מהמיקום השמיני,

00:11:32.080 --> 00:11:33.360
ומקדם אותה למיקום הראשון.

00:11:33.480 --> 00:11:36.040
הוא מזהה שבעוד שבמסמך הראשון יש יותר מילות מפתח,

00:11:36.040 --> 00:11:39.760
למסמך השמיני יש את התוכן הסמנתי האמיתי הנדרש כדי לספק את השאילתה.

00:11:39.820 --> 00:11:44.360
המעבר הזה משליפה לדירוג הוא השינוי הארכיטקטוני החשוב ביותר שאתם יכולים לעשות השנה.

00:11:44.540 --> 00:11:48.160
אנחנו חייבים להפסיק להיות אובססיביים לגבי כמות המידע שאנחנו יכולים למצוא.

00:11:48.280 --> 00:11:52.160
אנחנו צריכים להתחיל להיות אובססיביים לגבי הסדר שבו המידע המוצג,

00:11:52.360 --> 00:11:54.420
כי סדר המידע חשוב יותר מכמות המידע.

00:11:54.540 --> 00:11:58.160
אם התשובה הנכונה נמצאת בתחתית הערמה, היא באותה מידה לא קיימת.

00:11:58.160 --> 00:12:01.040
הדירוג מחדש מבטיח שהאמת תמיד תהיה בראש.

00:12:01.180 --> 00:12:03.280
אבל לא מדובר רק בהזזת מסמכים.

00:12:03.480 --> 00:12:06.720
שכבת ה-L2 מספקת גם כיתובים סמנטיים והדגשות.

00:12:06.920 --> 00:12:11.040
היא מזהה את המשפטים המדויקים מתוך המסמך שהם הרלוונטיים ביותר.

00:12:11.300 --> 00:12:13.320
זה נותן לי LLM דף עזר.

00:12:13.460 --> 00:12:17.160
במקום לבקש מהמודל לקרוא PDF של עשרה עמודים ולמצוא את המחת,

00:12:17.380 --> 00:12:19.780
הדירוג מחדש מצביע ישירות על המחת ואומר,

00:12:20.020 --> 00:12:21.840
קרא ספציפית את שלושת המשפטים האלה.

00:12:21.980 --> 00:12:24.520
זה מפחית את העומס הקוגניטיבי על ה-LLM.

00:12:28.160 --> 00:12:32.500
זה ההבדל בין לתת למי שהוא ספר לבין לתת לו פסקה מודגשת.

00:12:32.640 --> 00:12:35.620
איזו אפשרות לדעתכם מובילה לתשובה מהירה ומדויקת יותר?

00:12:35.820 --> 00:12:38.560
בשנת 2026, כך נפתור את פערי האמון.

00:12:38.720 --> 00:12:42.160
משתמשים מפסיקים לסמוך על כל פעילות כשהוא נותן להם שלוש תשובות בערך

00:12:42.160 --> 00:12:43.840
ומפספס את התשובה האחת הנכונה.

00:12:43.980 --> 00:12:48.160
הררנקר הוא הכלי שמבטיח שהתשובה הנכונה תהיה תמיד הדבר הראשון שהמשתמש רואה.

00:12:48.240 --> 00:12:49.940
הוא משמש כי מסנן סופי לאמת.

00:12:49.940 --> 00:12:53.100
הוא מגשר על הפער בין נתונים גולמיים לבין תובנות בנות ביצוע.

00:12:53.220 --> 00:12:55.860
עם זאת, עלינו להיות קנים לגבי הפשרות הכרוחות בכך.

00:12:55.980 --> 00:12:57.960
רמת דיוק כזו אינה ניתנת בחינם.

00:12:58.120 --> 00:13:01.000
כשעוברים מחיפוש מבוסס מתמטיקה פשוט לדירוג מבוסס עסקה,

00:13:01.140 --> 00:13:02.680
הכלכלה של המערכת שלך משתנה.

00:13:02.820 --> 00:13:04.040
אתה מוסיף כוח מחשוב.

00:13:04.220 --> 00:13:05.740
אתה מוסיף השאיה, latency.

00:13:05.980 --> 00:13:09.460
ובסביבה מבוססת ענן כמו Azure, אתה מוסיף עלויות ישירות.

00:13:09.600 --> 00:13:11.560
אם לא תנהל את השכבה הזו נכון,

00:13:11.560 --> 00:13:15.560
הדיוק שתשיגי מחק על ידי חשבון התשתית שתקבל בסוף החודש.

00:13:15.660 --> 00:13:17.740
עלינו להבין את הכלכלה של הדיוק.

00:13:17.960 --> 00:13:21.280
כי בארגונים, תשובה מושלמת שעולה עשרה דולר לייצור

00:13:21.280 --> 00:13:24.580
לרוב פחות משתלמת מתשובה טובה מספיק שעולה עשרה סנט.

00:13:24.720 --> 00:13:29.240
האתגר של 2026 הוא לאזן בין הצורך בדיוק של 0.9

00:13:29.240 --> 00:13:30.960
לבין המציאות של תקציב מוגבל.

00:13:31.140 --> 00:13:32.340
אתה צריך את המפקח,

00:13:32.560 --> 00:13:36.220
אבל אתה גם צריך לוודא שהמפקח הוא לא האדם היקר ביותר בבניין.

00:13:36.360 --> 00:13:38.200
אבל הדיוק הזה מגיע עם עלות.

00:13:38.200 --> 00:13:40.880
ואם לא תנהל את התשתית, הרוי ייעלם.

00:13:41.940 --> 00:13:44.500
המעבר לארכיטקטורת שליפה רב של בית

00:13:44.500 --> 00:13:48.120
יוצר מתח בסיסי בין איכות התשובה לבין תדאיות התקציב.

00:13:48.300 --> 00:13:52.500
הגענו לנקודה שבה האפשרות הטכנית לדיוק של 0.9 היא אמיתית,

00:13:52.780 --> 00:13:54.880
אך ההיתכנות הכלכלית לרוב מתעלמים ממנה.

00:13:55.000 --> 00:13:56.360
בימיה הראשונים של הראג,

00:13:56.580 --> 00:13:58.300
התמקדנו בהוכחה שהקונספט עובד.

00:13:58.480 --> 00:14:01.440
לא היה אכפת לנו מהעלות לכל שאילתה כי הנפחים היו נמוכים.

00:14:01.440 --> 00:14:04.780
אבל ככל שמתרחבים מממינוס עשר משתמשים למד מינוס עשרת אלפים,

00:14:04.900 --> 00:14:05.500
החישוב משתנה.

00:14:05.640 --> 00:14:08.340
שכבת העסקה המשנית שהופכת את המערכת להאמינה

00:14:08.340 --> 00:14:11.340
היא גם השכבה שיכולה להפוך אותה לכרה באופן בלתי סביר.

00:14:11.460 --> 00:14:13.700
כי בארגון דיוק הוא מצרח יוקרה.

00:14:14.000 --> 00:14:17.400
ואם לא תכננת את התשתית שלך לשאת את נטל היוקרה הזה,

00:14:17.660 --> 00:14:22.440
הפרויקט שלך יעקל את הרוי של עצמו לפני שיספק דולר אחד של ערך מדיד.

00:14:22.440 --> 00:14:26.220
הכלכלה של הדיוק, ביצועים מול עלות.

00:14:26.380 --> 00:14:31.740
המציאות של השכבה הסטנדרטית ב-Azure Eye Search היא שדרוג סמנטי הוא משחק שדורש תשלום.

00:14:31.860 --> 00:14:35.440
אי אפשר פשוט להזיז מתג ולצפות שהתקציב הקיים שלך ישמר.

00:14:35.580 --> 00:14:39.000
כשמפעילים את פונקציית הדירוג מחדש, Rerankar, בחיפוש,

00:14:39.220 --> 00:14:43.780
עוברים מעולם של עלות קבועה ליחידות חיפוש בסיסיות לעולם של חיוב משתנה לפי שאילתה.

00:14:43.780 --> 00:14:45.220
בואו נסתכל על המספרים.

00:14:45.220 --> 00:14:49.740
עבור נפח שאילתות מתון, נניח 50 אלף חיפושים בחודש על סט נתונים של 20 ג'יגה בית,

00:14:49.960 --> 00:14:52.780
מדובר על תקורה חודשית של בין 300 למד מינוס 800 דולר.

00:14:52.960 --> 00:14:55.120
זה אולי נשמע סביר עבור מחלקה בודדת,

00:14:55.280 --> 00:14:57.640
אבל כשמביאים בחשבון שזו רק שכבת החיפוש,

00:14:57.880 --> 00:15:01.040
ושעדיין צריך לשלם על הסימוני LLM ויצירת התמאות,

00:15:01.240 --> 00:15:03.000
עלות הבעלות הכוללת מתחילה לזנק.

00:15:03.000 --> 00:15:05.540
ראינו ארגונים משיקים פיילוט של עוזר חכם,

00:15:05.740 --> 00:15:08.180
זוכים להצלחה אדירה בסביעות רצון המשתמשים,

00:15:08.180 --> 00:15:11.240
ואז מנתקים הכל ברגע שמגיעה החשבונית המלאה הראשונה.

00:15:11.400 --> 00:15:13.160
הם היו כל כך ממוקדים בביצועים,

00:15:13.360 --> 00:15:15.340
שהם שכחו לבדוק את תג המחיר שלהם.

00:15:15.500 --> 00:15:19.480
זו הסיבה העיקרית לכך שפרויקטי רג קורסים במעבר ממעבדה לייצור.

00:15:19.640 --> 00:15:22.360
העלות של להיות צודק גבוהה יותר מהעלות של לטעות.

00:15:22.500 --> 00:15:23.460
אז איך פותרים את זה?

00:15:23.620 --> 00:15:26.540
איך שומרים על הדיוק בלי לגרום לפשיטת רגל במחלקת האו?

00:15:26.540 --> 00:15:28.400
התשובה תמונה במטמון סמנטי.

00:15:28.400 --> 00:15:29.680
בשנת 2026,

00:15:29.860 --> 00:15:32.500
מטמון סמנטי הוא המושיע של החזר ההשקעה עבור הארגון.

00:15:32.660 --> 00:15:34.260
הנה הבעיה שאנחנו פותרים.

00:15:34.480 --> 00:15:37.460
עובדים נוטים לשאול את אותן שאלות בדרכים מעט שונות.

00:15:37.700 --> 00:15:38.940
מהי מדיניות החופשות?

00:15:39.120 --> 00:15:41.360
תוכל להראות לי את הכללים לימי חופש.

00:15:41.520 --> 00:15:43.040
כמה ימי חופשה אני מקבל?

00:15:43.180 --> 00:15:44.340
בצינור רג סטנדרטי,

00:15:44.500 --> 00:15:46.560
כל אחת מהשאלות האלה מפעילה שליפה מלאה,

00:15:46.560 --> 00:15:48.540
דירוג סמנטי מחדש וקריאת ללאם.

00:15:48.660 --> 00:15:50.540
אתם משלמים על אותה תשובה שלוש פעמים.

00:15:50.700 --> 00:15:52.600
מטמון סמנטי עוצר את הבזבוז הזה.

00:15:52.740 --> 00:15:55.200
הוא משתמש במודל התמאה קל משקל כדי לזהות

00:15:55.200 --> 00:15:57.260
ששלוש השאלות הללו חולקות את אותה כוונה.

00:15:57.420 --> 00:15:59.180
במקום לחזור למנוע השקה יקר,

00:15:59.400 --> 00:16:01.980
המערכת שולפת את התשובה המאומתת ממטמון מהיר.

00:16:02.180 --> 00:16:05.800
זה יכול להפחית את קריאות ה-LLM שלכם בית מינוס 60% עד 80%.

00:16:05.800 --> 00:16:08.100
והשינוי בחוויית המשתמש דרמטי אף יותר.

00:16:08.100 --> 00:16:11.380
אתם עוברים מהמתנה של שלוש שניות להסקה חיה של GPT-4 לזמן תגובה

00:16:11.380 --> 00:16:13.040
של פחות מ-50 מילי שניות מהמטמון.

00:16:13.200 --> 00:16:15.160
זה שיפור של פי 250 במהירות.

00:16:15.320 --> 00:16:17.520
פתאום, העוזר החכם מרגיש מידי.

00:16:17.620 --> 00:16:19.620
הוא הופך מקלי איתי שאנשים סובלים

00:16:19.620 --> 00:16:22.500
לעוזר מגיב שאנשים באמת נהנים להשתמש בו.

00:16:22.620 --> 00:16:24.820
אבל, המטמון הוא רק חצי מהמערכה.

00:16:24.940 --> 00:16:26.840
החצי השני הוא הפעלה סלקטיבית.

00:16:27.040 --> 00:16:29.320
אחת הטעויות הגדולות ביותר של ארכיטקטים

00:16:29.320 --> 00:16:31.440
היא החלת דירוג סמנטי על כל שאילתה.

00:16:31.440 --> 00:16:33.300
אתם לא צריכים שנאי השקה עמוק

00:16:33.300 --> 00:16:36.340
כדי למצוא מסמך שכותרתו תבנית דוח הוצאות 2025.

00:16:36.880 --> 00:16:38.280
התאמת מילות מפתח בסיסית

00:16:38.280 --> 00:16:39.440
הידי והותר בשביל זה.

00:16:39.600 --> 00:16:41.100
האסטרטגיה לשנת 2026

00:16:41.100 --> 00:16:43.160
היא להשאיר את החיפושים הפשוטים בשכבה הזולה.

00:16:43.240 --> 00:16:44.740
עליכם להפעיל את המדרג מחדש

00:16:44.740 --> 00:16:47.100
רק על שאילתות שפה טבעית מורכבות

00:16:47.100 --> 00:16:48.180
שבהן הכוונה מאורפלת.

00:16:48.340 --> 00:16:50.700
על ידי התמאת שאר לוגי בחזית הצינור שלכם

00:16:50.700 --> 00:16:52.680
תוכלו לשמור את התקציב שלכם לשאילתות

00:16:52.680 --> 00:16:54.080
שבאמת זקוקות לדיוק הנוסף.

00:16:54.080 --> 00:16:56.380
חישבו על זה כמו על מערכת מיון רפואי, טריאז.

00:16:56.380 --> 00:16:59.360
השכבה הזולה מטפלת בית מינוס 70% מהבקשות השגרתיות.

00:16:59.520 --> 00:17:03.640
שכבת הסמנטיקה היקרה מטפלת בית מינוס 30% מהדברים שמניעים בפועל ערך עסקי.

00:17:03.760 --> 00:17:05.040
כך מאזנים את התקציב.

00:17:05.220 --> 00:17:07.940
מבדאים שעלות החיפוש אינה עולה על ערך התשובה.

00:17:08.060 --> 00:17:09.840
אם שאילת שווה עשרה סנט בפריון

00:17:09.840 --> 00:17:12.480
אל תוציא דולר של כוח מחשוב כדי לפתור אותה.

00:17:12.480 --> 00:17:14.980
עלינו לשקול גם את הדירוג של הנתונים עצמם.

00:17:15.140 --> 00:17:17.580
לא כל מסמך דורש דיוק של 0.9.

00:17:17.740 --> 00:17:20.800
תפריט הקפטרייה הפנימי שלך לא זקוק למדרג של בינג

00:17:20.800 --> 00:17:23.000
אבל מסמכי הציוט הרגולטורי שלך כן.

00:17:23.200 --> 00:17:27.740
על ידי חלוקת מדדי החיפוש והחלת אסטרטגיות דירוג שונות על כל אחד

00:17:27.740 --> 00:17:30.660
ניתן לייעל את ההוצאות בהתאם לחשיבות המידע.

00:17:31.240 --> 00:17:33.380
לזה אנו קוראים מחזור מבוסס ערך.

00:17:33.840 --> 00:17:36.160
זו ההבנה שדיוק אינו בחירה בינרית.

00:17:36.160 --> 00:17:37.640
זהו סרגל הזזה.

00:17:37.820 --> 00:17:42.560
וכארכיטקט, התפקיד שלך הוא להזיז את הסרגל לפי הצרכים הספציפיים של היחידה העסקית.

00:17:42.680 --> 00:17:45.360
המטרה היא לא לבנות את המערכת הכי מדויקת שאפשר.

00:17:45.360 --> 00:17:49.460
המטרה היא לבנות את המערכת המדויקת ביותר שהעסק באמת יכול להרשות לעצמו להפעיל.

00:17:49.620 --> 00:17:53.720
קיבינה מלאכותית מושלמת שיקרה מדי לשימוש היא סתם משקולת נייר מתוחכמת מאוד.

00:17:53.880 --> 00:17:57.740
בשנת 2026 המנצחים לא יהיו אלו עם המדדים הגבוהים ביותר.

00:17:57.740 --> 00:18:03.800
הם יהיו אלו שהבינו איך לספק 0.85% בעלות שגדלה לנערית עם הצמיחה שלהם.

00:18:03.940 --> 00:18:07.460
הם אלו שהתייחסו לתשתית כאילוץ לא כמחשבה מאוחרת.

00:18:07.660 --> 00:18:10.160
ניהול העלות הוא הצד הטכני של המשוואה.

00:18:10.160 --> 00:18:13.720
אבל גם אם מגיעים לכלכלה הנכונה עדיין נשארת בעיה אנושית.

00:18:13.860 --> 00:18:18.640
צריך לגשר על הפער בין הרישיונות שקנית לבין האמון האמיתי שיש למשתמשים במערכת.

00:18:18.720 --> 00:18:21.660
כי אם הם לא סומכים על התשובה לא משנה כמה עלה לייצר אותה.

00:18:21.660 --> 00:18:23.780
הם פשוט יחזרו לחפש בדרך הישנה.

00:18:23.920 --> 00:18:25.660
וזה מביא אותנו לפער הממשל.

00:18:25.820 --> 00:18:27.900
כי אמון הוא לא רק עניין של דיוק טכני.

00:18:28.040 --> 00:18:30.380
הוא עניין של המסגרת שמקיפה את הדיוק הזה.

00:18:30.520 --> 00:18:33.400
הוא עניין של הידיעה שהבינה המלאכותית לא רק צודקת,

00:18:33.400 --> 00:18:35.420
אלא שמותר לה להיות צודקת מלכתחילה.

00:18:35.540 --> 00:18:39.720
ניהול העלות הוא הצד הטכני, אבל הצד הניהולי נוגע לפער הממשל.

00:18:40.100 --> 00:18:43.140
אופטימיזציה של התשתית פותרת רק חלק מהמשוואה.

00:18:43.140 --> 00:18:45.800
אפשר לבנות את מנוע הדיוק היעיל ביותר בעולם.

00:18:46.040 --> 00:18:48.540
אבל אם צוות ההנהלה חרד ממה שהוא עלול לחשוף,

00:18:48.740 --> 00:18:50.880
הפרויקט לעולם לא יצא מהארגז החולי.

00:18:50.980 --> 00:18:55.480
הגענו לנקודה שבה צוואר הבקבוק אינו תקציב המחשוב או השיהוי של המדרג.

00:18:55.480 --> 00:19:01.460
החיכוך האמיתי הוא הפער בין הרישיונות שהקצית לבין הסמכות האמיתית שיש לבינה המלאכותית לפעול.

00:19:01.620 --> 00:19:04.560
פער הממשל, הסיבה שמדיניות נכשלת בשימוש.

00:19:04.560 --> 00:19:08.080
יש לנו כרגע 15 מיליון מנויים בתשלום בעקוס סיסטם.

00:19:08.220 --> 00:19:12.140
עם זאת, שיעור האימוץ בארגונים תקוע על 35% בלבד.

00:19:12.300 --> 00:19:16.140
זה אומר ששניים מכל שלושה משתמשים בעלי רישיון פשוט מתעלמים מהכלי.

00:19:16.240 --> 00:19:18.720
הם מפסיקים להשתמש בו אחרי ההזיה השלישית.

00:19:18.720 --> 00:19:23.860
אמון הוא דבר שביר, ושליפה לקויה הורסת אותו מהר יותר ממה שכל הדרכה יכולה לבנות.

00:19:24.360 --> 00:19:25.800
ממשל הוא לא רק מסמך.

00:19:26.020 --> 00:19:27.500
זהו מנגנון בקרה טכני.

00:19:27.500 --> 00:19:30.840
בלעדיו, פרויקט הראג שלכם יקרוס בשבוע ה-12.

00:19:31.140 --> 00:19:33.080
אז איך המודל החדש נראה בפועל?

00:19:33.260 --> 00:19:35.320
זה מעבר לכיוון של סוכנים מנוהלים.

00:19:35.500 --> 00:19:37.360
עידן תיבת הצ'ט מגיע לסיומו.

00:19:37.480 --> 00:19:41.860
אנחנו עוזבים עולם שבו שואלים שאלה ומקווים שהמתמטיקה תמצא את המסמך הנכון.

00:19:42.020 --> 00:19:44.060
המודל החדש עוסק בהעצלת סמכויות.

00:19:44.260 --> 00:19:49.120
מדובר במעבר ממערכת שרק שולפת מידע למערכת שמסיקה מסקנות לגבי תהליך החיפוש עצמו.

00:19:49.120 --> 00:19:51.520
אנחנו נכנסים לעידן הסוכן המנוהל.

00:19:51.640 --> 00:19:56.620
מערכת שלא רק מחפשת נתונים, אלא מבינה את חוקי הבית עוד לפני שהיא מניעה את המנוע.

00:19:56.800 --> 00:20:00.140
מפת הדרכים לשנת 2026 משליפת מידע להסקה.

00:20:00.280 --> 00:20:03.260
אם אתם רוצים להישאר רלוונטי עם בית מינוס 24 החודשים הקרובים,

00:20:03.440 --> 00:20:05.140
מפת הדרכים שלכם חייבת לעבור לרג סוכני.

00:20:05.300 --> 00:20:06.160
זהו הגבול הבא.

00:20:06.280 --> 00:20:09.780
בהגדרה סטנדרטית, המערכת לוקחת את השאילתה שלכם ומריצה חיפוש בודד.

00:20:09.920 --> 00:20:12.320
בהגדרה סוכנית, ה-AI מתכנן את החיפוש.

00:20:12.320 --> 00:20:18.360
הוא בוחן את הבקשה ומחליט אם לגשת למאגר הוקטורי לשאול בסיס נתונים SQL או לבדוק API בזמן אמת.

00:20:18.460 --> 00:20:20.980
הוא מנתח את הצעדים הנדרשים כדי להגיע לאמת.

00:20:21.160 --> 00:20:23.340
כאן Graph Reg הופך לסטנדרט הזהב.

00:20:23.540 --> 00:20:29.000
עבור סביבות קריטיות שבהן דרוש דיוק של 99% היא אפשר להסתמך על מקטעי מסמכים שטוחים.

00:20:29.000 --> 00:20:34.080
אתם צריכים גרף ידע שממפה את הקשרים בין ישויות, אנשים, פרויקטים ומדיניות.

00:20:34.080 --> 00:20:38.140
זה מאפשר ל-AI להבין שכאשר שואלים על התקציב של מהנדס ראשי,

00:20:38.380 --> 00:20:43.420
עליו למצוא את האדם, את הפרויקט שהוא מוביל, ואז את הדוח הכספי המשוייך לאותו פרויקט.

00:20:43.540 --> 00:20:47.600
זהו שרשרת עסקה מרובת שלבים שחיפוש וקטורי שטוח פשוט לא יכול לבצע.

00:20:47.720 --> 00:20:48.920
אבל הנה האמת המרה.

00:20:49.020 --> 00:20:52.740
ה-AI שלכם מוגבל על ידי המטאדאטה שלכם, לא על ידי מספר הראשיונות.

00:20:52.740 --> 00:21:00.920
אם אתרי השארפוינט שלכם הם בית כברות של מסמך אחד, דוקקס, וו, סופי גרסה 2 באמת סופי, פי די אף, שום עסקה, סוכנית לא תציל אתכם.

00:21:00.920 --> 00:21:05.220
הכנת תשתית הנתונים היא הדרך היחידה למנוע את הפיגור התחרותי הממשמש עובה.

00:21:05.320 --> 00:21:14.300
ארגונים שיחכו לתקן את שכבת השליפה ימצאו את עצמם תקועים עם 35% עימוץ, בזמן שהמתחרים שלהם כבר ממקנים תהליכי עבודה שלמים.

00:21:14.300 --> 00:21:19.460
אנחנו עוברים מחיפוש וקטורי ככלי לאסטרטגיה סמנטית כיכולת עסקית ליבה.

00:21:19.740 --> 00:21:22.740
הטרנספורמציה שלכם מתחילה בביקורת על תהליך השליפה.

00:21:22.820 --> 00:21:27.260
תפסיקו למדוד כמה מהר ה-AI מגיב, ותתחילו למדוד באיזו תדירות הוא באמת צודה.

00:21:27.440 --> 00:21:32.680
זהו את עשרה אחוזים ממקרי השימוש המורכבים ביותר שלכם, אלו שבהם דיוק הודרישה ולא המלצה,

00:21:32.900 --> 00:21:36.040
והטמיעו את ה-L2 ררנקר בצינורות העיבוד האלו עוד היום.

00:21:36.040 --> 00:21:39.620
אם השינוי הזה במודל שינה את הדרך שבה אתם חושבים על הארכיטקטורה שלכם,

00:21:39.800 --> 00:21:42.400
עקבו אחריי מרקו פיטרס, בלינקטין לעוד ניתוחים מעמיקים.

00:21:42.520 --> 00:21:46.460
אם זה עזר לכם להבחן, מדוע פרויקט הרג שלכם נכשל כרגע, השאירו ביקורת.

00:21:46.640 --> 00:21:50.700
זה עוזר לפודקאסט הזה להגיע לארכיטקטים שעדיין תקועים במלכודת הטופ-K הצעד הבא שלכם,

00:21:50.760 --> 00:21:53.300
הוא לבדוק את הניתוח המעמיק שלנו על תהליכי עבודה של סוכנים,

00:21:53.300 --> 00:21:56.240
כדי לראות בדיוק לאן הדיוק הזה מוביל בהמשך.
