דלג לתוכן הראשי
אוטומציות AI - לוגו
  • דף הבית
  • בלוג
  • חדשות
  • אודות
  • צור קשר
03-7630715קבעו ייעוץ חינם
אוטומציות AI - פתרונות אוטומציה וסוכני AI לעסקים בישראל

בונים סוכני AI ואוטומציות לעסקים בישראל: וואטסאפ, CRM, לידים, תורים, חשבוניות, דשבורדים וחיבור מערכות.

IL03-7630715USA(646) 760-4854info@automaziot.ai
אחד העם 9, תל אביב. מגדל שלום

קישורים מהירים

  • דף הבית
  • בלוג
  • חדשות
  • אודות
  • צור קשר
  • סיפורי הצלחה
  • מילון מונחים

הפתרונות שלנו

  • ניהול לידים אוטומטי
  • סוכן חכם לוואטסאפ
  • חיבור מערכות ודשבורדים
  • ניהול לקוחות חכם
  • קביעת תורים אוטומטית
  • מכירות ושירות לקוחות
  • אוטומציה לאיקומרס
  • סוכני AI
  • ייעוץ אוטומציה

הישארו מעודכנים

הירשמו לניוזלטר וקבלו עדכונים על חידושים בעולם האוטומציה וה-AI

FacebookInstagramLinkedIn

אתר זה משתמש ב-Google Analytics ו-Vercel Analytics לשיפור השירות. למידע מלא ראה מדיניות פרטיות

© 2026 אוטומציות AI. כל הזכויות שמורות.

מדיניות פרטיותתנאי שימושהצהרת נגישותמדיניות עריכה
ניתוב תנועה שיתופי: הפתרון של גוגל לפקקים | Automaziot AI
ניתוב תנועה שיתופי: פתרון Google Research לפקקים
ביתחדשותניתוב תנועה שיתופי: פתרון Google Research לפקקים
מחקר

ניתוב תנועה שיתופי: פתרון Google Research לפקקים

מחקר חדש בכתב העת Nature Cities חושף כיצד הסטה של פחות מ-2% מהנסיעות משפרת את מהירות התנועה בערים

צוות אוטומציות AIצוות אוטומציות AI
7 ביולי 2026
5 דקות קריאה

תגיות

Google ResearchGoogle MapsNature CitiesNeha AroraAboudy KreidiehZoho CRMN8NMcKinseyProject Green Light

נושאים קשורים

#ניהול ציי רכב#אופטימיזציה של תנועה#ערים חכמות#בינה מלאכותית בתחבורה#אוטומציה לוגיסטית
מבוסס על כתבה שלGoogle Research ↗·תרגום, סיכום והקשר עסקי על-ידי המערכתאיך אנחנו עובדים

✨תקציר מנהלים

נקודות עיקריות

  • הניסוי נערך ב-10 ערים בארה"ב במשך 6 חודשים רצופים, ובוצע בעזרת שינוי אלגוריתמי קל באפליקציית Google Maps.

  • פחות מ-2% מסך הנסיעות הופנו בפועל למסלולים חלופיים, ובכך נמנעה פגיעה משמעותית בזמני הנסיעה של הנהגים.

  • מהירות הנסיעה במקטעים הפקוקים עלתה בחציון של 2%, שהוביל לחיסכון של 0.5% עד 1.0% בצריכת הדלק ובפליטות CO2.

  • בכלל המקטעים שהושפעו בעיר נמדדה עלייה חציונית של 0.35% במהירות התנועה, ועד 0.5% בשעות עומס השיא.

ניתוב תנועה שיתופי: פתרון Google Research לפקקים

  • הניסוי נערך ב-10 ערים בארה"ב במשך 6 חודשים רצופים, ובוצע בעזרת שינוי אלגוריתמי קל באפליקציית...
  • פחות מ-2% מסך הנסיעות הופנו בפועל למסלולים חלופיים, ובכך נמנעה פגיעה משמעותית בזמני הנסיעה של...
  • מהירות הנסיעה במקטעים הפקוקים עלתה בחציון של 2%, שהוביל לחיסכון של 0.5% עד 1.0% בצריכת...
  • בכלל המקטעים שהושפעו בעיר נמדדה עלייה חציונית של 0.35% במהירות התנועה, ועד 0.5% בשעות עומס...

ניתוב תנועה שיתופי: פתרון חכם לפקקי התנועה

מחקר חדש של Google Research (זרוע המחקר של גוגל) שפורסם לאחרונה בכתב העת המדעי Nature Cities (כתב העת המדעי 'נייצ'ר סיטיז') מוכיח כי יישום של אלגוריתם ניתוב תנועה שיתופי באפליקציות ניווט, המסיט פחות מ-2% בלבד מכלל הנסיעות העירוניות ממסלולן המקורי, מביא לשיפור של 2% במהירות הנסיעה בצווארי בקבוק מרכזיים ומצמצם אלפי טונות של פליטות פחמן מזהמות מדי שנה.

מה זה ניתוב תנועה שיתופי?

ניתוב תנועה שיתופי (Collaborative Traffic Routing) הוא מודל מתקדם לניתוח ואופטימיזציה של תזרימי תחבורה ברשת הכבישים העירונית, המבוסס על תיאום מערכתי כולל ולא רק על שיקולים אינדיבידואליים של הנהג הבודד בכביש. בהקשר העסקי והתפעולי, מודל חדשני זה מאפשר לעסקים המפעילים ציי רכב, שליחים או סוכני שטח לתאם את תנועת כלי הרכב שלהם בצורה מבוזרת וחכמה כדי למנוע יצירת עומסים עצמיים בכבישים ראשיים. לדוגמה, במקום שכל רכבי ההפצה של חברת לוגיסטיקה או מסחר אלקטרוני יופנו לאותו נתיב מהיר המופיע כקצר ביותר באפליקציית הניווט באותו רגע נתון, המערכת מפזרת אותם בצורה דינמית בין מספר נתיבים חלופיים בעלי זמן נסיעה דומה ואיכות נסיעה זהה. לפי נתוני המחקר הרשמיים של ענקית הטכנולוגיה Google (חברת גוגל), הסטה קלה ויזומה זו של אחוז קטן מאוד מהנסיעות מונעת היווצרות של צווארי בקבוק חמורים ומייעלת את זרימת התנועה ברשת כולה ללא פגיעה בזמני ההגעה של הנהגים המנותבים מחדש.

פריצת הדרך המחקרית של Google Research בפתרון עומסי התנועה

לפי הדיווח שפרסמו מהנדסי התוכנה נהה ארורה (Neha Arora) ואבודי קריידיה (Aboudy Kreidieh) ממעבדות Google Research, ניסוי מקיף שבוצע ב-10 ערים מרכזיות בארצות הברית, ובהן Atlanta (העיר אטלנטה), הדגים לראשונה כיצד התערבות ממוקדת וזולה יחסית באלגוריתם הניווט הפופולרי של Google Maps (אפליקציית הניווט 'גוגל מפות') מסוגלת לשפר באופן מדיד את זרימת התנועה העירונית כולה. במהלך ניסוי מבוקר שנמשך שישה חודשים רצופים, החוקרים שינו את אופן פעולת האלגוריתם של אפליקציית הניווט כך שיעדיף להציע מסלולים חלופיים בעלי אורך נסיעה ואופי כבישים דומה, ובכך להרחיק בצורה עדינה את כלי הרכב מאותם מקטעים שבהם נרשמו עומסי תנועה כבדים באותה שעה. הניסוי בוצע תוך שימוש במערך מחקר מסוג crossover (ניסוי הצלבה עירוני), שבו החליפו החוקרים מדי יום בין האלגוריתם המשופר (הטיפול) לבין האלגוריתם הסטנדרטי הרגיל (הבקרה) כדי למדוד במדויק את ההבדלים בהתנהגות הכבישים. מן הנתונים המדעיים עולה כי פחות מ-2% מסך הנסיעות שנצפו במהלך הניסוי אכן הופנו בפועל למסלולים החלופיים, מה שממחיש עד כמה שינוי מינורי וממוקד יכול להשפיע לטובה על הסביבה התנועתית כולה.

על מנת לנתח את תוצאות הניסוי ולבודד משתנים מתערבים, החוקרים עשו שימוש במותג מודל סטטיסטי מתקדם מסוג Hierarchical Bayesian (מודל בייסיאני היררכי) המאפשר לנתח פרמטרים שונים ברמת העיר כולה וברמה השעתית המקומית בו-זמנית. על פי הממצאים המדעיים הרשמיים, השינוי האלגוריתמי הקל הוביל לשיפורים מובהקים סטטיסטית בכל הערים שנבדקו: מהירות הנסיעה במקטעי הכביש הממוקדים עלתה בחציון של כ-2%, נתון המקביל לירידה של בין 0.5% ל-1.0% בשיעור צריכת הדלק של אותם כלי רכב. בנושא זה, ובייחוד כאשר בוחנים את כלל המקטעים שהושפעו בעיר – כולל הדרכים הצדדיות שאליהן הופנו כלי הרכב והדרכים מהן הם הוסטו – נרשמה עלייה חציונית של 0.35% במהירות הנסיעה הכללית של כלל הרכבים ברשת הכבישים, נתון המקביל לשיפור ממוצע של 0.5% במהלך שעות עומס השיא של הבוקר ואחר הצהריים. עבור ארגונים ועסקים השואפים לייעל את פעילותם ולשפר את זמני התגובה של מערכי התפעול שלהם, מומלץ להיעזר בשירותי ייעוץ טכנולוגי מקצועיים המאפשרים לבחון שילוב של טכנולוגיות אופטימיזציה מתקדמות אלו.

ההקשר הרחב של ניהול רשתות תחבורה חכמות

ניסיונות העבר לעצב אופטימיזציה כוללת של מערכות תחבורה עירוניות מורכבות נתקלו תמיד בקושי מבני מהותי, בעיקר בשל היעדר 'מגדל פיקוח' פיזי ומרכזי שמסוגל לנהל את תנועת כלי הרכב הפרטיים והמסחריים על גבי הקרקע בצורה דומה לדרך שבה עולם התעופה מנהל את המרחב האווירי או הדרך שבה רשת האינטרנט מנתבת חבילות מידע בין שרתים. לפי דוח מקיף ומקצועי של McKinsey (חברת הייעוץ הגלובלית 'מקינזי'), פיתוח פתרונות טכנולוגיים מבוססי ערים חכמות המשלבות קישוריות מתקדמת (Connectivity) ותקשורת רציפה בין כלי רכב לתשתיות פיזיות (V2X) צפוי להפחית את זמני הנסיעה הכוללים בערים הגדולות בשיעור ממוצע של 15% עד 20%. פרויקטים קודמים של חברת Google, דוגמת Project Green Light (פרויקט גרין לייט של גוגל) שעושה שימוש רחב במודלים של בינה מלאכותית על מנת לשפר את תזמון הרמזורים העירוניים בעשרות ערים ברחבי העולם, כבר הוכיחו בעבר את הפוטנציאל הגלום בהתערבויות ממוקדות ברמת התשתית הפיזית. כעת, המחקר החדש מראה שאין צורך להמתין לשדרוג כולל של תשתיות הכבישים, אלא ניתן להשיג תוצאות חיוביות מרשימות כבר עכשיו באמצעות אלגוריתמים חכמים הפועלים ישירות על גבי פלטפורמות הניווט שכולנו מחזיקים בכיס.

ההשלכות המעשיות לעסקים ולחברות בישראל

ההשלכות של מחקר פורץ דרך זה על השוק הישראלי הן עמוקות ורלוונטיות במיוחד, בעיקר עבור חברות ועסקים המפעילים מערכי הפצה, שליחויות קצה, שירותי שטח, טכנאים או ציי רכב בינוניים וגדולים הפועלים מדי יום בגוש דן ובמרכז הארץ, מקומות שבהם עומסי התנועה נחשבים מהקשים והיקרים ביותר מבין כלל מדינות ה-OECD. עסקים ישראליים הפועלים בתחומי הלוגיסטיקה, המסחר האלקטרוני (E-commerce) והקמעונאות חווים מדי יום הפסדים כספיים כבדים כתוצאה מאובדן שעות עבודה יקרות של עובדיהם בפקקים, לצד עלייה משמעותית בעלויות הדלק ותחזוקת הרכבים. אימוץ של עקרונות ניתוב תנועה שיתופי בתוך מערכות הניהול של הארגון מאפשר לא רק לחסוך בעלויות דלק ותפעול ישירות, אלא גם לשפר באופן ניכר את העמידה בהתחייבויות של החברה לזמני הגעה ואספקה (SLA) מול לקוחות הקצה שלה. בנוסף, בהתאם לדרישות המעודכנות של חוק הגנת הפרטיות הישראלי, שימוש נכון ומושכל באלגוריתמי ניווט המנתחים את דפוסי התנועה ללא שמירת מידע אישי מזהה של הנהגים או של הלקוחות מאפשר לעסקים להגיע לרמות חיסכון של עשרות שעות עבודה בשבוע ותפעול אופטימלי, תוך הקפדה יתרה על עמידה מלאה בדרישות הרגולציה המקומית המחמירה ביותר. על מנת לשדרג את מערכי התפעול והשליחויות שלכם לרמה הבאה, מומלץ לבחון את היישום של פתרונות אוטומציה מתקדמים המאפשרים אינטגרציה מלאה של מערכי ההזמנות עם ניהול ציי הרכב.

מה לעשות עכשיו: מדריך מעשי למנהלי תפעול ולוגיסטיקה

  1. חיבור ממשקי API של מערכות ניווט מתקדמות למערכת ה-CRM הארגונית: מומלץ לקשר את מערכת ניהול קשרי הלקוחות של הארגון, כגון Zoho CRM (מערכת ניהול קשרי לקוחות של זוהר), אל ממשקי ה-API של Google Maps כדי לקבל נתוני תנועה בזמן אמת המאפשרים לתמחר נכון את זמני הגעת השליחים או נציגי השירות שלכם.
  2. הטמעת אלגוריתמי אופטימיזציה ופיזור מסלולים בציי הרכב: במקום להסתמך על תכנון מסלול פשוט ויחיד עבור כל נהג, מומלץ להשתמש בתוכנות ייעודיות לניהול ציי רכב המפזרות את מסלולי הנסיעה של טכנאי השטח או רכבי המשלוחים שלכם בין מספר נתיבים מקבילים ושווים באורכם, ובכך למנוע מהם "לייצר פקק" של רכבי החברה עצמה באותו מקום ובאותו זמן.
  3. יצירת זרימות עבודה אוטומטיות בין מערכות התפעול השונות: הקימו תהליכי עבודה אוטומטיים מלאים בעזרת פלטפורמות אוטומציה מתקדמות כמו N8N (פלטפורמת אוטומציה מבוססת קוד פתוח), המקשרות בין קבלת הזמנה חדשה באתר האינטרנט, חישוב המסלול האופטימלי ביותר במנוע הניווט, ושיגור משימת הנסיעה המדויקת ישירות לאפליקציית הטלפון של הנהג בשטח בצורה אוטומטית ומהירה.

מבט קדימה אל עתיד התחבורה והתעשייה החכמה

המעבר המהיר מניהול נסיעות אינדיבידואלי ומבודד לפילוסופיה של ניתוב שיתופי, מבוזר ומתואם מסמן את תחילתו של תור זהב חדש בכל הנוגע לניהול יעיל של משאבי תחבורה עירוניים ותעשייתיים כאחד. ככל שטכנולוגיות קישוריות מתקדמות, רשתות סלולר מהירות וכלי רכב אוטונומיים ימשיכו להבשיל ולהפוך לחלק בלתי נפרד מחיינו, השילוב הסינרגטי של מערכות ניווט חכמות, סוכני בינה מלאכותית (AI Agents) ופלטפורמות מתקדמות לניהול ציים יאפשר לעסקים לפעול בתיאום מושלם עם צורכי הסביבה. עסקים וחברות בישראל שישכילו לאמץ פתרונות ואסטרטגיות אלו כבר היום, ייהנו מיתרון תחרותי עצום, יצמצמו הוצאות מיותרות ויבטיחו את צמיחתם בעולם עסקי מהיר, ירוק ויעיל הרבה יותר.

שאלות ותשובות

שאלות נפוצות

רוצים ליישם את זה בעסק שלכם?

באוטומציות AI אנחנו בונים סוכני AI ואוטומציות לעסקים בישראל. ראו את השירותים הרלוונטיים:

  • אוטומציה לעסקיםחיבור מערכות, חשבוניות ודשבורדים
  • בוט וואטסאפ לעסקWhatsApp Business API בישראל
  • סוכני AI לעסקיםסוכנים שמטפלים בלידים, שיחות ו-CRM
  • ניהול לידים אוטומטימענה מיידי, ניקוד וסינון אוטומטי

הכתבה הוכנה על-ידי המערכת בליווי בינה מלאכותית: תרגום, סיכום והוספת הקשר עסקי ישראלי מתוך פרסום מקורי של Google Research. קראו על תהליך העריכה שלנו. קישור למקור המקורי.

אהבתם את הכתבה?

הירשמו לניוזלטר שלנו וקבלו עדכונים חמים מעולם ה-AI ישירות למייל

עוד מ־Google Research

כל הכתבות מ־Google Research
גוגל מציגה את TabFM: מודל יסוד לנתונים טבלאיים שישנה את ה-CRM
מחקר
לפני 6 ימים
4 דקות
·מ־Google Research

גוגל מציגה את TabFM: מודל יסוד לנתונים טבלאיים שישנה את ה-CRM

חברת Google (גוגל) הציגה את TabFM (מודל יסוד לנתונים טבלאיים), פתרון בינה מלאכותית בשיטת Zero-Shot המאפשר ביצוע משימות סיווג ורגרסיה על נתונים מובנים ללא צורך באימון מודל מותאם אישית או אופטימיזציה מורכבת של היפר-פרמטרים. המודל פותח על ידי חוקרי Google Research (זרוע המחקר של גוגל) ואומן על מאות מיליוני נתונים סינתטיים המבוססים על מודלים סיבתיים מבניים. במבחני ביצועים שנערכו במערכת המדדים TabArena (פלטפורמת הערכה למודלים טבלאיים), המודל השיג תוצאות מובילות בהשוואה לאלגוריתמים מסורתיים כמו XGBoost (אלגוריתם למידת מכונה מבוסס עצי החלטה). המודל משוחרר כקוד פתוח ומשולב ישירות בתוך Google Cloud BigQuery לשימוש מהיר באמצעות פקודות SQL פשוטות.

GoogleTabFMTimesFM
קרא עוד
האצת מודלי בינה מלאכותית על המכשיר: החידוש של גוגל ב-MTP
מחקר
26 ביוני 2026
4 דקות
·מ־Google Research

האצת מודלי בינה מלאכותית על המכשיר: החידוש של גוגל ב-MTP

חברת Google הציגה פריצת דרך בארכיטקטורת מחשוב הקצה של מכשירי Pixel 9 ו-Pixel 10 באמצעות שילוב טכנולוגיית Multi-Token Prediction (MTP) במודל Gemini Nano v3 המקומי. פיתוח זה מאפשר להאיץ את מהירות הרצת המודלים על גבי המכשיר ביותר מ-50% ללא צורך במודל טיוטה חיצוני המכביד על הזיכרון. הארכיטקטורה החדשה, המכונה Zero-copy, עושה שימוש ישיר ב-KV cache של מודל הבסיס הקיים, ובכך חוסכת כ-130MB מזיכרון ה-RAM הדינמי ומפחיתה את צריכת האנרגיה של הסוללה, תוך שמירה על רמת דיוק ובטיחות גבוהה במשימות עיבוד שפה וסיכומי מידע.

GooglePixel 9Pixel 10
קרא עוד
אחזור ידע במודלי שפה: כיצד תהליכי חשיבה משפרים דיוק עובדתי?
מחקר
25 ביוני 2026
4 דקות
·מ־Google Research

אחזור ידע במודלי שפה: כיצד תהליכי חשיבה משפרים דיוק עובדתי?

מחקר חדש של Google Research (זרוע המחקר של גוגל) חושף כי הפעלת מנגנוני חשיבה (Reasoning) במודלים כמו Gemini-2.5 (מודל השפה של גוגל) משפרת באופן עקבי את היכולת לבצע אחזור ידע במודלי שפה. החוקרים זיהו שני מנגנונים: באפר חישובי וצימוד עובדתי, המאפשרים למודל לאחזר עובדות פשוטות מתוך הזיכרון הפנימי ללא צורך בחישובים מורכבים או בחיפוש חיצוני. עם זאת, המחקר מזהיר כי הזיה בודדת בשלבי הביניים של החשיבה פוגעת דרמטית בדיוק התשובה הסופית.

Zorik GekhmanJonathan HerzigGemini-2.5
קרא עוד
מיפוי סביבתי באמצעות בינה מלאכותית: מפיקסלים לתכנון שיקום הטבע
מחקר
16 ביוני 2026
4 דקות
·מ־Google Research

מיפוי סביבתי באמצעות בינה מלאכותית: מפיקסלים לתכנון שיקום הטבע

גוגל חשפה פריצת דרך בפרויקט Earth AI המאפשרת מעבר ממפות פיקסלים למידע וקטורי מפורט ברזולוציה של תת-מטר. המערכת שפותחה בשיתוף אוניברסיטת אוקספורד, מאפשרת מיפוי מדויק של גדרות חיות, קירות אבן וחורשות קטנות המהווים כלי קריטי לשיקום אקולוגי ולחישובי פחמן. עבור המגזר העסקי בישראל, טכנולוגיה זו מציעה הזדמנויות משמעותיות בתחומי הביטוח, הנדל״ן והחקלאות המדייקת, תוך התחשבות במגבלות חוק הגנת הפרטיות הישראלי.

Google Earth AIGoogle Earth EngineLeverhulme Centre for Nature Recovery
קרא עוד

עוד כתבות שיעניינו אותך

לכל הכתבות
בניית ארכיטקטורת בינה מלאכותית: המדריך המלא למנהלי טכנולוגיה
מחקר
לפני 6 שעות
4 דקות
·מ־MIT Technology Review

בניית ארכיטקטורת בינה מלאכותית: המדריך המלא למנהלי טכנולוגיה

דוח חדש של MIT Technology Review Insights בשיתוף חברת Elastic מדגיש כי בניית ארכיטקטורת בינה מלאכותית יציבה היא הבסיס החיוני להצלחת פרויקטים טכנולוגיים בארגונים. לפי המחקר, כ-85% ממנהלי ה-IT מתכננים להטמיע כלי ניטור ייעודיים למודלי שפה (LLM Observability) כדי לשלוט בעלויות ובאבטחת מידע. חברת המחקר Gartner מזהירה כי ללא תשתית נתונים מתאימה, כ-60% מפרויקטי ה-AI יינטשו עד שנת 2026. הדו"ח ממליץ למנהלי טכנולוגיה להתמקד בארבעה יסודות: ניקוי נתונים בקנה מידה רחב, הנדסת קונטקסט (RAG), ניטור ובקרה קפדניים, ושמירה על צוותים מקצועיים ומעורבות אנושית מבוקרת בתהליכים.

MIT Technology Review InsightsElasticGartner
קרא עוד
גוגל מציגה את TabFM: מודל יסוד לנתונים טבלאיים שישנה את ה-CRM
מחקר
לפני 6 ימים
4 דקות
·מ־Google Research

גוגל מציגה את TabFM: מודל יסוד לנתונים טבלאיים שישנה את ה-CRM

חברת Google (גוגל) הציגה את TabFM (מודל יסוד לנתונים טבלאיים), פתרון בינה מלאכותית בשיטת Zero-Shot המאפשר ביצוע משימות סיווג ורגרסיה על נתונים מובנים ללא צורך באימון מודל מותאם אישית או אופטימיזציה מורכבת של היפר-פרמטרים. המודל פותח על ידי חוקרי Google Research (זרוע המחקר של גוגל) ואומן על מאות מיליוני נתונים סינתטיים המבוססים על מודלים סיבתיים מבניים. במבחני ביצועים שנערכו במערכת המדדים TabArena (פלטפורמת הערכה למודלים טבלאיים), המודל השיג תוצאות מובילות בהשוואה לאלגוריתמים מסורתיים כמו XGBoost (אלגוריתם למידת מכונה מבוסס עצי החלטה). המודל משוחרר כקוד פתוח ומשולב ישירות בתוך Google Cloud BigQuery לשימוש מהיר באמצעות פקודות SQL פשוטות.

GoogleTabFMTimesFM
קרא עוד
אימון מיומנויות של סוכני AI: הכירו את SkillOpt של מיקרוסופט
מחקר
30 ביוני 2026
4 דקות
·מ־Microsoft Research

אימון מיומנויות של סוכני AI: הכירו את SkillOpt של מיקרוסופט

מחקר חדש של Microsoft Research (זרוע המחקר של מיקרוסופט) מציג את SkillOpt (מערכת אופטימיזציה למיומנויות סוכני AI), גישה חדשנית ההופכת את תהליך כתיבת הפרומפטים לאימון פרמטרי מבוקר. המערכת שומרת על משקלי מודל השפה קפואים, ומאמנת שכבת מיומנויות טקסטואלית חיצונית באמצעות לולאת משוב המנתחת הצלחות וכישלונות. במבחני ביצועים מול מודלים מובילים כמו GPT-5.5, המערכת הציגה שיפור ממוצע של 23.5 נקודות במשימות מורכבות, ואיפשרה למודלים קטנים וזולים כמו Qwen3.5-4B לעקוף את ביצועי הבסיס של מודלים גדולים בהרבה ללא מיומנויות מותאמות.

SkillOptGPT-5.5Qwen3.5-4B
קרא עוד
הכנת נתונים לבינה מלאכותית: הבסיס למהפכת ה-AI בעסקים
מחקר
30 ביוני 2026
4 דקות
·מ־MIT Technology Review

הכנת נתונים לבינה מלאכותית: הבסיס למהפכת ה-AI בעסקים

מחקרים של חברת Reltio ושותפותיה מראים כי מודלי AI בחקלאות יכולים לשפר יבולים ב-26% ולצמצם שימוש במים ב-41%. עם זאת, ללא תשתית נתונים מאוחדת ונקייה (Data Readiness), מודלים אלו מייצרים המלצות שגויות והזיות מזיקות. הפער נובע מכך שמערכות רבות ניזונות מנתוני IoT ומקורות מידע מבוזרים שאינם מסונכרנים. כדי ליהנות מפירות הבינה המלאכותית, עסקים חייבים להשקיע קודם כל בבניית 'מקור אמת יחיד' המקשר בין לקוחות, ספקים ועלויות.

ReltioWilbur-EllisSAP
קרא עוד