סילבוס הקורס

Module 1 | Python for AI Engineering

במודול זה תחזקו את יכולות הפיתוח ב-Python הנדרשות לבניית יישומי AI. תעבדו עם Functions, Modules, Packages ו-Virtual Environments, לצד מבני נתונים, קבצים, JSON, APIs ושירותים חיצוניים.

בנוסף תלמדו עקרונות של Object-Oriented Programming, טיפול בשגיאות, Logging, ניהול Configuration ו-Secrets ועבודה עם Type Hints ו-Data Classes – כבסיס לפיתוח אפליקציות AI מסודרות ואמינות.

Module 2 | AI Engineering Orientation & LLM Foundations

במודול זה תכירו את העקרונות שמאחורי מודלי שפה גדולים ותבינו כיצד הם פועלים ומה ניתן לבנות באמצעותם. תלמדו על Tokenization, Embeddings ו-Transformers ותכירו את משפחות הארכיטקטורות המרכזיות.

בנוסף תכירו ברמה הקונספטואלית תהליכים כמו Pre-Training, Fine-Tuning, RLHF ו-LoRA, ותבינו כיצד מתבצע תהליך ה-Inference והאינטראקציה עם מודלי שפה.

Module 3 | Prompt Engineering, LLM APIs & Structured Outputs

במודול זה תלמדו כיצד לתכנן אינטראקציה אפקטיבית ואמינה עם מודלי שפה באמצעות Prompt Engineering. תכירו טכניקות שונות לבניית Prompts ותלמדו כיצד להגדיר Context, משימה, אילוצים ומבנה פלט בצורה מדויקת.

בהמשך תיישמו את העקרונות בתהליכי פיתוח אמיתיים, בהם תכנון, כתיבת קוד, Code Review ויצירת פלטים מובנים, ותכירו שיטות לשיפור האמינות באמצעות Validation, Prompt Chaining ותהליכי Verification.

Module 5 | Retrieval-Augmented Generation – RAG

במודול זה תלמדו כיצד לבנות פתרונות RAG המחברים מודלי שפה למקורות מידע חיצוניים. תכירו את המרכיבים המרכזיים של הארכיטקטורה, בהם Embeddings, Vector Databases, Retrieval, Chunking ו-Context Injection.

בהמשך תעבדו עם תהליכי קליטה ועיבוד של מסמכים ותכירו שיטות חיפוש מתקדמות כמו Semantic Search ו-Hybrid Search, לצד טכניקות לשיפור איכות המידע שמועבר למודל.

Module 6 | Reliable LLM Applications: Evaluation, Error Handling & Observability

במודול זה תלמדו כיצד להפוך יישומי AI לפתרונות אמינים שניתן להפעיל בסביבה אמיתית. תכירו את הסיבות הנפוצות לכשלים, החל מ-Hallucinations ופלטים שגויים ועד בעיות Retrieval, תקלות בכלים ו-Timeouts.

בנוסף תלמדו ליישם Validation, Retries ו-Fallbacks, לבנות תהליכי Evaluation ולבחון את איכות ה-Retrieval והתשובות. תכירו גם עקרונות של Observability ו-Tracing המאפשרים לנטר, לנתח ולשפר את התנהגות המערכת.

Module 7 | Agents, Tools & LangGraph Workflows

במודול זה תיכנסו לעולם ה-Agentic AI ותלמדו כיצד לבנות סוכני AI המסוגלים לעבוד עם כלים, APIs ומקורות מידע ולבצע תהליכים מרובי שלבים.

במהלך המודול תכירו דפוסי עבודה כמו ReAct ו-Planner-Executor ותלמדו לעבוד עם LangGraph לבניית Workflows מבוססי Agents, כולל ניהול State, הפעלה מותנית של תהליכים ושילוב Tools. בנוסף תכירו עקרונות של Human-in-the-Loop ודפוסים בסיסיים של Multi-Agent Systems.

Module 8 | AI Security, Guardrails & Human Escalation

במודול זה תלמדו כיצד משלבים אבטחה, בקרה ו-Guardrails כחלק מתכנון פתרונות AI. תעסקו בהרשאות, Policy Checks, גבולות השימוש בכלים והבחנה בין מקורות מידע אמינים ולא אמינים.

בנוסף תלמדו כיצד לתכנן מנגנוני Human-in-the-Loop ו-Escalation, כך שהמערכת תדע מתי לפעול באופן עצמאי, מתי לבקש מידע נוסף, מתי לעצור ומתי להעביר את הטיפול לגורם אנושי.

Module 9 | Model Adaptation & Optimization

במודול זה תכירו את האפשרויות להתאמה ושיפור של מודלי AI בהתאם לצרכים של יישומים שונים. תלמדו מתי נכון להשתמש ב-Fine-Tuning, מתי הוא אינו הפתרון המתאים ומהם השיקולים בבחירה בינו לבין RAG.

בנוסף תכירו את ההבדלים בין Full Fine-Tuning ל-LoRA ותעמיקו בעקרונות של Model Evaluation ו-System Evaluation, כולל Benchmarks, Golden Sets, Human Evaluation ו-LLM-as-a-Judge.

Module 10 | Deployment & LLMOps Basics

במודול זה תלמדו כיצד לקחת יישום AI משלב הפיתוח ולהכין אותו לפריסה ולהפעלה. תכירו את עולם ה-LLMOps ואת האתגרים הייחודיים של מערכות מבוססות מודלי שפה, בהם ניטור Prompts, מודלים, Vector Stores, עלויות, Latency ותקלות.

בנוסף תלמדו לארוז אפליקציות באמצעות Docker, לנהל Dependencies, Environment Variables ו-Secrets ולהכיר תהליכי Deployment ו-CI/CD בסיסיים עבור יישומי AI.

Module 11 | Final Project

בפרויקט הסיום תחברו את הידע והכלים שנרכשו לאורך הקורס ותבנו פתרון AI עובד מקצה לקצה. הפרויקט יכלול יישום מבוסס LLM, פתרון RAG, פלטים מובנים ושילוב של Tool או Workflow מעבר לשאלות ותשובות פשוטות.

בנוסף תיישמו מנגנוני Error Handling, Logging ו-Evaluation ותשלבו Guardrail או תהליך Human Escalation – במטרה להתנסות בתהליך המלא של בניית פתרון AI יישומי.