ExplAInable

בפרק הזה דניאל ארונוביץ', מדען נתונים ותיק, מספר על המסע האישי שלו בתעשיית הטכנולוגיה לאורך 15 שנים. ניגע בהבדלים הבולטים בין העבר להווה, בכלים שהשתמשו בעבר לעומת הכלים שמשתמשים בהם היום שמחברים את המדע ישר לפרודקשן.

דניאל מתאר את השינויים במיומנויות הנדרשות ממדעני נתונים, מיכולת ניתוח בלבד להכרח להבין תהליכי פיתוח וניהול גרסאות. נשוחח על האתגרים הטכניים, השינויים בפרקטיקות העבודה, וכיצד התפתח התחום מימי האלגוריתמים הקלאסיים ועד לתפקידי הדאטה המודרניים בעולם התוכנה.

Dataflint/Spark

לינקדאין של דניאל

בפרק הזה, דוד שוקרון,

Head of DS & AI

בביטוח ישיר, מספק הצצה לעולם מדעי הנתונים בתעשיית הביטוח. נשמע ממנו על ההבדלים בין אקטואריה ל-Data Science,

ועל איך משלבים DS במערכות ותיקות של חברות ביטוח

דוד יסביר על יישומי DS בתעשייה עתירת נתונים כמו ביטוח, בשימוש בכלים ומודלים שונים, כולל השאלה אם יש צורך בכלים ייחודיים או שניתן להסתפק במוצרי מדף קיימים. בנוסף, נבין איך מודלי שפה משפיעים על תעשיית הביטוח, ומה הכיוונים העתידיים שמעצבים את התחום בעקבות החידושים האחרונים.

.

בפרק זה, אנחנו נשוחח עם אלעד נחמיאס

CTO של Bridgewise,

על השימוש במודלי שפה גדולים (LLMs) בתחום ההשקעות. אלעד יסביר לנו איך משלבים טכנולוגיות מתקדמות כדי לשפר  תהליכי הייעוץ והאנליזה, תוך התמודדות עם אתגרים כמו דיוק הנתונים, הטיות פוטנציאליות ושמירה על פרטיות המידע.

נשמע על האתגרים הטכניים והאתיים של יישום

LLMs, איך Bridgewise מוודאת שהפתרונות שלה נשארים שקופים ואחראיים, ומה החזון העתידי שלה לשימוש בטכנולוגיה זו בתעשיית ההשקעות.

בפרק הזה, נצלול יחד עם לירון יצחקי אלרהנד ל

Interleaving Retrieval with Chain of Thought (IRCoT) 

שיטה לשיפור מערכות שאלה ותשובה על ידי הרחבה איטרטיבית של תהליך חשיבה ואחזור מידע רלוונטי. נדבר על טכניקות שונות של אחזור אדפטיבי, נשווה את יעילותן על סמך מורכבות השאלה, ונדגיש את החשיבות של בחירת הגישה הנכונה לתרחישים שונים

המלצות של לירון למי שמועניין ללמוד עוד:

https://arxiv.org/abs/2212.10509

https://github.com/StonyBrookNLP/ircot/tree/main

 https://colab.research.google.com/github/pathwaycom/pathway/blob/main/examples/notebooks/showcases/mistral_adaptive_rag_question_answering.ipynb

https://arxiv.org/abs/2403.14403

לא רק היופי הוא בעיניי המתבונן, מסתבר שגם הדימיון הסמנטי

בפרק הזה ענבל תספר לנו איך התגלגלה מטוקיו ל

 בגונג senior staff researcher 

כשחושבים על אמבדינגז, הרבה פעמים חושבים על חיפוש וקטורי ו
RAG

נדבר על החשיבות של אמבדינג טוב דווקא בשלב הכרת הדאטא ובחירת דוגמאות מעניינות לאימון.

נסקור את ההיסטוריה של אמבדינג, ללא הקשר, עם הקשר, ועד
Task aware embedding
שהוא צעד ביניים למודל שפה מלא

לינקדאין של ענבל

E5

MTEB

אינטל העולמית נמצאת השבוע בכותרות בעקבות ההצהרה על הצמצומים, וזו הזדמנות מעולה להזכיר על הפעילות המדהימה של קבוצת הדאטא סיינס של אינטל ישראל.
החודש פורסם כי הקבוצה

AI Solutions Group

זכתה בפרס הארגון המצטיין העולמי של אינטל.

בפרק זה ד"ר אמיתי ערמון יספר לנו על התפקיד שלו בתור ה

Chief Data Scientist

של הקבוצה, מה היא עושה? מה האתגרים היחודיים שלהם? ואיך מתנהלת העבודה של 250 עובדים שבונים ביחד מוצרים מבוססי בינה מלאכותית?

נדבר על פרוייקטים לדוגמא, על ללמים ועל המאמר שכתב

Tabular Data: Deep Learning is Not All You Need

שהגיע השבוע לאלף ציטוטים.

Tabular Data: Deep Learning is Not All You Need

עמוד הלינקדאין של אמיתי