זיהוי מגמות שוק ובדיקת עניין במוצר

לפני שעידו השקיע זמן ומשאבים בפיתוח המוצר שלו, הוא הבין שעליו לבדוק אם יש שוק פוטנציאלי למוצר. הוא השתמש ב-Google Trends כדי לבדוק את הפופולריות של מונחי חיפוש כמו “AI-driven health app” ו-“personalized healthcare”, וגילה שהם במגמת עלייה. התובנות האלו עזרו לו להבין שיש עניין גובר במוצרים המבוססים על AI בתחום הבריאות הדיגיטלית.

מחקר שוק ולקוחות פוטנציאליים

כדי להבין את השוק והלקוחות הפוטנציאליים שלו, עידו נעזר ב-Crunchbase לחיפוש אחר חברות דומות בתחום הבריאות הדיגיטלית. הוא גילה חברות מצליחות כמו Livongo ו-Oscar Health, והבין שיש שוק גדול ומבוסס למוצר שלו. המידע שגילה עזר לו לזהות פלחים שונים בשוק, כמו אנשים עם מחלות נפשיות מורכבות המחפשים פתרונות טכנולוגיים.

מחקר מתחרים ויצירת יתרון תחרותי

עידו התעמק במחקר המתחרים באמצעות Ahrefs, כלי המאפשר לו לנתח את אתרי המתחרים, לגלות מילות מפתח פופולריות ותכנים שמביאים תנועה רבה לאתרים שלהם. עם מידע זה, הוא זיהה הזדמנויות לשיפור המוצר שלו ולהציע משהו ייחודי.

תכנון עסקי ואסטרטגיית חדירה לשוק

עם תובנות מהמחקר, עידו כתב תכנית עסקית מפורטת הכוללת תחזיות פיננסיות, תוכניות שיווק ומודלים עסקיים. כדי לחזק את האסטרטגיה שלו, הוא השתמש ב-SEMrush לביצוע ניתוח מקיף של השוק ובניית אסטרטגיית SEO חזקה. בנוסף, עידו יצר סוכן AI באמצעות כלים כמו Officely או LangChain, המאפשרים פיתוח בוטים מתקדמים שישמשו כממשק אוטומטי לתקשורת עם לקוחות ומשקיעים פוטנציאליים.

ניהול לקוחות ושיווק אוטומטי

כדי לנהל את הקשר עם הלקוחות בצורה יעילה, עידו פנה לכלים כמו HubSpot לניהול לקוחות ושיווק אוטומטי. HubSpot סייעה לו לייצר לידים, לנהל קשרי לקוחות ולעקוב אחרי ביצועים בצורה מדויקת, תוך שילוב תהליכי אוטומציה מתקדמים.

ניתוח תנועה ואסטרטגיית שיווק דיגיטלית

עידו השתמש ב-SimilarWeb כדי לעקוב אחרי ביצועי האתר שלו והקמפיינים השיווקיים. באמצעות הכלי הזה, הוא גילה מאיפה מגיעה התנועה לאתר שלו ואילו ערוצים הם הכי אפקטיביים, דבר שסייע לו לשפר את האסטרטגיה השיווקית ולמקסם את התוצאות.

הכנת מצגת משקיעים וגיוס הון

בשלב זה, כשהמוצר היה מוכן והתכנית העסקית הושלמה, עידו הכין מצגת משקיעים מקצועית באמצעות Gamma AI. המצגת כללה את כל המידע הנחוץ בצורה ויזואלית ומושכת, והציגה את עידו כיזם מוכן ומקצועי בפני המשקיעים.

סיכום

סיפורו של עידו מדגים כיצד ניתן לנצל את כוחה של הבינה המלאכותית בכל שלב בתהליך הקמת מיזם. מהזיהוי הראשוני של מגמות שוק, דרך מחקר מתחרים ועד יצירת אסטרטגיות חדירה לשוק – כלי ה-AI הם שותפים חיוניים לכל יזם שמעוניין להפוך רעיון למציאות מוצלחת.

הפוסט כיצד ניתן לנצל את כוחה של הבינה המלאכותית להקמת מיזם מצליח הופיע ראשון בLet's AI בינה מלאכותית

ההתלהבות הגדולה מ־AI 

כשגילינו שאין צורך להיות דקדקנים כל כך, ושפתאום המחשב מסוגל להבין את השאלה שלנו גם אם לא הגדרנו לו מראש תשובה מדויקת ומפורטת לפרטי פרטים, פתאום זה נהיה מרגש. פתאום הוא מצליח לכתוב לנו תוכן, וקוד, ולהיות גשר בין כלים, כזה שמצליח להבין אותנו וליצור לנו תמונות כפי מה שביקשנו. בערך. החל בסוכני AI ובחבילות פיתוח ומוצרים ללא כל צורך בידע בקוד, דרך קורסים והסמכות וכלה בסטארט־אפים ובגיוסים סביב מוצרי AI שרובם מבוססים על חיבור למודל שפה כלשהו, הסחף האדיר הזה גרם לעולם להצעיד את עצמו מיליוני צעדים קדימה.

האכזבות והאתגרים

לצד ההתלהבות הרבה המשתמשים במודלים גדולים של שפה נתקלים גם באכזבות ובאתגרים רבים. נבחן את האכזבות המרכזיות ואת הסיבות להן:

הטיה מגדרית – טענות שבינה מלאכותית עושה הטיה מגדרית. מנקה תהיה אישה; נהג יהיה גבר; דוגמנית תהיה אישה יפה ולבנה; אסיר יהיה גבר. הבינה המלאכותית מאומנת על תיוג של מידע בחלק מהזמן. ואם בחומר המתויג הוגדרו הטיות, זה מה שהבינה תלמד.

צנזורה – המודלים המסחריים מצונזרים כדי לוודא שלא נעשה שימוש לא ראוי בפלטפורמה. הרי מודלים מסוגלים להשיב גם על שאלות לא אתיות ואלימות ומסוכנות. ויש מודלים חינמיים שמסוגלים לאפשר את זה. אבל המסחריים מצנזרים. מובן שהצנזורה נדרשת, אך לעיתים יש צנזורת יתר גם היכן שאינה נדרשת. במודלים של מייקרוסופט אפשר לבקש אישור להחריג את היכולות של הצנזורה. מובן שזה לא ניתן לכל אחד ואחת ובטח לא בקלות. אבל שתדעו שלצורך עסקי מוכח אפשר לקבל עזרה בהיבט הזה דרך Azure OpenAI.

תחושת תקיעות – יש תחושה שאנחנו תקועים בשלב של מודלים של שפה, אבל מה הלאה? אנחנו רואים שלפעמים התשובות מעולות ולפעמים ממש לא. לפעמים המודל קולע ולפעמים הוא רחוק; התשובות ברובן קצרות, יש בעיות גדולות של זיכרון, חוסר תמיכה מספקת בשפה שאינה אנגלית, עלויות יקרות לאימון מודלים לצרכים אישיים וצורך בחומרה שאינה זולה.

הסכנות שבמודלים הגדולים

חשבו שמודלים מאומנים על מידע מהאינטרנט. אם נבנה אתרים פיקטיביים ונשתול שם קישורים זדוניים או מידע שקרי בכמויות, אז המידע שהמודל יתאמן עליו יהיה שקרי, שגוי ולא נכון. וזה יוביל לתשובות שגויות שעלולות להטעות את המשתמשים.

חברות מסחריות מובילות את התחום

אם חברות מסחריות מובילות את המודלים העוצמתיים, אנחנו בבעיה. חברות מסחריות לא פועלות לשם שמיים ולא כדי להפוך את האנושות לטובה יותר. אלטמן, ביל גייטס והשאר מחזיקים בכוח אדיר בידיים שלהם, והוא מסוכן מדי. לעומת זאת, חברות נחשבות כמו אנתרופיק וקלוד באמת מנסות לתת דגש לבטיחות. ובזכות מודלים של קוד פתוח, הקהילה מאפשרת גם לנו להחזיר אלינו כוח רב לא פחות.

מה הלאה? התקדמות עתידית

לגבי התקיעות של מודלים גדולים של שפה: הם ילכו וישתפרו כמובן, בכל השפות. אבל החידושים הבאים יהיו מודלים שמציגים גם יכולת חשיבה, עצירה, ביקורת עצמית, הבנה, ורק לאחר מכן נותנים מענה. אומנם לא מענה מהיר ומיידי, אך הם מוכיחים יכולת ממשית של מחשבה ושל ביצוע פעולה מקיפה ויסודית. גם עצם זה שהבנו את הפואנטה עם מודלים של שפה במתכונתם הנוכחית, אמורה לתת לנו זריקת מרץ להסיט את המבט אל עבר המכניקה של למידת מכונה, ולעניות דעתי מי שישלוט בה, ישלוט גם בפריצות הדרך העתידיות.

שלוש נקודות חשובות

קלוד 3 – השנה הושק בכמה גרסאות קלוד 3. גרסת הדגל נקראת אופוס, והיא ממש מעולה. לאחרונה שוחרר גם קלוד 3.5 סונטה, והוא ממש מפלצת! קלוד הוא מודל שפה ‘שנכנס ללב’. יש בו קסם. הוא באמת מרתק ומסקרן ובכלל – שווה התייחסות ואי אפשר להתעלם ממנו.

המשך אימון של מודל שפה – יש לנו יכולת היום לבצע ‘המשך’ אימון של מודל שפה. מה שנקרא Fine Tune, שזה בגדול מאפשר לנו להמשיך את האימון עם דאטה משלנו ובכך לשנות את המשקלים בפרמטרים של המודל, את מה שגורם לו להשיב על עוד שאלות בהתאם לידע שהתווסף לו או להתנהג אחרת.

עבודה עם מודלים חינמיים – כדי לעבוד עם מודלים חינמיים צריך משאבים רציניים יחסית. אפשר להתקין תוכנות כמו Ooga Booga או LMStudio או GPT4All המאפשרות לנו לשוחח עם מודלים אחרים וחינמיים של שפה, גם על חומרים מסווגים וכל זה בלי לצאת לאינטרנט, ואפילו לקבל ממשק נחמד לתשאול.

מודלים גדולים של שפה הם כלי רב־עוצמה שיכול לשנות את הדרך שבה אנו עובדים ומתקשרים עם טכנולוגיה. עם זאת, יש בהם גם אתגרים וסכנות. אם נבין לעומק את היתרונות והחסרונות, נוכל למצות את הפוטנציאל של הבינה המלאכותית ולמצוא דרכים להתמודד עם הבעיות שלה. העתיד של הבינה המלאכותית טמון בשיפורים מתמשכים וביצירת מודלים חכמים ובטוחים יותר בדגש על חשיבה ביקורתית ומדעית.

הפוסט איך מודלים גדולים של שפה גם הלהיבו וגם אכזבו אותנו? מה מסוכן בהם, ואיך מתמודדים? הופיע ראשון בLet's AI בינה מלאכותית

הרבה ידע – הרבה בעיות

כיוונון מדויק – Fine Tune

קצת על LoRA 

הפוסט הצצה לגאוניות של שיטה קטנה-גדולה: Fine Tune הופיע ראשון בLet's AI בינה מלאכותית

@openai

הישארו מעודכנים! הצטרפו לרשימת התפוצה שלנו ולא תפספסו שום עדכון, חידוש או מידע על כלי חדש שיוצא…

בפרקים הקודמים

אזכיר שלפי המאמר שהם פרסמו, הם אימנו כמות רבה של תמונות וסרטונים יחד עם קטעי טקסט שמתארים את התוכן הוויזואלי בפירוט רב, הם ממש יצרו מודל שיודע לתאר בפירוט, כמו בדאלי 3, כדי לתייג את המידע, לאמן מודל ולשלב ארכיטקטורה של טרנספורמרים ויכולות נוספות. התוצאה לפניכם וזה פשוט MIND BLOWING בפער!

אאודיו לוידאו

זה לא נגמר פה. חברת ElevenLabs לקחה את הסרטונים המדהימים של סורה, איחדה אותם לסרטון אחד והוסיפה להם אפקטים קוליים.

אם זה לא ברור, כל מה שאתם רואים ושומעים לא אמיתי – הכל נוצר על ידי בינה מלאכותית! אפילו קולות ההקלדה שמופיעים בסוף הסרטון. אנחנו בהחלט חיים בתקופה מטורפת…

Sound Effects are Coming Soon to ElevenLabs

אגב, זה מה שהם כתבו בעקבות הסרטון שלהם: “אנחנו נדהמים מההשקה של סורה, אבל הרגשנו שמשהו חסר… מה אם הייתם יכולים לתאר צליל ולייצר אותו בעזרת בינה מלאכותית? אפקטים קוליים שנוצרו עם AI מגיעים בקרוב ל-ElevenLabs“.

We were blown away by the Sora announcement but felt it was missing something… What if you could describe a sound and generate it with AI. AI Sound Effects are coming soon to ElevenLabs.

ואם אתם לא רוצים לפספס, בלינק הבא אפשר להירשם לגישה מוקדמת לכלי שלהם.

קצת יותר בהרחבה

אם עדיין לא התעמקתם בפלא הזה הקרוי סורה – יש לנו מאמר מקיף מאוד על הכלי שמטריף את העולם בימים האחרונים.

מאמר מקיף על Sora – מחולל הוידאו החדש והמטריף של OpenAI

הפוסט OpenAI משיקים עמוד טיקטוק ל”סורה” וזה סוריאליסטי ברמות! הופיע ראשון בLet's AI בינה מלאכותית

אבל לפני הכל – הישארו מעודכנים! הצטרפו לרשימת התפוצה שלנו ולא תפספסו שום עדכון, חידוש או מידע על כלי חדש שיוצא…

מודלים סגורים

מודלים סגורים שניתן לדבר איתם הם GPT, קלוד ai, ג׳ימיני (בארד לשעבר). נכנסים לאתר – יש ממשק. מתכתבים.

מודלים פתוחים

מודלים פתוחים שניתן לדבר איתם הם: Llama-2, Mixtral, Falcon, Wizard ועוד רבים רבים שמופיעים בחינם ב-HuggingFace, האתר שמרכז את כל כלי הAI החינמיים, שעבדו עליהם קשה מאוד. מתוך HuggingFace מורידים את המודלים, מתקינים תוכנה מגשרת כמו GPT4ALL או OogaBooga או LMStudio, בוחרים את המודל שהורדנו, ומתחילים להתכתב בממשק של התוכנה הזו.

איפה הדאטה יושב?

• מודלים סגורים – כל המידע שלנו יישלח על גבי האינטרנט ויעבור דרך אותן חברות.
• מודלים פתוחים – כל המידע יישלח רק לאיפה שנבחר להטמיע את הממשק שמריץ את המודל הפתוח.

מתי נשתמש בכל מודל?

• למה להשתמש במודלים סגורים? רמה גבוהה, מובילים, ממשק קל ידידותי ונוח.
• למה להשתמש במודלים פתוחים? כדי לשמור על פרטיות, כדי להשתמש במודל שפה שאינו מצונזר.

עוד דברים שכדאי לדעת…

• חשוב לציין שגם GPT למשל, וגם מודלים פתוחים כמו לאמה-2 מאפשרים לנו לבצע Fine Tuning. שזה אומר לקחת את הידע הבסיסי של המודל, ולהוסיף עליו שכבות של ידע שאין לו, ושנרצה שהוא ידע.

• חשוב גם להבין שמודל שפה ״סך הכל״ חוזה את המילה הבאה ברצף (וכן – זה פישוט יתר… אני יודע). מה שחשוב להבין זה שאין לו הבנה אנושית. אין לו עומק. אין לו מחשבה. אין לו תודעה (גם על זה אפשר להתווכח, אבל לא ניכנס למחוזות הפילוסופיה). הוא מקבל רצף של טקסט, ועל בסיס מאגר הידע שהוא אומן עליו, הוא מנבא את המילה הבאה. מכאן גם הפתח להזיות של המודלים, או לכך שלא עוזר להיות מנומסים ולומר בבקשה, או לבקש לפתור בעיות מורכבות מדי. זה יהיה שלב 2, בעתיד. אבל כרגע זה ממש לא שם. גם Fine Tuning זה תהליך מייגע ולא תמיד הכי כדאי. תהליך מקביל של הוספת ידע יכול להיות באמצעות שילוב של מאגר ידע צד ג׳ ותשאול שלו כאשר למודל הבסיס חסר ידע. כאן נכנס כל עולם ה Embeddings, ה RAG, ועוד ועוד.

• אבל לפני הכל שנבין: מודל שפה הוא ״סך הכל מודל שפה״ שחוזה את המילה הבאה ברצף של טקסט, אפשר להעשיר אותו, אפשר לשכלל אותו, אפשר לאמן אותו – אבל בסופו של יום צריך לזכור שהוא רק מודל שפה, שמוגבל בגודל הזיכרון שיש לו (ובחלון הקונטקסט שלו). ברגע שמבינים את זה, מבינים איך נכון יותר לעבוד איתו.

קצת על הנדסת פרומפטים עם מודלי שפה גדולים

חוקרים מאוניברסיטת MBZUAI ערכו מחקר שיכול לשנות את האופן שבו אנו מנהלים שיחות עם צ’אט גיפיטי (chat gpt). הם גילו עשרות טכניקות מפתיעות שמשפרות באופן דרמטי את איכות התשובות של מודלי שפה גדולים (LLMs), כמו למשל: דיבור חיובי ולא שלילי (מה כן לעשות ולא מה לא לעשות), או אף להזהיר את הבוט שהוא ייענש אם התשובות שלו לא יהיו טובות. כן כן – זה אמיתי. לקריאת המאמר לחצו פה.

26 strategies

הפוסט יובל אבידני עושה קצת סדר במודלי שפה גדולים הופיע ראשון בLet's AI בינה מלאכותית

אני יובל אבידני – מומחה סייבר והגנה על אתרי אינטרנט ביום, וינשוף AI בלילה. אני מפתח אתרים מבוססי למידת מכונה ובוטים מבוססי AI, והיום אני רוצה לדבר איתכם על מודל ג’נרטיבי חדש מבית היוצר של גוגל, שסביר להניח שמעולם לא שמעתם עליו.

* יובל אבידני

היכולת של מחוללי התמונות המוכרים כמו לאונרדו, מידג’רני או פרום לג’נרט תמונות באמצעות בינה מלאכותית מדהימה אותנו בכל פעם מחדש! אין ספק שמדובר ביכולת מדהימה ששינתה את כללי המשחק, לא צריך יותר מאגרי סטוק של תמונות – אפשר ליצור בקלות כמעט כל מה שרוצים, והכל משתפר כל הזמן. אבל מה קורה שם מתחת למכסה המנוע?

קצת על דיפוזיה

קצת על דיפיוז’ן (דיפוזיה \ בעבוע בעברית) – היכולת להסיר רעש מתמונה שכל כולה רעש אחד גדול. היכולת הזו, בשילוב עם הזנה של טקסט, היא מה שמאפשר לנו לקבל את הקסם של תמונה שנוצרת בצורה שמרגישה קסם.
זה מה שעושים כולם – מידג’רני, לאונרדו, סטביליטי AI… כולם בסוף נשענים על מודל הדיפיוז’ן הזה, שמסוגל להבין טקסט ולבצע המרה של קידוד לתמונה.

מודל חדש בשכונה

במקביל לדיפיוז’ן קיימים גם מודלים אחרים. אחד מהם הוא מודל שנקרא “אוטו-רגרסיב”, או אם ממש תרצו באנגלית – auto-regressive.
הרעיון מאחוריו הוא לא להשתמש במודל דיפיוז’ן, שנשען כאמור על פענוח מרעש של תמונות. אלא להיפך, הוא עובד בצורה של התאמה בין תיאור לתיאור אחר.

בואו ניקח יכולות תרגום למשל: מודל אוטו-רגרסיבי יקבל המון מידע שייראה בערך כך:

עברית – “אני אוהב את המדריכים של יובל אבידני”
אנגלית – “I love Yuval Avidani’s tutorials”

הוא יבצע קידוד של כל אחד מהמשפטים, ויבין שהקידוד של העברית הוא ה”תאום” של הקידוד באנגלית. ואז כאשר אבקש תרגום, המודל האוטו-רגרסיבי ידע לתרגם. ככה AI מבצע תרגום בעצם.
ואם כך, חשבו להם בגוגל על רעיון מעניין: למה שבמקום מודל דיפיוז’ן, מוצלח ככל שיהיה, לא נקח את המודל האוטו-רגרסיבי, ונקח המון דאטה שמצד אחד מתארת את תוכן התמונה ומצד שני יודעת להתאים לערך של תמונה אחרת, וכך ניצור את התמונה?

* Text-to-image generation explained – What is an auto-regressive approach | ערוץ היוטיוב של Google Research

בואו נמחיש שוב:
מצד אחד יש לנו תיאור של תמונה – “מורגן פרימן עושה סלפי עם אד שירן”
מצד שני יש לנו את התמונה בפועל, שאותה אנחנו הופכים ל”אסימונים”, לערכים מספריים, ואותם אנחנו מקודדים. כך שלצורך הדוגמא, נניח שהערך המקודד של התמונה הזו הוא “770-770″, המשמעות היא שהמודל האוטו-רגרסיבי יבין ש”מורגן פרימן עושה סלפי עם אד שירן” בעצם מתאים ל-“770-770”, והאמת היא שלא רק זה, אלא הערך המקודד של התיאור של התמונה, הוא זה שיתאים לערך המקודד של התמונה.

* זה לא מורגן פרימן או אד שירן Made with AI

כך למעשה אנחנו מקבלים מאגר עצום שבו יש לנו “התאמות” בין ערכים מקודדים של תיאורים של תמונות לבין הערכים המקודדים של התמונות עצמן.
מחשבה מעניינת. אבל האם היא עובדת טוב יותר מאשר מודל הדיפיוז’ן? האם גוגל מצליחים להתעלות כאן מעל מידג’רני וסטייבל דיפיוז’ן?

הרעיון של שימוש במודל אוטו-רגרסיבי במקום מודל דיפיוז’ן הוצג ע”י גוגל לפני זמן רב. נכון לכתיבת שורות אלה, אנחנו לא רואים התעלות כלשהי על הכלים המובילים, אבל אי אפשר להתעלם מכך שמדובר ברעיון מאוד מעניין, שלפי מה שמציג לורנס מורוני מצוות המחקר של גוגל (שלדבריו, ספציפית, אני מאוד מאמין למרות היותו מגוגל), יש פוטנציאל באמת אדיר. לורנס מורוני, הוא אחת הדמויות האהובות עלי בעולם ה-AI, על אף היותו גוגלר. והוא מציג שלא רק שיש תוצאות טובות למודל האוטו-רגרסיבי, אלא ממש רואים הבדל בין המודלים השונים, למשל בין מודל קטן שאומן על מספר יחסית קטן של 350 מיליון פרמטרים, לבין מודל גדול יותר שאומן על 20 מיליארד פרמטרים!

הע(א)רה: כשאנחנו אומרים פרמטרים, אנחנו מתכוונים ל”משתנים” שנמצאים בתוך רשת נוירונים “עמוקה”, שמודל ה-Machine Learning לומד איך לקבוע את הערכים שלו. אז אנחנו רואים בבירור: מודל קטן – תוצאה פחות טובה, מודל גדול – תוצאה יותר טובה. יהיו שיגידו שמספר הפרמטרים של המודל לא קובע בהכרח, זה אולי נכון בתוצרים טקסטואלים, אבל ספציפית כאן, ביצירת תמונות ושימוש במודל אוטו-רגרסיבי, אנחנו רואים את ההבדלים המשמעותיים.

• מצד ימין בתמונה – המודל הגדול שגם הבין איך לשלב טקסט,
• מצד שמאל – המודל הקטן שבו רואים תוצאות פחות מרשימות בלשון המעטה.

הפוסט לא רק Diffusion! הכירו את ה-auto-regressive הופיע ראשון בLet's AI בינה מלאכותית