AI, ML & DL

Why it matters

שלושת המושגים האלה -- Artificial Intelligence, Machine Learning ו-Deep Learning -- הם הבסיס לכמעט כל דיון טכנולוגי מודרני. בלי להבין את היחס ביניהם, קשה לקרוא מאמרים, להבין Job Descriptions, או לדעת איזה כלי מתאים לאיזו בעיה.

כל חברה היום -- מ-Startup קטן ועד ענקיות כמו Google ו-Amazon -- משתמשת בטכנולוגיות שנמצאות על הספקטרום הזה. גם אם אתם לא הולכים להיות ML Engineers, הבנה בסיסית של התחום היא כמו הבנה בסיסית באנגלית בעולם ההייטק: אפשר בלי זה, אבל קשה.

Core ideas

היחס בין השכבות: AI > ML > DL

דמיינו שלוש עיגולים מקוננים:

┌─────────────────────────────────────────┐
│  AI  (Artificial Intelligence)          │
│  כל מערכת שמדמה "חשיבה" או קבלת החלטות │
│                                         │
│   ┌──────────────────────────────────┐  │
│   │  ML  (Machine Learning)          │  │
│   │  לומד מדוגמאות במקום כללים קשיחים│  │
│   │                                  │  │
│   │   ┌───────────────────────────┐  │  │
│   │   │  DL  (Deep Learning)      │  │  │
│   │   │  רשתות נוירונים עמוקות    │  │  │
│   │   └───────────────────────────┘  │  │
│   └──────────────────────────────────┘  │
└─────────────────────────────────────────┘

• AI -- המטרייה הכי רחבה. כולל גם מערכות מבוססות כללים (Rule-based), עצי החלטה, וכל דבר ש"מתנהג בצורה חכמה".
• ML -- תת-תחום של AI. במקום לכתוב כללים ידנית, המערכת לומדת דפוסים מתוך Data.
• DL -- תת-תחום של ML. משתמש ב-Neural Networks עם הרבה שכבות (layers) כדי ללמוד ייצוגים מורכבים.

Narrow AI מול General AI

חשוב להבין שכמעט כל מה שקיים היום הוא Narrow AI (בינה מלאכותית צרה):

ChatGPT, למרות שהוא מרשים, הוא עדיין Narrow AI -- הוא מצטיין ביצירת טקסט, אבל אין לו הבנה אמיתית של העולם, ולא יכול ללכת לקנות לכם חלב.

שלושת סוגי הלמידה

Supervised Learning הוא הסוג הנפוץ ביותר בתעשייה. רוב הבעיות העסקיות נופלות לפה: חיזוי מחירים, סיווג תמונות, זיהוי Spam. המפתח הוא שיש לנו Data מתויג -- כלומר, מישהו (בדרך כלל צוות של אנשים או מערכת אוטומטית) סימן עבורנו מה התשובה הנכונה.

Unsupervised Learning שימושי כשאין לנו Labels. לדוגמה: יש לנו מיליון לקוחות, ואנחנו רוצים לגלות אם יש קבוצות טבעיות ביניהם -- בלי שאמרנו מראש מה הקבוצות. אלגוריתמים כמו K-Means ו-DBSCAN עושים בדיוק את זה.

Reinforcement Learning הוא הסוג ה"מגניב" ביותר (ברמה תיאורטית) אבל גם הכי קשה ליישום בפרודקשן. הוא מצוין למשחקים ורובוטיקה, אבל בעולם העסקי -- הוא פחות נפוץ כי דורש סביבת סימולציה ואינטראקציה מתמשכת.

Classic ML מול Deep Learning

אלגוריתמי Classic ML מרכזיים -- מבט מהיר

ארכיטקטורות DL מרכזיות -- מבט מהיר

איפה כל גישה משמשת בתעשייה

• Classic ML: זיהוי הונאות בנקאיות, חיזוי Churn של לקוחות, מערכות המלצה פשוטות, ניתוח סיכונים.
• Deep Learning -- Computer Vision: זיהוי פנים, מכוניות אוטונומיות, בדיקת איכות במפעלים.
• Deep Learning -- NLP: ChatGPT, תרגום אוטומטי, סיכום טקסטים, Chatbots.
• Deep Learning -- Audio: זיהוי דיבור (Speech-to-Text), יצירת מוזיקה, זיהוי רגשות מקול.
• Reinforcement Learning: משחקים (AlphaGo), רובוטיקה, אופטימיזציה של שרשרת אספקה.

The ML Workflow -- מ-Data גולמי למודל בפרודקשן

הנה הזרימה הטיפוסית של פרויקט ML מקצה לקצה:

  הגדרת הבעיה העסקית
       │
       ▼
  איסוף Data  ──────────▶  ניקוי ועיבוד Data
                                  │
                                  ▼
                           Feature Engineering
                           (בחירת/יצירת Features)
                                  │
                                  ▼
                           בחירת מודל + אימון
                                  │
                                  ▼
                           הערכה (Evaluation)
                           ├── Accuracy, Precision, Recall
                           └── Cross-validation
                                  │
                              טוב מספיק?
                              /        \
                           לא            כן
                            │             │
                            ▼             ▼
                     חזרה לשלב      Deploy ל-Production
                     קודם           (ראו: production.md)

Common confusions

Tiny example

דמיינו שאתם בונים מערכת שמזהה האם Review של מוצר הוא חיובי או שלילי:

=== "גישת Classic ML"

```python
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression

# שלב 1: הפיכת טקסט למספרים (Feature Engineering ידני)
vectorizer = TfidfVectorizer(max_features=1000)
X_train = vectorizer.fit_transform(reviews_text)

# שלב 2: אימון מודל
model = LogisticRegression()
model.fit(X_train, labels)  # labels = [positive, negative, ...]

# שלב 3: חיזוי
new_review = vectorizer.transform(["המוצר מעולה, ממליץ בחום!"])
print(model.predict(new_review))  # -> "positive"
```

=== "גישת Deep Learning"

```python
from transformers import pipeline

# המודל כבר למד Features בעצמו מתוך מיליוני דוגמאות
classifier = pipeline("sentiment-analysis")

result = classifier("המוצר מעולה, ממליץ בחום!")
print(result)  # -> [{'label': 'POSITIVE', 'score': 0.98}]
```

דוגמה נוספת: חיזוי מחיר דירה

=== "Classic ML -- Linear Regression"

```python
from sklearn.linear_model import LinearRegression
import numpy as np

# Features: שטח (מ"ר), מספר חדרים, קומה, מרחק ממרכז
X_train = np.array([
    [80, 3, 2, 5],   # דירה 1
    [120, 4, 5, 3],  # דירה 2
    [60, 2, 1, 10],  # דירה 3
    # ... עוד דוגמאות
])
y_train = np.array([1_500_000, 2_800_000, 900_000])

model = LinearRegression()
model.fit(X_train, y_train)

# חיזוי מחיר לדירה חדשה
new_apartment = np.array([[100, 3, 4, 4]])
print(f"מחיר משוער: {model.predict(new_apartment)[0]:,.0f} ש\"ח")
```

=== "Deep Learning -- Neural Network"

```python
import torch
import torch.nn as nn

class PricePredictor(nn.Module):
    def __init__(self):
        super().__init__()
        self.network = nn.Sequential(
            nn.Linear(4, 64),
            nn.ReLU(),
            nn.Linear(64, 32),
            nn.ReLU(),
            nn.Linear(32, 1)
        )

    def forward(self, x):
        return self.network(x)

# לדירות -- Classic ML בדרך כלל עדיף!
# DL מוגזם כאן, אבל ככה זה נראה...
```

🛤️ מאיפה מתחילים

מסלול למידה מומלץ מאפס ועד הבנה מעשית:

שלב 1: בסיס מתמטי (2-3 שבועות)

1. סטטיסטיקה בסיסית -- Mean, Median, Standard Deviation, Distributions
2. אלגברה לינארית -- Vectors, Matrices, Dot Product (לא צריך להיות מתמטיקאי, צריך להבין את הרעיון)
3. Calculus בסיסי -- Derivatives, Gradient (בשביל להבין איך מודל לומד)
4. משאב מומלץ: הקורס 3Blue1Brown ב-YouTube (חינמי, ויזואלי ומעולה)

שלב 2: Python + Data Basics (3-4 שבועות)

1. Python בסיסי -- loops, functions, classes
2. NumPy -- עבודה עם מערכים
3. Pandas -- עבודה עם טבלאות Data
4. Matplotlib / Seaborn -- ויזואליזציה
5. משאב מומלץ: Kaggle Learn (חינמי, אינטראקטיבי)

שלב 3: Machine Learning קלאסי (4-6 שבועות)

1. קורס Andrew Ng -- Machine Learning ב-Coursera
2. תרגול ב-Kaggle: להתחיל עם Titanic ו-House Prices
3. ספריית Scikit-learn -- ללמוד דרך הדוקומנטציה המעולה שלה

שלב 4: Deep Learning (4-8 שבועות)

1. קורס fast.ai (חינמי, Top-Down approach -- מריצים קוד מהיום הראשון)
2. PyTorch basics -- Tensors, Autograd, nn.Module
3. לבנות פרויקט אחד מ-0: Image Classifier או Text Classifier

שלב 5: התמחות (בהתאם לכיוון)

1. NLP -- Hugging Face Transformers, Course של Hugging Face
2. Computer Vision -- קורס CS231n של Stanford (חינמי ב-YouTube)
3. MLOps -- MLflow, Docker, ו-Production

💼 שאלות לראיון עבודה

Links to other notes

• מפת תפקידים (Roles Map) -- מי עובד עם AI/ML בפועל?
• פרודקשן (Production) -- איך מודל ML מגיע למשתמשים אמיתיים?
• רשתות נוירונים (Neural Networks) -- צלילה עמוקה לתוך DL