איך מאמנים מודלי AI: למידה מונחית, בלתי-מונחית, למידה מתגמלת, למידת העברה ועוד

שאלו עשרה אנשים "איך מאמנים מודל AI?" ותקבלו עשר תשובות שונות, מפני שאין שיטה יחידה. הנכונה תלויה בשתי שאלות: אילו נתונים יש לכם, והאם אתם בונים מודל מאפס או מתאימים כזה שכבר קיים? כשמסדרים את שתי אלה, כל גן החיות של המונחים - מונחית, בלתי-מונחית, מתגמלת, למידת העברה, כוונון עדין, RAG, RLHF - מתייצב למפה פשוטה.

המדריך הזה מוליך את המפה מקצה לקצה. הוא נייטרלי לספק (המושגים זהים ב-AWS, ב-Azure, ב-Google Cloud ובכל מקום אחר), אך הוא נכתב מתוך מחשבה על הסמכות ה-AI היסודיות - AWS AI Practitioner (AIF-C01), Azure AI Fundamentals, Google Cloud Generative AI Leader ומקביליהן, כולן בודקות בדיוק את הרעיונות האלה. במקומות שבהם בחינה נשענת על מושג בדרך מסוימת, יש הערת "בבחינה". הוא ארוך; התייחסו אליו כאל מקור עיון שסורקים לפי סעיף.

שתי השאלות שמארגנות את הכול

יש שתי משמעויות שונות של "אימון" שאנשים מטשטשים ביניהן:

1. איך מודל לומד מנתונים - פרדיגמת הלמידה. זה עוסק בצורת הנתונים שלכם (מתויגים? בלתי-מתויגים? אות תגמול?) והיא קובעת איזו משפחת אלגוריתמים חלה. כאן שוכנות למידה מונחית, בלתי-מונחית, חצי-מונחית, עצמית-מונחית ומתגמלת.
2. איך מתאימים מודל קיים - סולם ההתאמה האישית. AI מודרני כמעט אף פעם לא מתחיל מאפס. לוקחים מודל יסוד מאומן-מראש ומתאימים אותו, החל משינוי prompt זול ועד אימון מחדש יקר. כאן שוכנות הנדסת prompt, RAG, כוונון עדין ואימון-מראש מתמשך.

שמרו על שתי המשמעויות נפרדות. הראשונה היא "מהו סוג בעיית הלמידה הזו?" השנייה היא "בהינתן מודל שכבר קיים, כמה אני משנה אותו?" רוב שאלות הבחינה באמת שואלות לאיזו קופסה נופל התרחיש.

חלק 1: פרדיגמות הלמידה

למידה מונחית

מה. המודל לומד מדוגמאות מתויגות - קלט המשויך לתשובה הנכונה. אתם מראים לו אלפי הודעות דוא"ל המתויגות כספאם או לא-ספאם, והוא לומד את המיפוי מהודעה לתווית.

למה. כשיש לכם נתונים מתויגים ויעד ברור לחיזוי, זו הגישה הישירה והמדויקת ביותר. היא מפעילה את רוב ה-ML הקלאסי בייצור.

איך. שני תת-סוגים לפי מה שאתם חוזים:

• סיווג - חיזוי קטגוריה (ספאם או לא, איזה מבין 20 סוגי מחלה, הונאה או לגיטימי).
• רגרסיה - חיזוי מספר רציף (מחיר בית, ביקוש מחר, הכנסה צפויה).

מפצלים את הנתונים המתויגים, מאמנים את המודל למזער את השגיאה מול התשובות הידועות, ומודדים כמה טוב הוא חוזה דוגמאות שהוחזקו בצד.

בבחינה. ביטוי הטריגר הוא "נתונים מתויגים". אם תרחיש מגיש לכם קלט עם פלט נכון ידוע ומבקש לחזות קטגוריה או ערך, זו למידה מונחית. סיווג לעומת רגרסיה נקבע לפי האם התשובה היא מחלקה או מספר.

למידה בלתי-מונחית

מה. המודל לומד מנתונים בלתי-מתויגים - ללא תשובות נכונות. הוא מוצא מבנה בכוחות עצמו.

למה. רוב הנתונים בעולם האמיתי בלתי-מתויגים, והתיוג יקר. כשאתם רוצים לגלות דפוסים במקום לחזות יעד ידוע, זה הכלי.

איך. התפקידים העיקריים:

• אשכול - קיבוץ פריטים דומים (פילוח לקוחות, קיבוץ מסמכים לפי נושא).
• הפחתת ממדים - דחיסת מאפיינים רבים למעטים תוך שמירה על האות (להמחשה חזותית או להאצת מודלים בהמשך הזרם).
• זיהוי חריגות - סימון נקודות שאינן מתאימות לדפוס הנלמד (הונאה, חדירה, חלקים פגומים).

בבחינה. הטריגר הוא "נתונים בלתי-מתויגים" בתוספת מטרה כמו "לפלח", "לקבץ" או "למצוא חריג". אשכול לפילוח לקוחות הוא הדוגמה הבלתי-מונחית הנפוצה ביותר שתראו.

למידה חצי-מונחית

מה. דרך אמצע: כמות קטנה של נתונים מתויגים בתוספת מאגר גדול של נתונים בלתי-מתויגים.

למה. תיוג יקר; לעיתים קרובות אתם יכולים להרשות לעצמכם לתייג רק חלק. למידה חצי-מונחית משתמשת במעט התוויות כדי להדריך את הלמידה על פני הקבוצה הבלתי-מתויגת הגדולה בהרבה, ומשיגה תוצאות טובות יותר משהתוויות לבדן היו מאפשרות.

איך. דפוס טיפוסי: מאמנים על תת-הקבוצה המתויגת, משתמשים במודל הזה כדי לתייג את הנתונים הבלתי-מתויגים (תיוג-מדומה), ואז מאמנים מחדש על הקבוצה המשולבת. זה מפחית את עלות ההערות ויכול לשפר את ההכללה.

למידה עצמית-מונחית

מה. המודל יוצר את התוויות שלו מהנתונים הגולמיים, כך שאין צורך בתיוג אנושי. הדוגמה הקלאסית: מסתירים את המילה הבאה במשפט ומאמנים את המודל לחזות אותה.

למה. כך מאמנים-מראש מודלי יסוד מודרניים ומודלי שפה גדולים. יש הרבה יותר טקסט, תמונות וקוד גולמיים באינטרנט משמישהו אי-פעם יוכל לתייג, וחיזוי הטוקן הבא (או הטוקן המוסתר) הופך את כל זה לאות אימון.

איך. המודל מאומן להשלים או לחזות חלקים מהקלט שלו עצמו על פני מערכי נתונים עצומים. התוצאה היא מודל בסיס עם ידע כללי רחב - שוטף, אך עדיין אינו מיושר לעקוב אחר הוראות או להתאים להעדפות אנושיות.

בבחינה. ייתכן שלא תראו את "עצמית-מונחית" נזכר לעיתים קרובות, אך עליכם לדעת שמודל יסוד הוא מודל גדול המאומן-מראש על נתונים עצומים, לרוב בלתי-מתויגים, וכי האימון-מראש הזה הוא מה שהופך אותו לניתן להתאמה למשימות רבות בהמשך הזרם.

למידה מתגמלת (ו-RLHF)

מה. סוכן לומד באמצעות אינטראקציה עם סביבה: הוא מבצע פעולה, מקבל תגמול או עונש, ומתאים את עצמו כדי למקסם תגמול ארוך-טווח. אין מפתח תשובות מתויג - רק משוב עד כמה פעולה הייתה טובה.

למה. זה מתאים לבעיות החלטה רציפות שבהן המהלך "הנכון" אינו ידוע מראש: משחקים, רובוטיקה, המלצות, מערכות בקרה.

איך. הסוכן מתבונן במצב, בוחר פעולה, מקבל תגמול, עובר למצב חדש, וחוזר על כך - לומד בהדרגה מדיניות (אסטרטגיה) שמניבה את מירב התגמול לאורך זמן.

RLHF (למידה מתגמלת ממשוב אנושי) היא היישום המפורסם. אחרי שמודל שפה מאומן-מראש, בני אדם מדרגים את פלטיו; הדירוגים האלה מאמנים מודל תגמול; ואז למידה מתגמלת מכווננת את מודל השפה לייצר פלטים שמודל התגמול מדרג גבוה. זו סיבה מרכזית לכך שעוזרי הצ'אט המודרניים מועילים ומיושרים ולא רק שוטפים.

בבחינה. הטריגר הוא "לומד ממשוב / תגמולים / ניסוי וטעייה". צ'טבוט שמשתפר על-ידי תגמול על תגובות טובות הוא למידה מתגמלת. דעו ש-RLHF היא האופן שבו מודלי LLM מיושרים להעדפות אנושיות.

חלק 2: מחזור החיים של ML

אימון הוא צעד אחד בלולאה, לא כל העניין. מחזור החיים הסטנדרטי:

1. מסגור הבעיה - מה אתם חוזים, והאם ML הוא בכלל הכלי הנכון? (לעיתים כלל פשוט מנצח מודל.)
2. איסוף והכנת נתונים - איסוף, ניקוי ותיוג במידת הצורך.
3. ניתוח נתונים חקרני (EDA) - בחינת התפלגויות, מתאמים ואיכות לפני המידול.
4. הנדסת מאפיינים - שימוש בידע תחומי כדי ליצור או להמיר משתני קלט שמקלים על למידת הדפוסים.
5. אימון - התאמת המודל לנתוני האימון.
6. הערכה - מדידת ביצועים על נתונים שהמודל לא ראה.
7. פריסה - הגשת המודל לחיזויים (זה נקרא הסקה).
8. ניטור - עקיבה אחר סחיפה והידרדרות, ואימון מחדש בעת הצורך.

פיצול אימון, אימות ומבחן. לעולם אל תשפטו מודל על הנתונים שעליהם התאמן. פצלו את הנתונים: קבוצת האימון מתאימה את המודל, קבוצת האימות מכווננת הגדרות ומשווה מועמדים, וקבוצת המבחן נותנת אומדן סופי והוגן על נתונים שלא נעשה בהם שימוש בשום מקום אחר. פיצול נפוץ הוא משהו כמו 80/20, כשחלק האימון מפוצל שוב לצורך אימות.

בבחינה. דעו שהסקה היא שימוש במודל מאומן על נתונים חדשים (בניגוד לאימון), ושהנדסת מאפיינים משמעה יצירת קלט טוב יותר מנתונים גולמיים באמצעות ידע תחומי.

חלק 3: התאמה והכללה

כל המשחק הוא הכללה - להצליח על נתונים חדשים, לא רק על נתוני האימון.

• התאמת-יתר - המודל משנן את נתוני האימון (כולל הרעש שבהם) ונכשל על נתונים חדשים. תסמין: דיוק אימון גבוה, דיוק ייצור ירוד; או דיוק שמשתפר ואז מתדרדר ככל שמאמנים זמן רב יותר. תיקונים: יותר נתוני אימון (ומגוונים יותר), רגולריזציה, עצירה מוקדמת, dropout, או מודל פשוט יותר.
• תת-התאמה - המודל פשוט מדי מכדי לתפוס את הדפוס וחלש אפילו על נתוני האימון. תיקון: מודל מסוגל יותר, מאפיינים טובים יותר, או יותר אימון.
• פשרת הטיה-שונות - הטיה היא שגיאה ממודל פשוט-מדי (תת-התאמה); שונות היא שגיאה ממודל מורכב-מדי (התאמת-יתר). יותר מורכבות מפחיתה הטיה אך מעלה שונות. האמנות היא לאזן בין השתיים.

בבחינה. "מצוין על נתוני אימון, גרוע בייצור" הוא החתימה של התאמת-יתר; התשובות הצפויות הן יותר נתונים, רגולריזציה, או עצירה מוקדמת. אל תבלבלו אותה עם תת-התאמה (גרוע בכל מקום).

חלק 4: איך מודדים מודל

אי-אפשר לשפר את מה שאי-אפשר למדוד, והמדד הנכון תלוי במשימה.

מדדי סיווג.

• דיוק - שיעור החיזויים הנכונים. בסדר כשהמחלקות מאוזנות; מטעה כשהן לא.
• מטריצת בלבול - הטבלה המלאה של חיוביים אמיתיים, חיוביים כוזבים, שליליים אמיתיים ושליליים כוזבים. כל השאר נגזר ממנה.
• דיוק (precision) - מתוך הפריטים שסימנתם כחיוביים, כמה באמת היו. (מעניש חיוביים כוזבים.)
• היזכרות (רגישות) - מתוך הפריטים החיוביים באמת, כמה תפסתם. (מעניש שליליים כוזבים.)
• F1 score - הממוצע ההרמוני של precision והיזכרות, מספר אחד המאזן בין השניים.
• AUC (השטח מתחת לעקומת ה-ROC) - מדד בלתי-תלוי-סף לכמה טוב המודל מפריד בין מחלקות.

מדדי רגרסיה.

• RMSE (שורש שגיאה ריבועית ממוצעת) ו-MAE (שגיאה מוחלטת ממוצעת) - כמה רחוק החיזויים נופלים מהמספרים האמיתיים.

מדדים יצירתיים ולשוניים.

• BLEU - איכות תרגום מול הפניות אנושיות.
• ROUGE - איכות סיכום (חפיפה עם סיכומי הפניה).
• BERTScore - דמיון סמנטי להפניה באמצעות embeddings.
• הערכה אנושית - עדיין תקן הזהב לפלט יצירתי פתוח.

בבחינה. העלות העסקית בוחרת את המדד. כשהחמצה יקרה בהרבה מהתראת שווא (הונאה, סקר מחלות), בצעו אופטימיזציה להיזכרות. דיוק הוא ברירת המחדל לסיווג מאוזן; מטריצת בלבול כשרוצים את הפירוט המלא; BLEU/ROUGE לתרגום/סיכום.

חלק 5: היפר-פרמטרים ודינמיקת האימון

היפר-פרמטרים הם ההגדרות שאתם בוחרים לפני האימון (בניגוד למשקלים שהמודל לומד). המרכזיים:

• Epochs - כמה פעמים המודל עובר על נתוני האימון. מעט מדי גורם לתת-התאמה; יותר מדי להתאמת-יתר.
• קצב למידה - כמה גדול הצעד שהמודל עושה כשהוא מעדכן. גבוה מדי והוא לעולם אינו מתייצב; נמוך מדי והוא זוחל.
• גודל אצווה - כמה דוגמאות לכל עדכון.

כוונון היפר-פרמטרים הוא החיפוש אחר השילוב הטוב ביותר; לעיתים קרובות הוא מאוטמט (למשל באמצעות כלי AutoML).

אל תבלבלו בין היפר-פרמטרים של אימון לבין הגדרות בזמן הסקה במודלים יצירתיים:

• Temperature - נמוכה (קרוב ל-0) נותנת פלט דטרמיניסטי וניתן לשחזור; גבוהה נותנת פלט יצירתי ומגוון.
• Top-p / top-k - מגבילים מאילו טוקנים מועמדים המודל רשאי לדגום.

בבחינה. "הפכו את תשובות המודל לעקביות/ניתנות לשחזור יותר" משמעו הורדת ה-temperature. "שפרו דיוק באמצעות יותר אימון" מצביע על יותר epochs (עם התאמת-יתר כהסתייגות).

חלק 6: התאמת מודלי יסוד - סולם ההתאמה האישית

לעיתים רחוקות אתם מאמנים מודל גדול מאפס. אתם לוקחים מודל יסוד מאומן-מראש ומתאימים אותו. השיטות, מסודרות מהזולה והמהירה ביותר ליקרה ביותר, הן הרעיון הרלוונטי-ביותר לבחינה בכל המדריך הזה.

למידת העברה (הרעיון-מטרייה)

מה. שימוש חוזר בידע שמודל למד על משימה אחת כדי לבצע משימה קשורה. במקום להתחיל ממשקלים אקראיים, אתם מתחילים ממודל שכבר מבין שפה או תמונות.

למה. זה חותך את הנתונים והחישוב שאתם צריכים. זה העיקרון שמתחת לכמעט כל מה שלמטה - כוונון עדין הוא דרך ספציפית אחת לבצע למידת העברה.

בבחינה. "התאימו מודל מאומן-מראש למשימה חדשה במקום לבנות מאפס" היא למידת העברה, והתועלת שלה היא פחות נתונים, פחות זמן, פחות עלות.

שלב 1: הנדסת prompt

מה. משנים את ההוראות שאתם נותנים למודל, לא את המודל עצמו. שום דבר אינו מאומן מחדש.

איך. טכניקות:

• Zero-shot - פשוט שואלים, ללא דוגמאות.
• One-shot / few-shot (למידה בתוך-הקשר) - כוללים כמה דוגמאות מעובדות ב-prompt כדי שהמודל יסיק את הדפוס. זה מתאים התנהגות ללא שום עדכון פרמטרים.
• שרשרת חשיבה - מבקשים מהמודל לחשוב צעד-אחר-צעד עבור בעיות קשות יותר.
• תבניות prompt - מבני prompt סטנדרטיים וניתנים לשימוש חוזר.

למה. הזול, המהיר ביותר, ללא תשתית. תמיד נסו את זה קודם.

בבחינה. למידת few-shot ולמידה בתוך-הקשר הן אותו רעיון: דוגמאות ב-prompt, ללא אימון מחדש. Zero-shot מסכן תוצאות ירודות כשהמשימה רחוקה ממה שהמודל ראה באימון.

שלב 2: יצירה מוגברת-אחזור (RAG)

מה. שולפים עובדות רלוונטיות מהנתונים שלכם בזמן השאילתה ומוסיפים אותן ל-prompt, כך שהמודל עונה ממידע עדכני, פרטי, או סמכותי שמעולם לא אומן עליו.

איך. ממירים את המסמכים שלכם ל-embeddings (וקטורים מספריים הלוכדים משמעות), מאחסנים אותם במסד נתונים וקטורי, שולפים את המקטעים הקרובים ביותר לשאלת המשתמש, ומזינים אותם למודל לצד השאלה.

למה. זה מעגן תשובות בנתונים שלכם ומפחית דרמטית הזיות, ללא שום אימון מחדש. אידיאלי כשהידע שלכם משתנה לעיתים קרובות - אתם מעדכנים את המסמכים, לא את המודל.

בבחינה. "עגנו את המודל בנתוני החברה / הפחיתו הזיות / שמרו על תשובות עדכניות ללא אימון מחדש" הוא RAG. Embeddings הם הייצוגים המספריים שהופכים את האחזור לאפשרי.

שלב 3: כוונון עדין

מה. ממשיכים לאמן את המודל על דוגמאות מתויגות משלכם כך שיפנים משימה או סגנון.

איך. מספקים נתונים מתויגים - בדרך כלל זוגות של prompt והשלמה. כוונון עדין מבוסס-הוראות משתמש בזוגות קלט-פלט המעוצבים כהוראות; התאמה תחומית מלמדת התנהגות מיוחדת (למשל, טיפול במונחים מדעיים או משפטיים). כוונון עדין יעיל-פרמטרים (PEFT), כגון LoRA, מעדכן רק פרוסה קטנה מפרמטרי המודל, וחותך עלות תוך שמירה על רוב המודל מוקפא.

למה. כש-prompting ו-RAG אינם מספיקים ואתם צריכים שהמודל יתנהג באופן אמין בדרך מסוימת. זה עולה יותר (נתונים, חישוב) מהשלבים שלמעלה.

בבחינה. כוונון עדין דורש נתונים מתויגים (זוגות prompt-השלמה). השתמשו בו להתנהגות משימה עקבית או להתאמה תחומית; הוא משנה את המודל, בעוד ש-RAG משאיר את המודל בשקט ומספק הקשר בזמן השאילתה.

שלב 4: אימון-מראש מתמשך

מה. ממשיכים לאמן-מראש את מודל הבסיס על גוף גדול של טקסט תחומי בלתי-מתויג.

למה. כדי ללמד את המודל את אוצר המילים והמושגים של תחום מיוחד (רפואי, משפטי, מדעי) בקנה מידה, או כדי לשמור עליו עדכני ככל שהנתונים מתפתחים. יקר יותר מכוונון עדין.

בבחינה. אימון-מראש מתמשך משתמש בהרבה טקסט תחומי בלתי-מתויג לשליטה באוצר מילים ובמושגים; כוונון עדין מבוסס-הוראות משתמש בזוגות הוראה מתויגים להתנהגות משימה. נתונים שונים, מטרה שונה.

סולם העלות, בשורה אחת

הנדסת prompt (הזולה ביותר, ללא אימון מחדש) -> RAG (הוסיפו את הנתונים שלכם בזמן השאילתה) -> כוונון עדין (אימנו מחדש על דוגמאות מתויגות) -> אימון-מראש מתמשך (אימנו מחדש על טקסט תחומי בלתי-מתויג) -> אימון-מראש מלא מאפס (נדיר, היקר ביותר). טפסו רק עד כמה שהבעיה דורשת.

חלק 7: הפיכת מודלים לקטנים ומהירים יותר

ברגע שמודל עובד, לעיתים קרובות אתם צריכים אותו זול או בעל-השהיה-נמוכה יותר:

• זיקוק ידע - מאמנים מודל "תלמיד" קטן לחקות "מורה" גדול, ושומרים על רוב האיכות בשבריר מהגודל.
• קוונטיזציה - מאחסנים משקלים בדיוק מספרי נמוך יותר (למשל 8-סיביות במקום 32-סיביות) כדי לכווץ ולהאיץ את המודל.
• גיזום - מסירים משקלים או מבנים שתורמים מעט.

חלק 8: ארכיטקטורות, בקצרה

הפרדיגמות שלמעלה הן איך מודלים לומדים; ארכיטקטורות הן ממה המודל בנוי. עליכם לזהות את השמות:

• רשתות נוירונים / למידה עמוקה - רשתות שכבתיות הלומדות מאפיינים היררכיים; הבסיס ל-AI מודרני.
• CNNs - מיוחדות לתמונות.
• RNNs - בנויות לרצפים (הוחלפו במידה רבה על-ידי transformers).
• Transformers - הארכיטקטורה שמאחורי מודלי LLM מודרניים; ה-"GPT" ב-generative pre-trained transformer ומודלים כמו BERT.
• GANs - שתי רשתות המתחרות כדי לייצר נתונים סינתטיים ריאליסטיים.
• מודלי דיפוזיה - מייצרים תמונות באמצעות למידה להפוך תהליך הרעשה.

אינכם צריכים לממש אותן לבחינה יסודית, אך עליכם לדעת, למשל, ש-transformers מפעילים מודלי LLM ו-GANs מייצרים נתונים סינתטיים.

מדריך ההחלטה של 30 השניות

• נתונים מתויגים, חיזוי קטגוריה או מספר -> למידה מונחית (סיווג או רגרסיה)
• נתונים בלתי-מתויגים, מציאת קבוצות או חריגים -> למידה בלתי-מונחית (אשכול, זיהוי חריגות)
• מעט תוויות בתוספת הרבה נתונים בלתי-מתויגים -> למידה חצי-מונחית
• מודל יוצר את התוויות שלו מנתונים גולמיים (איך מודלי יסוד מאומנים-מראש) -> למידה עצמית-מונחית
• סוכן לומד מתגמולים / משוב -> למידה מתגמלת; יישור מודל LLM להעדפה אנושית -> RLHF
• שימוש חוזר במודל מאומן-מראש למשימה קשורה -> למידת העברה
• התאמת מודל יסוד, הזול ביותר קודם -> הנדסת prompt, אחר כך RAG, אחר כך כוונון עדין, אחר כך אימון-מראש מתמשך
• עיגון תשובות בנתונים העדכניים שלכם, ללא אימון מחדש -> RAG
• מצוין על נתוני אימון, גרוע בייצור -> התאמת-יתר (יותר נתונים, רגולריזציה, עצירה מוקדמת)
• החמצת חיובי יקרה מאוד (הונאה) -> אופטימיזציה להיזכרות
• הפכו פלט יצירתי לעקבי יותר -> הורידו את ה-temperature

הסמכות קשורות

יסודות שיטות הלמידה האלה הם ליבה בכל בחינת AI יסודית - המדריך הזה מופיע תחת מדריכי לימוד קשורים בכל אחד מהמרכזים שלהן:

• AWS Certified AI Practitioner (AIF-C01) - הבחינה שאליה המדריך הזה מכוונן; תחומים 1-3 נשענים בכבדות על המושגים האלה.
• AWS Certified Machine Learning Engineer Associate (MLA-C01) - מעמיק יותר במחזור החיים, באימון ובהערכה.
• Microsoft Azure AI Fundamentals (AI-900 / AI-901) - בודקת את אותן פרדיגמות למידה ואת יסודות ה-ML.
• Google Cloud Generative AI Leader - מודלי יסוד, prompting, והתאמה.
• NVIDIA-Certified Associate: Generative AI and LLMs (NCA-GENL) - אימון והתאמה של מודלי LLM.
• IBM watsonx Generative AI Engineer Associate - יסודות AI גנרטיבי.
• Claude Certified Architect - Foundations (CCA-F) - מושגי מודלי יסוד.

איך ללמוד את זה

לבחינה יסודית, אל תשננו אלגוריתמים - תרגלו סיווג. קראו כל תרחיש ושאלו את שתי השאלות המארגנות: אילו נתונים יש לי (מתויגים, בלתי-מתויגים, תגמול), והאם אני בונה או מתאים? זה מנתב אתכם לפרדיגמה הנכונה או לשלב הנכון בסולם ההתאמה האישית תוך שניות. הריצו שאלות תרגול כשמדריך ההחלטה של 30 השניות פתוח, וכשאתם מחמיצים אחת, חזרו לאותו סעיף כאן עד שהגבול חד. המושגים שמפרידים בין אנשים שעוברים הם אלה עם הקצוות המטושטשים: מונחית לעומת בלתי-מונחית, כוונון עדין לעומת RAG, התאמת-יתר לעומת תת-התאמה, וסדר העלות של סולם ההתאמה האישית.

מקור: מדריך הבחינה ותחומי השאלות של AWS Certified AI Practitioner (AIF-C01), ומקורות מכונה-לומדת סטנדרטיים, נכון לספטמבר 2026.