אוריינות AI כבר אינה נחלתם של מהנדסים בלבד. ב-2027, כל עובד, ממנהל ועד נציג שירות, צריך להבין את השפה שבה מתקבלות החלטות טכנולוגיות. המילון הזה מרכז 100 מונחים חיוניים, מחולקים לעשרה נושאים, בעברית ובאנגלית, עם הסבר פשוט שאפשר להבין בלי רקע טכני.
ואפילו השם עצמו בתנועה: ב-19 בספטמבר 2026 פרסם הנשיא טראמפ סקר שהציע להחליף את "Artificial Intelligence" ב-Superior, Extreme או Supreme Intelligence, וב-29 בספטמבר חתם על צו שמורה לסוכנויות הפדרליות בארצות הברית להשתמש במונח "Super Intelligence" (SI) במסמכים רשמיים. במילון הזה נשארנו עם AI, המונח שבו משתמשים בישראל וברוב העולם.
איך לקרוא את המילון: כל מונח מופיע באנגלית ובעברית, עם הסבר של 2 עד 3 משפטים. לא צריך לקרוא ברצף. קפצו לנושא שמעניין אתכם, או שמרו את העמוד כקובץ עזר לשליפה מהירה.
יסודות הבינה המלאכותית (1 עד 10)
1. Artificial Intelligence (AI) (בינה מלאכותית)
מערכות מחשב שמבצעות משימות שדרשו בעבר אינטליגנציה אנושית: הבנת שפה, זיהוי תמונות, קבלת החלטות. זה מונח-על רחב שמכיל בתוכו גם למידת מכונה וגם בינה יוצרת.
2. Machine Learning (ML) (למידת מכונה)
גישה שבה המחשב "לומד" מתוך דוגמאות במקום שתוכנת במפורש. במקום לכתוב חוקים ידנית, מאמנים מערכת על נתונים והיא מוצאת את הדפוסים בעצמה.
3. Deep Learning (למידה עמוקה)
תת-תחום של למידת מכונה שמשתמש ברשתות עצביות מרובות שכבות. זה המנוע הטכנולוגי שמאחורי רוב פריצות הדרך האחרונות: מזיהוי תמונה ועד מודלי שפה.
4. Generative AI (GenAI) (בינה מלאכותית יוצרת)
בינה מלאכותית שמייצרת תוכן חדש: טקסט, תמונה, קוד, אודיו או וידאו. ChatGPT, Midjourney וכלי יצירת התמונות הם כולם דוגמאות ל-GenAI.
5. Large Language Model (LLM) (מודל שפה גדול)
מודל שאומן על כמויות עצומות של טקסט, ומסוגל להבין ולייצר שפה אנושית. GPT, Gemini ו-Claude הם דוגמאות. "גדול" מתייחס הן לגודל הנתונים והן למספר הפרמטרים.
6. Foundation Model (מודל בסיס)
מודל גדול שאומן על נתונים רחבים ומשמש כבסיס למגוון משימות. אפשר לכוונן אותו (fine-tuning) או להשתמש בו כמות שהוא ליישומים שונים: במקום לבנות מודל מכלום.
7. Multimodal AI (בינה רב-ערוצית)
מודל שמבין ומעבד כמה סוגי קלט בו-זמנית: טקסט, תמונה, אודיו ווידאו. למשל, להראות לו תמונה ולבקש תיאור במילים, או לתת פקודה קולית ולקבל תשובה.
8. Artificial General Intelligence (AGI) (בינה כללית)
היעד השאפתני: מערכת עם יכולות חשיבה כלליות ברמה אנושית, שיכולה ללמוד ולבצע כל משימה אינטלקטואלית. בניגוד לבינה צרה (Narrow AI), שמצטיינת במשימה אחת כמו סינון דואר זבל, AGI אמורה להיות טובה כמעט בכל דבר. נכון ל-2026 זה עדיין יעד, לא מציאות קיימת.
9. Reasoning Model (מודל חשיבה)
מודל שמקדיש זמן "לחשוב" לפני שהוא עונה: מפרק את הבעיה לשלבים, בודק כיוונים ומתקן את עצמו. מדויק יותר במתמטיקה, קוד וניתוח מורכב, אבל איטי ויקר יותר. רוב החברות המובילות מציעות היום מצב חשיבה כזה לצד המודל הרגיל.
10. Small Language Model (SLM) (מודל שפה קטן)
מודל שפה קומפקטי שדורש פחות משאבים ורץ גם על מחשב או טלפון. הוא פחות "חכם" ממודלי ענק, אבל מהיר יותר, זול יותר, ומתאים למשימות ממוקדות ולשמירת פרטיות.
בתוך המודל (11 עד 20)
11. Neural Network (רשת עצבית)
מבנה חישובי בהשראת המוח, הבנוי משכבות של "נוירונים" מלאכותיים שמעבירים אותות זה לזה. זהו אבן הבניין של למידה עמוקה.
12. Parameter (פרמטר)
משקולת פנימית שהמודל מכוונן במהלך האימון. מספר הפרמטרים (מיליארדים במודלי ענק) מעיד בערך על גודל המודל ועל כמות ה"ידע" שהוא יכול להחזיק.
13. Token (אסימון)
יחידת הטקסט הקטנה שהמודל מעבד: לרוב חלק ממילה או מילה שלמה. עלות השימוש במודלים נמדדת לרוב לפי מספר הטוקנים, ולכן זה מושג מפתח גם בתקציב. ראו איך חוסכים בטוקנים.
14. Training (אימון)
התהליך שבו המודל "לומד": מציגים לו כמויות אדירות של נתונים והוא מכוונן את הפרמטרים שלו כדי לחזות נכון. אימון מודל ענק יקר מאוד ודורש כוח מחשוב עצום.
15. Fine-tuning (כוונון עדין)
אימון נוסף וקצר של מודל קיים על נתונים ספציפיים, כדי להתאים אותו לתחום או לסגנון מסוים: למשל ללמד מודל את הז'רגון של הארגון שלכם.
16. Inference (היסק)
השלב שבו המודל המאומן מייצר תשובה: כלומר "משתמשים" בו בפועל. להבדיל מאימון, זה מה שקורה בכל פעם שאתם שולחים שאלה ל-ChatGPT.
17. Context Window (חלון הקשר)
כמות הטקסט שהמודל יכול "לזכור" בשיחה אחת. חלון גדול יותר מאפשר להעביר מסמכים ארוכים, אבל גם עולה יותר. חשוב לדעת את הגבול הזה כשמעבירים קבצים.
18. Embedding (ייצוג וקטורי)
המרה של טקסט (או תמונה) לסדרת מספרים שמייצגת את המשמעות שלו. משמש לחיפוש סמנטי: למצוא תוכן "דומה במשמעות" גם בלי מילים זהות.
19. Temperature (טמפרטורה)
הגדרה ששולטת בכמה "יצירתי" או "שמרני" יהיה המודל. טמפרטורה נמוכה = תשובות עקביות וצפויות; גבוהה = מגוונות אבל פחות מדויקות.
20. Hallucination (הזיה)
מצב שבו המודל מייצר מידע שנשמע משכנע אבל שקרי. מודלים לא "יודעים" שהם טועים: ולכן כל פלט חייב לעבור בדיקה אנושית לפני שימוש קריטי. כך זה נראה בארגון: תשובה שגויה אחת שפגעה באמון של צוות שלם.
חידון: כמה אתם מכירים מונחי AI? 10 שאלות על המונחים במילון, עם ציון בסוף ואפשרות לאתגר חבר לעבודה.
עבודה עם מודלים (21 עד 30)
21. Prompt (הנחיה)
הטקסט שאתם שולחים למודל: שאלה, הוראה או תיאור משימה. איכות ההנחיה משפיעה מאוד על איכות התשובה.
22. Prompt Engineering (הנדסת הנחיות)
האומנות (והמיומנות) של ניסוח הנחיות אפקטיביות: לתת הקשר, להגדיר תפקיד, לבקש פורמט מסוים. זו מיומנות יסוד לכל עובד ב-2027.
23. Chain-of-Thought (CoT) (שרשרת חשיבה)
טכניקה שמבקשת מהמודל "לחשוב צעד-אחר-צעד" לפני התשובה. משפרת דיוק במשימות חישוב או היגיון, כי המודל מראה את תהליך החשיבה במקום לקפוץ למסקנה.
24. Retrieval-Augmented Generation (RAG) (יצירה מועשרת באחזור)
שיטה שמחברת את המודל למאגר הידע של הארגון: המודל שולף קודם את המידע הרלוונטי, ואז מנסח תשובה על בסיסו. כך מקבלים תשובות מעודכנות ומבוססות, לא רק מה שהמודל "זוכר".
25. Grounding (עיגון)
חיבור התשובה של המודל למקור אמיתי ומאומת. תשובה "מעוגנת" מצביעה על הנתון שעליו היא מבוססת: מה שמפחית הזיות ומגביר אמון.
26. Vector Database (מסד נתונים וקטורי)
מסד נתונים שמאחסן ייצוגים וקטוריים (embeddings) ומאפשר חיפוש לפי משמעות. הבסיס הטכני של RAG וחיפוש סמנטי.
27. System Prompt (הנחיית מערכת)
הנחיה קבועה שמוגדרת מראש וקובעת את ההתנהגות הכללית של המודל: מי הוא, מה מותר לו, באיזה סגנון לענות. "מאחורי הקלעים" של כל אפליקציית AI.
28. AI Agent (סוכן AI)
מערכת שמקבלת מטרה ומבצעת בעצמה רצף פעולות כדי להשיג אותה: מחפשת מידע, מפעילה כלים, ממלאת טפסים ומעדכנת מערכות. בניגוד לצ'טבוט שרק עונה, סוכן פועל, ולכן חשוב להגביל את ההרשאות שלו. Anthropic ממליצה להתחיל בפתרון הפשוט ביותר שעובד.
29. Human-in-the-loop (אדם בלולאה)
עיקרון ששומר על נקודת בקרה אנושית בתהליך אוטומטי: אדם מאשר, מתקן או דוחה את פלט ה-AI לפני שהוא מגיע ללקוח או להחלטה קריטית.
30. Guardrails (מעקות בטיחות)
הגבלות שמובנות סביב המודל כדי למנוע תשובות לא רצויות: סינון תוכן אסור, חסימת נושאים, או הגבלת פלט למבנה מוגדר. חלק קריטי בכל הטמעה ארגונית.
נתונים וחיבורים (31 עד 40)
31. Structured Data (נתונים מובנים)
נתונים מאורגנים בטבלאות ושורות: כמו גיליון אקסל או מסד נתונים. קל לשאול, לסנן ולנתח אותם.
32. Unstructured Data (נתונים לא-מובנים)
נתונים בלי מבנה קבוע: מיילים, מסמכים, תמונות, הקלטות. רוב הידע הארגוני הוא כזה, וזה בדיוק מה שמודלי AI טובים בלעבד.
33. Training Data (נתוני אימון)
הנתונים שעליהם מאמנים את המודל. איכותם קובעת את איכות המודל: "זבל נכנס, זבל יוצא" הוא כלל ברזל בתחום.
34. Personally Identifiable Information (PII) (מידע אישי מזהה)
כל פרט שיכול לזהות אדם: שם, ת"ז, טלפון, כתובת. הזנת PII לכלי AI ציבורי היא סיכון פרטיות מרכזי, ולכן אסורה ברוב המדיניות הארגונית.
35. Data Governance (ממשל נתונים)
מערכת הכללים והאחריות סביב ניהול הנתונים: מי יכול לגשת למה, איך שומרים על איכות, ואיך מצייתים לרגולציה.
36. Data Quality (איכות נתונים)
מידת הדיוק, השלמות והעקביות של הנתונים. נתונים מלוכלכים הם הגורם מספר אחד לכישלון פרויקטי AI: ניקוי שלהם גוזל את רוב הזמן.
37. Data Privacy (פרטיות נתונים)
ההגנה על מידע אישי מפני חשיפה או שימוש לא מורשה. רגולציות כמו GDPR מחייבות ארגונים לטפל בזה בקפדנות.
38. Data Residency (ריבונות נתונים)
השאלה היכן פיזית מאוחסנים הנתונים. ארגונים רבים דורשים שהנתונים יישארו בגבולות מדינה מסוימת: שיקול קריטי בבחירת ספק AI.
39. Model Context Protocol (MCP) (פרוטוקול הקשר למודלים)
תקן פתוח לחיבור מודלי AI לכלים, למערכות ולמקורות מידע. פותח במקור ב-Anthropic ואומץ בידי ספקים רבים. הוא מתפקד כמו "שקע אחיד": מחברים מערכת ארגונית פעם אחת, וכל מודל שתומך בתקן יכול לעבוד מולה.
40. Synthetic Data (נתונים סינתטיים)
נתונים שנוצרו על ידי מחשב במקום שנאספו מהעולם. משמשים לאימון ולבדיקות כשהנתונים האמיתיים חסרים או רגישים מדי.
תשתית ומחשוב (41 עד 50)
41. Cloud Computing (מחשוב ענן)
שימוש במשאבי מחשוב ואחסון דרך האינטרנט, מספקים כמו AWS, Google Cloud או Azure. רוב ה-AI המודרני רץ בענן בגלל כוח החישוב העצום שנדרש.
42. On-premise (באתר / מקומי)
הרצת מערכות על שרתים בתוך הארגון עצמו, במקום בענן. נבחר לרוב מטעמי אבטחה, רגולציה או שליטה מלאה: אבל יקר ומורכב יותר לתחזוקה.
43. Hybrid Cloud (ענן היברידי)
שילוב של ענן ומערכות מקומיות: הנתונים הרגישים נשארים בארגון, והיכולות הכבדות רצות בענן. הדפוס הנפוץ ביותר בארגונים גדולים.
44. GPU (יחידת עיבוד גרפי)
מעבד שתוכנן במקור לגרפיקה, אבל התגלה כמצוין לחישובי AI במקביל. הוא "המנוע" שמאחורי אימון והרצת מודלים, ולכן הפך למשאב מבוקש ויקר.
45. API (ממשק תכנות יישומים)
דרך סטנדרטית שבה תוכנות שונות מדברות זו עם זו. כשאפליקציה "קוראת" למודל AI דרך API, היא שולחת בקשה ומקבלת תשובה: בלי להריץ את המודל בעצמה.
46. Latency (השהיה)
הזמן שלוקח מהבקשה ועד קבלת התשובה. בהטמעות מול לקוחות או בזמן אמת, השהיה גבוהה הורסת את החוויה: ולכן בוחרים לפעמים מודל קטן ומהיר יותר.
47. Open-weights Model (מודל משקלים פתוחים)
מודל שהמשקולות (הפרמטרים) שלו זמינות להורדה, כמו Llama של Meta או מודלים של Mistral, כך שאפשר להריץ אותו על שרתי הארגון. נותן שליטה ופרטיות, אבל דורש תשתית ואחריות על האבטחה. "משקלים פתוחים" זה לא תמיד "קוד פתוח": לרוב נתוני האימון לא מתפרסמים.
48. MLOps (תפעול למידת מכונה)
הדיסציפלינה של ניהול מחזור החיים של מודלים בייצור: מאימון, דרך פריסה, ועד ניטור ועדכון. מקבילה ל-DevOps, אבל למודלי AI.
49. LLMOps (תפעול מודלי שפה)
הגרסה הספציפית של MLOps למודלי שפה גדולים: ניהול הנחיות, ניטור איכות תשובות, בקרת עלויות טוקנים וניהול גרסאות של מודלים חיצוניים.
50. Model Deployment (פריסת מודל)
העלאת מודל מאומן לסביבת ייצור כך שיוכל לשרת משתמשים אמיתיים. הרגע שבו פיילוט הופך למוצר עובד.
