למה סדנה מעשית במשרדי AWS משנה את הלמידה של סוכני AI

במבט מהיר

סדנה מעשית במשרדי AWS מעבירה את הלמידה של סוכני AI מדיון תיאורטי לעבודה על מערכות ריצה אמיתיות, עם הרשאות, עלויות וכשלים.
סוכן אוטונומי נשבר בדיוק בנקודות שכיתה לא מדמה: קריאות לכלים, חריגות הרשאה, שרשור שגיאות וניטור.
לפי עמוד הקורס, מדובר בתוכנית בת 210 שעות אקדמיות למהנדסים ומפתחים, עם ליווי אישי ומקצועי לאורך הדרך.
האוניברסיטה העברית מדורגת במקום 88 בעולם בדירוג שנגחאי (ARWU) 2025, נתון שמעניק להכשרה עוגן אקדמי מוכר.
הכנה נכונה לסדנה — מקרה שימוש מהעבודה, נתונים נקיים והגדרת הצלחה — מכפילה את התועלת ממנה.

Huji AI Engineers Course

פורסם: 2026-07-28

בקורס מהנדסי AI של האקדמיה להייטק העברית הכשרת מנהלים מתקיימת סדנה מעשית במשרדי החברות, שבה נעשית עבודה על פרויקטים יישומיים על מערכות אמיתיות — לפי עמוד הקורס. זה ההבדל בין להבין מהו סוכן אוטונומי לבין לדעת מדוע הסוכן שבניתם נתקע בקריאה השלישית לכלי חיצוני.

מה קורה בסדנה המעשית במשרדי AWS ולמה היא משנה את הלמידה של סוכני AI?

הסדנה המעשית במשרדי AWS משנה את הלמידה של סוכני AI כי היא מכריחה כל החלטה הנדסית להיפגש עם סביבה שאינה סטרילית. נתחיל בהגדרות: Agentic AI הוא בניית סוכני AI אוטונומיים שמבצעים משימות מורכבות באופן עצמאי — כלומר מודל שפה שמתכנן שלבים, קורא לכלים חיצוניים ומחליט מתי המשימה הושלמה. RAG (Retrieval-Augmented Generation) הוא שילוב של אחזור מידע ממאגר עם מודל שפה, כדי שהתשובה תתבסס על מקור ולא על זיכרון המודל. Multi-Agent Systems הן מערכות מרובות-סוכנים שמחלקים ביניהם תפקידים לפתרון בעיה אחת.

בכיתה כל אלה נראים כתרשים נקי. בסביבת ענן ארגונית הם נראים אחרת:

שכבת ההרשאות: סוכן שקורא לשירות אחסון או למסד וקטורי נחסם ברגע שמדיניות ההרשאות לא מוגדרת בדיוק לפי המשימה — וזה תרגיל בעצמו.
תזמור ועמידות: קריאות לכלים נכשלות, מגיעות פעמיים או חוזרות באיחור, ולכן נדרשות לוגיקת ניסיון חוזר ופעולות שאינן משנות מצב כשהן חוזרות.
תצפיתיות: בלי תיעוד מלא של שרשרת ההחלטות של הסוכן, ניפוי תקלות הוא ניחוש. עקבות ריצה הופכות את הסוכן ממערכת אטומה למערכת שניתן לתחזק.
עלות והשהיה: חלון ההקשר, גודל המקטעים באחזור ומספר הסבבים קובעים גם את איכות התשובה וגם את חשבון הענן.

בין החברות המוצגות כשותפות בעמוד הקורס נמצאות Wix, Nanit, Google, Intel ו-Salesforce — כך שההקשר שבו נלמדות היכולות הוא סביבת עבודה תעשייתית ולא מעבדה. לדעתנו, זו הנקודה הפחות מדוברת: מה שמפריד בין מהנדס שקרא על סוכנים לבין מהנדס שיכול להעלות אותם לייצור הוא בדיוק שכבת התפעול, וזו נלמדת רק במקום שבו היא קיימת.

אילו יכולות בבניית סוכנים אוטונומיים אפשר לרכוש רק על מערכות אמיתיות?

יכולות בבניית סוכנים אוטונומיים שנרכשות רק על מערכות אמיתיות הן אלה שנוגעות לגבולות המערכת — לא ללוגיקה שבמרכזה. סוכן אוטונומי, כזכור, הוא מודל שפה שמתכנן ומבצע שלבים בעצמו מול כלים חיצוניים; ההיגיון שלו קל להסביר על לוח, אך התנהגותו נקבעת בקצוות.

הנה היכולות שקשה לתרגל בלי סביבת הרצה חיה:

הגדרת ממשקי כלים לסוכן: כתיבת תיאורי כלים מדויקים כך שהמודל יבחר בכלי הנכון, יעביר פרמטרים תקינים ולא ימציא שדות.
תכנון מדיניות הרשאות מינימלית: מתן גישה מדויקת למשאב מסוים בלבד, כדי שסוכן שטועה לא יגרום נזק רחב.
הנדסת אחזור: חלוקה למקטעים, בחירת מודל ייצוג טקסט, דירוג מחדש של תוצאות והערכת כיסוי — בלב כל יישום RAG.
בניית מסגרת הערכה: קביעת מדדי הצלחה למשימה, ולא רק התרשמות מהתשובה. בלי זה אין דרך לדעת אם שינוי בהנחיה שיפר או החמיר.
מחסומי בטיחות ואדם בלופ: החלטה אילו פעולות דורשות אישור אנושי, ואיפה עוצרים סוכן שנכנס ללופ.
תזמור מרובה-סוכנים: הגדרת גבולות אחריות בין סוכן מתכנן לסוכן מבצע, והעברת הקשר ביניהם בלי ניפוח עלויות.

הנדסת פרומפטים — עיצוב ושכלול הנחיות למודל כדי להפיק תוצאות מדויקות — היא הרובד שמחבר את כל אלה, והיא נמדדת אחרת כשהפלט מזין מערכת ולא אדם. גם כלים אג'נטיים לכתיבת קוד, כמו Claude Code, מדגימים את אותו עיקרון: הפער בין הדגמה מרשימה לשימוש יומיומי אמין הוא פער תפעולי. עבודה על מערכות פעילות היא הדרך היחידה שבה מהנדס מנוסה פוגש את הפער הזה לפני שהוא פוגש אותו בייצור.

במה שונה סדנה בסביבת ענן מלמידה בכיתה או מקורס מוקלט?

סדנה בסביבת ענן שונה מלמידה בכיתה ומקורס מוקלט בשלושה קריטריונים שכדאי להגדיר לפני ההשוואה. סביבת הרצה — האם הקוד פוגש שירותים אמיתיים, הרשאות ומגבלות. חשיפה לכשלים — האם הלומד רואה תקלות אותנטיות או מקרים מסודרים מראש. לופ המשוב — כמה מהר מתקנים החלטה שגויה, ומי מצביע עליה. מהנדסים מנוסים צריכים לתת את המשקל הגבוה ביותר לשני הראשונים, כי הידע התיאורטי שלהם כבר קיים; מה שחסר הוא שיפוט הנדסי בסביבה רועשת.

אופן הלמידה	סביבת הרצה	חשיפה לכשלים	לופ המשוב	מה נשאר בסוף
עבודה מעשית בסביבת ענן ארגונית	שירותי ענן פעילים, הרשאות ועלויות אמיתיות	תקלות אותנטיות: חסימות גישה, קריאות שנכשלות, לופים	מיידי, מול מנטור ומול המערכת עצמה	מערכת עובדת ושיפוט תפעולי
הרצאה או תרגול בכיתה	סביבה מקומית או מדומה	תרחישים מתוכננים מראש	מהיר בכיתה, אך על בעיה מנוטרלת	הבנת ארכיטקטורה ומודלים גנרטיביים
קורס וידאו מוקלט	סביבת המחשב של הלומד	כמעט ללא — הכשל מוסר מהמסלול	דחוי או לא קיים	ידע רעיוני ותחביר של ספריות
קריאת תיעוד ומאמרים	ללא	ללא	ללא	עומק מושגי, ללא ניסיון

השורה התחתונה: וידאו ותיעוד מלמדים איך מערכת אמורה לעבוד, אולם רק עבודה בסביבה חיה מלמדת מה קורה כשהיא לא עובדת — וזה בדיוק הידע שמעסיקים מחפשים כשהם מחפשים מהנדס שיוביל יישום סוכנים. גם הליווי האישי והמקצועי שנכלל בתוכנית של האקדמיה להייטק העברית הכשרת מנהלים מקבל משמעות שונה כאן: מנטור שמסתכל על עקבת ריצה אמיתית מקצר תהליך שיכול לגזול שבועות של ניסוי וטעייה עצמאיים.

איך 210 שעות אקדמיות בונות את הבסיס לקראת העבודה המעשית?

210 שעות אקדמיות בונות את הבסיס לעבודה המעשית בכך שהן מספיקות לכיסוי שכבה מלאה — ממודלים גנרטיביים ועד תזמור מרובה-סוכנים — ולא רק להיכרות. לפי עמוד הקורס, מדובר בתוכנית בת 210 שעות אקדמיות למהנדסים ומפתחים, כלומר היקף שמאפשר לחזור על אותו נושא בכמה רמות עומק: הבנה, מימוש, ואז שיפור מדיד.

סדר ההצטברות ההגיוני נראה כך:

תשתית מודלים גנרטיביים: מה מודל שפה גדול (LLM) יכול ולא יכול לעשות, איך פועלים חלון ההקשר והדגימה, ומדוע פלט אינו דטרמיניסטי.
הנחיות כרכיב הנדסי: מעבר מניסוח חופשי להנחיות מבניות עם סכמות פלט וקריטריוני קבלה.
אחזור מבוסס-מקור: בניית מערכת RAG שמחזירה תשובות עם מקורות, כולל טיפול בכיסוי חסר ובמידע סותר.
סוכן בודד: שילוב תכנון, קריאה לכלים וזיכרון, עם עצירות בטיחות.
מערכות מרובות-סוכנים: פיצול תפקידים, פרוטוקול העברת הקשר, וניהול עלות מול איכות.
מדידה ותחזוקה: מסגרת הערכה, ניטור ריגרסיות והחלטה מתי לשדרג מודל.

עבור מהנדס תוכנה מנוסה, בוגר יחידה טכנולוגית מובחרת או מהנדס מתחומי חומרה ואלקטרוניקה, הרצף הזה עושה עבודה חשובה: הוא מתרגם ידע הנדסי קיים — תכנון מערכות, בקרת גרסאות, ניפוי תקלות — לשפה של מערכות AI, במקום להתחיל מאפס. שני מסלולי לימוד, בוקר וערב, פעמיים בשבוע, נועדו בדיוק לקהל שממשיך לעבוד במקביל. וכשהמסד הזה קיים, יום עבודה בסביבת ספק ענן חדל להיות סיור והופך לתרגיל הנדסי אמיתי.

מה כדאי להכין לפני הסדנה — ואילו סיכונים כדאי לנהל?

מה שכדאי להכין לפני הסדנה, ואילו סיכונים כדאי לנהל, מכריע את התועלת שתפיקו מיום עבודה בסביבת ענן פעילה. הכנה חלשה הופכת את הזמן היקר לתרגיל התקנה; הכנה טובה הופכת אותו לאב-טיפוס שאפשר להציג בצוות.

צעדים מעשיים להכנה:

בחרו מקרה שימוש אחד וצר מהעבודה היומית — למשל סוכן שמסכם תקלות ייצור — במקום רעיון גדול ומעורפל.
הגדירו מהי הצלחה במשפט מדיד אחד, כולל מה נחשב תשובה שגויה.
הכינו מערך נתונים קטן ונקי לאחזור, ובדקו מראש שאין בו מידע רגיש.
רשמו את הכלים החיצוניים שהסוכן יידרש לקרוא להם, ואת ההרשאה המינימלית הנדרשת לכל אחד.
תעדו את גרסת המודל וההנחיות שבהן התחלתם, כדי שתוכלו להשוות שיפורים.

ומול כל פעולה — הסיכון שיש לנהל:

מה לעשות	הסיכון שכדאי לשים לב אליו
לבחור מקרה שימוש שאפתני	היקף מתנפח והפרויקט לא מגיע לריצה מלאה
להוסיף סוכנים כדי לשפר איכות	תזמור מסובך, עלות גבוהה יותר וניפוי תקלות קשה
להסתמך על אחזור לכל שאלה	תשובות מבוססות מקור לא רלוונטי — דיוק שנראה טוב אך שגוי
לפתוח הרשאות רחבות כדי להאיץ פיתוח	חשיפה מיותרת שקשה לצמצם אחר כך
להעריך את התוצאה "בעין"	חוסר יכולת להוכיח שיפור בין גרסאות

צמצום הסיכון בעל ההשפעה הגדולה ביותר — היקף מתנפח — פשוט: קבעו מראש גרסה מינימלית שמוכרחה לרוץ מקצה לקצה, וכל שיפור נוסף ייכנס רק אחריה. הליווי המקצועי בתוכנית מסייע בדיוק בהכרעות האלה, כי מנטור שראה מערכות דומות יזהה היקף בלתי-ריאלי לפני שהוא צורך את היום.

איך העבודה המעשית משתלבת בהכשרת מהנדסים ובתעודה האקדמית ב-2026?

העבודה המעשית משתלבת בהכשרת מהנדסים ובתעודה האקדמית כשילוב של שני דברים שקשה להשיג בנפרד: ניסיון בסביבת ריצה אמיתית מצד אחד, ואישור מוכר לידע מצד שני. ב-2026, כשמהנדסים רבים משלימים ידע ב-AI מחוץ למסלול האקדמי הפורמלי שבו למדו, לשאלה "איך מוכיחים את היכולת הזאת" יש משקל תעסוקתי אמיתי.

בסיום התוכנית מתקבלת תעודה מטעם האוניברסיטה העברית, לפי עמוד הקורס. העוגן המוסדי שמאחוריה ניתן לבדיקה חיצונית: האוניברסיטה העברית מדורגת במקום 88 בעולם בדירוג שנגחאי (ARWU) 2025, לפי אתר הדירוג, ומדעי המחשב שלה מדורגים 176–200 בעולם לפי דירוג Times Higher Education לשנת 2026. שני הנתונים אינם מדד לקורס עצמו, אלא לאיכות המוסד שמעניק את התעודה — וזו הבחנה שראוי לשמור עליה.

איך זה מצטרף לתמונה הרחבה של הנדסת AI? הכשרה מקצועית למהנדס מנוסה נמדדת בשלושה צירים:

תוקף חוץ: האם מישהו מחוץ לקורס מכיר בהסמכה, כשמדובר בקורות חיים או בקידום פנימי.
הוכחת יכולת: האם נותר בידיכם משהו שרץ — מערכת, מדדים, ותיעוד החלטות.
רלוונטיות לשוק: האם הנושאים הם אלה שנשאלים בפועל בראיונות ובתכנון מוצר — סוכנים אוטונומיים, אחזור מבוסס-מקור, מערכות מרובות-סוכנים.

זווית שלרוב אינה מקבלת תשומת לב: דווקא למהנדסים שחוששים שה-AI יהפוך אותם למיותרים, השכבה התפעולית היא ביטוח התעסוקה הטוב ביותר. כתיבת קוד שגרתי הפכה זולה, אך אחריות על מערכת אוטונומית שפועלת מול לקוחות — הרשאות, כשלים, מדידה — נשארה עבודה של מהנדס.

למי מתאימה התוכנית, ומה במבנה שלה תומך במהנדס שעובד במשרה מלאה?

התאמת התוכנית למהנדס שעובד נבחנת בשני מישורים: הרקע ההנדסי שאיתו מגיעים, והמבנה שמאפשר ללמוד בלי לעצור את הקריירה. שני המישורים האלה קובעים גם כמה תפיקו מהחלק המעשי שנעשה על מערכות אמיתיות בסביבת ענן.

על איזה בסיס הנדסי נשענת התוכנית?

התוכנית מכוונת למהנדסי ומפתחי תוכנה מנוסים שעובדים בחברות הייטק, וכן לבוגרי יחידות טכנולוגיות מובחרות ולמהנדסים מדיסציפלינות נוספות, כמו אלקטרוניקה וחומרה. הבסיס הנדרש הוא חשיבה הנדסית ויכולת קוד; משם נבנית שליטה בכלי AI מתקדמים — סוכנים אוטונומיים, אחזור מבוסס-מקור ומערכות מרובות-סוכנים — על גבי הידע ההנדסי שכבר קיים, לא במקומו.

כיצד סביבת עבודה של חברת טכנולוגיה מעצבת את החלק המעשי?

מפגש בסביבת עבודה של חברת טכנולוגיה מחליף סימולציה במציאות: הכלים, ההרשאות והמגבלות הם אלה שקיימים בפרויקטים אמיתיים. בעמוד הקורס מוצגות Wix, Nanit, Google, Intel ו-Salesforce כשותפות — הקשר שמעצב את אופי העבודה המעשית ואת סוג הבעיות שנפגשים איתן בה.

איך מסלולי הבוקר והערב מתיישבים עם משרה מלאה?

עמוד הקורס מציג שני מסלולי לימוד — בוקר וערב — פעמיים בשבוע, מבנה שנועד למהנדסים שממשיכים לעבוד. ההיקף האקדמי המלא נשמר בשני המסלולים, כך שהבחירה היא בשעות הלימוד ולא בעומק החומר.

מדוע הליווי האישי הופך לרכיב מבדל דווקא בבניית סוכנים?

בבניית סוכנים אוטונומיים הרבה זמן מתבזבז על כשלים שנראים מסתוריים ומתגלים כטעות בהגדרת כלי או בהרשאה. ליווי אישי ומקצועי, שהוא חלק מהתוכנית לפי עמוד הקורס, מקצר את הלופים האלה: מי שכבר ראה את דפוס הכשל הזה מזהה אותו במהירות במקום להשאיר את הלומד בחקירה ארוכה.

מה נשאר בידי מהנדס בסיום, מעבר לידע?

נשארים שלושה דברים: מערכת שרצה ואפשר להציג אותה, אוצר מילים הנדסי מדויק לתחום — הנחיות, אחזור, תזמור סוכנים — והתעודה מטעם האוניברסיטה העברית שמתקבלת בסיום, לפי עמוד הקורס. השילוב הזה הוא מה שהופך למידה של AI למהנדסים לנכס תעסוקתי ולא לקורס נוסף בקורות החיים.

מה הופך סדנה מעשית במשרדי AWS לשונה מקורס אונליין על סוכני AI?

ההבדל המרכזי בין סדנה מעשית במשרדי AWS לבין קורס וידאו על סוכני AI הוא סוג ההתנגדות שהמערכת מפעילה עליכם. בלמידה עצמית התרגיל מסתיים כשהקוד רץ; בסדנה מעשית במשרדי החברות העבודה היא על פרויקטים יישומיים על מערכות אמיתיות, ולכן היא נמשכת עד שהסוכן מתמודד עם הרשאות, עלויות הרצה, חריגות פורמט ותשובות מודל לא דטרמיניסטיות. הסעיף הזה מצומצם בכוונה לסביבת הסדנה עצמה — לא לכלל הקורס.

מהם המאפיינים שמבדילים בין שתי הסביבות?

טיב סביבת ההרצה — טווח אפשרי: ארגז חול מקומי עד תשתית ענן עם מגבלות אמת. חשוב כי סוכן AI אוטונומי (Agentic AI — סוכן שמפרק משימה מורכבת לצעדים ומבצע אותם בעצמו) נכשל בעיקר בגבולות התשתית, לא בלוגיקה.
מקור הנתונים ל‑RAG — טווח: מסמכי דמו נקיים עד מאגרים ארגוניים רועשים. RAG (Retrieval-Augmented Generation) הוא שילוב אחזור מידע ממאגר עם מודל שפה כדי לייצר תשובה מבוססת‑מקור, ואיכות האחזור נקבעת דווקא על נתונים מבולגנים.
לולאת המשוב — טווח: פתרון מוכן בסרטון עד סקירה מול מנטור ועמיתים מהנדסים. משמעותי כי הנדסת פרומפטים (עיצוב ושכלול הנחיות למודל) נלמדת מהשוואת ניסוחים חלופיים על אותה משימה.
מורכבות התיאום — טווח: סוכן בודד עד Multi-Agent Systems, כלומר מערכות מרובות‑סוכנים שחולקות משימה ביניהן. כאן צצים כפל‑פעולות, לופים ועלות טוקנים שקשה לדמות לבד.
תנאי הסיום — טווח: "הדגמה עבדה" עד "מדידה חוזרת יציבה". זה המאפיין שמפריד בין היכרות עם כלי לבין שליטה בו.

למה זה משנה למהנדס מנוסה?

מהנדסים ותיקים שולטים בעיקרון — הפער הוא בהתנהגות של מערכות גנרטיביות בתנאי ייצור. בראייתנו, זווית שלא מקבלת די תשומת לב היא שהסביבה הפיזית של הסדנה, במשרדי חברת תשתית ענן, מכריחה עבודה מול אילוצים תפעוליים אמיתיים כבר בזמן הלמידה — ולא אחריה, מול צוות הפרודקשן. ב‑2026 זה ההבדל בין מפתח שמנסח פרומפטים ובין מהנדס שמעביר סוכן לייצור.

אילו רכיבים טכניים של סוכן AI נלמדים טוב יותר בסביבת ענן חיה?

רכיבים טכניים של סוכן AI — תזמור, קריאת כלים, אחזור מידע, זיכרון וגבולות הרשאה — נלמדים טוב יותר בסביבת ענן חיה, מפני שכל אחד מהם מתנהג אחרת כשיש מאחוריו תשתית אמיתית, מפתחות אמיתיים ולוגים אמיתיים. אם סוכן אוטונומי מוגדר כרכיב שמקבל החלטות ומבצע פעולות בעצמו, נובע מכך שאי אפשר לאמת אותו בלי סביבה שבה פעולה שגויה משאירה עקבות. זו בדיוק ההשלמה שסדנה מעשית על מערכות אמיתיות מספקת למי שמגיע מרקע הנדסי חזק.

אילו מאפיינים כדאי לבחון בכל רכיב?

רכיב	טווח ההחלטה בפועל	למה זה נלמד טוב יותר בסביבה חיה
תזמור (Orchestration)	לוגיקה קבועה, ניתוב מבוסס מודל, או מערכת מרובת-סוכנים	לוגים של הרצות מלאות חושפים לולאות אין-סוף ומשימות שנתקעות בין סוכנים
קריאת כלים (Tool Use) — יכולת המודל להפעיל פונקציות ו-API חיצוניים	תיאורי כלים, סכמות קלט, מדיניות ניסיון חוזר	כלי אמיתי נכשל, מגיב לאט או מחזיר שגיאה — מקרים שקשה לדמות במעבדה
RAG — שילוב אחזור מידע ממאגר עם מודל שפה כדי לייצר תשובות מבוססות-מקור	סוג האינדוקס, גודל המקטע, שיטת הדירוג מחדש	איכות האחזור מתגלה רק על קורפוס ארגוני אמיתי, לא על מסמכי דמו
זיכרון	הקשר יחיד לשיחה, זיכרון מתמשך, סיכום מצטבר	עלויות טוקנים וסחיפת הקשר מופיעות רק בהרצות ממושכות
Guardrails	סינון קלט ופלט, אימות סכמה, אישור אנושי לפני פעולה	הצורך בגבול נעשה מוחשי כשסוכן מנסה לבצע פעולה בלתי הפיכה
הרשאות IAM	הרשאות מינימליות לכל תפקיד, תפקידים זמניים, הפרדת סביבות	בענן, מדיניות הרשאות שגויה נחסמת מיד — משוב שאין לו תחליף בשקף

מכאן נגזרת מסקנה מעשית: הפער בין מהנדס שמכיר את המושגים לבין מהנדס שבנה סוכן שפועל בפרודקשן אינו פער בידע התיאורטי אלא פער בכושר האבחון. בהערכתנו, זה גם ההסבר לכך שכלי פיתוח מבוססי סוכנים כמו Claude Code מרגישים שונים לחלוטין למי שהתנסה בבנייה בתוך סביבת ענן פעילה מול מי שקרא עליהם בלבד.

מסקנה נוספת שנובעת מכך: הנדסת פרומפטים — עיצוב ושכלול ההנחיות למודל — מפסיקה להיות עניין של ניסוח ומתחילה להיות עניין של חוזה בין רכיבים, כולל פורמט פלט שהמערכת יכולה לאמת אוטומטית.

כיצד עבודה בתוך סביבת הענן של AWS בסדנה מאיצה את עקומת הלמידה?

עבודה בתוך סביבת הענן של AWS בסדנה מאיצה את עקומת הלמידה מפני שהחסם הראשון מוסר: אין צורך להקים תשתית הרצה משלכם לפני שכותבים את הסוכן הראשון. לפי עמוד הקורס, בסדנה המעשית במשרדי AWS הסטודנטים נכנסים למודלים של AWS, בונים בתוכם פתרונות AI ומשלבים אותם על מערכות אמיתיות.

אם את/ה מהנדס/ת תוכנה שכבר מכיר/ה CI/CD, ארכיטקטורת מיקרו-שירותים וניהול תצורה, הפער אינו בתכנות אלא בהבנת דפוסי הארכיטקטורה של מערכות מבוססות מודלים. בהקשר הזה, עבודה בתוך סביבת ענן בוגרת מספקת ארבעה מאיצים:

הפשטת תשתית — ההרצה נעשית בתוך סביבת ענן קיימת, כך שזמן הלמידה מוקדש לתכנון הסוכן ולא להקמת שרתי הרצה ולתחזוקתם.
אחזור מבוסס-מקור — יישום RAG (שילוב אחזור מידע ממאגר ידע עם מודל שפה כדי לייצר תשובות מבוססות-מקור) הופך לתרגיל אינטגרציה מוגדר, כולל הטמעת וקטורים ואינדוקס.
תזמור סוכנים — בניית Multi-Agent Systems, כלומר מערכות שבהן כמה סוכנים חולקים משימה ומעבירים ביניהם הקשר, נבחנת מול קריאות כלים אמיתיות ולא מול הדגמה מלאכותית.
בקרות ואבטחה — מנגנוני הרשאות מבוססי זהות, בידוד רשת ומסנני תוכן הם חלק אינטגרלי מהתרגול, ולא הערת שוליים.

מה מספק אמינות לפורמט הזה? קורס מהנדסי AI של האקדמיה להייטק העברית מקיים סדנה מעשית במשרדי AWS, שבה העבודה נעשית על פרויקטים יישומיים ומערכות אמיתיות — ולא על מחברות תרגול סינתטיות. לפי עמוד הקורס, מדובר בתוכנית בת 210 שעות אקדמיות, היקף שמאפשר להעמיק בכל אחד מהדפוסים הללו ולא רק לסקור אותם. לצד זאת, הליווי האישי והמקצועי שמוצע לאורך התוכנית הוא המרכיב שממיר תרגיל בודד לשיטת עבודה חוזרת.

נקודה שלדעתנו זוכה למעט מדי תשומת לב: היתרון האמיתי בעבודה בתוך סביבת ענן מוכרת אינו הכלים עצמם, אלא ההרגל להעריך מגבלות — עלות טוקנים, השהיה, גבולות ההקשר ואמינות קריאות הכלים. מהנדס/ת שמפנים/ה את שיקולי התכנון הללו בשלב הלמידה מגיע/ה לצוות עם יכולת לתכנן מערכת סוכנים שתחזיק בייצור, ולא רק להדגים אותה.

במה שונה סדנה מעשית מוובינר, מהאקתון או מהדרכה פנים-ארגונית?

קודם כול, סדנה מעשית נבדלת מוובינר, מהאקתון ומהדרכה פנים-ארגונית לא בתכולת החומר אלא בשאלה מי נושא באחריות לתוצאה בסוף היום. וובינר הוא הרצאה מקוונת חד-כיוונית; האקתון הוא מרתון פיתוח קצר סביב אתגר מוגדר; הדרכה פנים-ארגונית היא העברת ידע בתוך הצוות עצמו; סדנה מעשית היא עבודה מונחית על מערכת אמיתית, בסביבת ענן, עם מנחה שמתערב בזמן אמת.

לפי אילו קריטריונים בכלל נכון להשוות?

לפני הטבלה כדאי לקבע את אמות המידה, לפי סדר החשיבות למהנדס מנוסה:

עומק ההתמודדות עם כשלים — האם אתם נחשפים לשגיאות של סוכן אוטונומי (רכיב תוכנה שמתכנן ומבצע משימות בעצמו) או רק שומעים עליהן. זהו הקריטריון בעל המשקל הגבוה ביותר, כי שם נוצרת המומחיות.
אותנטיות הסביבה — הרצה על תשתית ענן, מודלי שפה גדולים (LLM) ומאגרי אחזור אמיתיים, לעומת סביבת דמו.
המשכיות ולא רק אירוע — האם הלמידה נמשכת מעל מספר שבועות עם ליווי, או מתכנסת ליום בודד.
תיקוף חיצוני — האם קיימת הכרה אקדמית או מקצועית שאפשר להציג.

איזה פורמט עונה על אילו קריטריונים?

פורמט	עומק כשלים	אותנטיות סביבה	המשכיות	תיקוף חיצוני
וובינר	נמוך — צפייה בלבד	נמוכה	חד-פעמי	אין
קורס מקוון מוקלט	בינוני — תרגילי בית	בינונית (סביבת דמו)	תלוי במשמעת עצמית	אין בדרך כלל
האקתון	גבוה אך צר	גבוהה בטווח קצר	אירוע בודד	אין
הדרכה פנים-ארגונית	בינוני	גבוהה (מערכות הבית)	תלוי בעומס הצוות	אין
סדנה מעשית בסביבת ספק ענן	גבוה ומכוון	גבוהה	חלק ממסלול ארוך	קיים

התובנה שלנו, ולא בהכרח הקונצנזוס: האקתון מייצר התרגשות אבל לא שיטה — הוא מתגמל פתרון מהיר, בעוד שבניית מערכות מרובות-סוכנים דורשת דווקא ניסוי חוזר, מדידה ותיקון תכנון. פורמט הסדנה במשרדי AWS מספק את הצד הזה: עבודה על פרויקטים יישומיים במערכות אמיתיות, בליווי מקצועי ואישי, כך שהתרגול נצבר במקום להתפוגג. בשורה התחתונה, לשנת 2026 השילוב האפקטיבי הוא מסלול לימוד ארוך שבתוכו סדנה מעשית — לא במקומה.

אילו סיכונים ותקלות נפוצות בסוכני AI מתגלים רק בהתנסות מעשית?

חלק ניכר מהסיכונים והתקלות בסוכני AI מתגלה רק בהתנסות מעשית — כשסוכן אמיתי רץ מול מערכת חיה, ולא מול דוגמה מסודרת במחברת קוד. חמישה כשלים חוזרים על עצמם: הזיות (תשובות שנשמעות סבירות אך אינן מבוססות על נתון קיים במאגר), לולאות סוכן (הסוכן קורא לאותו כלי שוב ושוב בלי להתקדם לתנאי עצירה), התנפחות עלויות טוקנים (טוקן הוא יחידת הטקסט שעליה המודל מחויב, וכל צעד ביניים מוסיף עוד), הרשאות רחבות מדי לכלים, ל-API ולמאגרי המידע, וחוסר תצפיתיות — היעדר תיעוד של שרשרת ההחלטות, שהופך כל תקלה לחקירה בלי עדויות.

אולי אתם גם שואלים את עצמכם למה זה לא נראה בהדגמה: בהדגמה הקלט נקי, המשימה קצרה והסוכן מסיים בצעדים ספורים. במערכת אמיתית הקלט חלקי, השירותים נופלים לרגע והמשימה מתפצלת — ושם הכשלים מתעוררים.

מה לעשות	הסיכון שמתלווה לזה
להעניק לסוכן כלים אמיתיים (כתיבה למאגר, שליחת בקשות)	פעולה בלתי הפיכה על נתוני אמת בגלל פרשנות שגויה של הוראה
להעשיר את ההקשר בעזרת RAG — אחזור מסמכים כבסיס לתשובה	אחזור קטעים לא רלוונטיים שדווקא מגדיל את שיעור ההזיות
לפרק את המשימה לכמה סוכנים במערכת מרובת-סוכנים	סוכנים שמעבירים ביניהם שגיאה, מכפילים עלות ונכנסים ללולאה
לתת לסוכן חופש תכנון רחב במקום סקריפט קבוע	מסלולי ריצה ארוכים, זמן תגובה מתמשך ותקציב טוקנים שנשרף
להריץ אוטונומיה בסביבת הפרודקשן	חשיפת מידע רגיש דרך הרשאות שהוגדרו פעם אחת ולא נסגרו

הסיכון בעל ההשפעה הגבוהה ביותר הוא ההרשאות. המיטיגציה המקובלת בתעשייה היא עבודה בעקרון ההרשאה המינימלית: כל כלי מקבל אסימון נפרד ומוגבל בהיקף, פעולות כתיבה עוברות שלב אישור, וכל קריאה נרשמת ביומן שניתן לשחזר. בהתנסות מודרכת על מערכות אמיתיות, בליווי אישי ומקצועי, נקודות הכשל האלה מתגלות בזמן שהמחיר שלהן עוד נמוך — במקום להתגלות לראשונה כשהסוכן כבר משרת משתמשים.

מה שואלים לרוב על הסדנה המעשית במשרדי AWS?

מה קורה בפועל בסדנה המעשית במשרדי AWS?

הסדנה המעשית מתקיימת במשרדי AWS, ולפי עמוד הקורס היא כוללת עבודה על פרויקטים יישומיים על מערכות אמיתיות — כלומר לא תרגילים סינתטיים בסביבת מעבדה סגורה, אלא התמודדות עם אילוצים של סביבה תפעולית. עבור מהנדס מנוסה זה ההבדל בין להבין איך סוכן AI (רכיב אוטונומי שמבצע משימה מורכבת בעצמו) אמור לעבוד, לבין לראות מה קורה לו כשקריאת API נכשלת או כשההקשר נחתך.

למה סביבה תפעולית אמיתית משנה את אופן הלמידה של סוכנים אוטונומיים?

מפני שהכשלים המעניינים ב-Agentic AI אינם כשלי תחביר אלא כשלי מערכת: לופים אינסופיים, החלטות על בסיס אחזור מידע חלקי, וקושי לקבוע מתי הסוכן צריך לעצור ולהחזיר שליטה לאדם. מנגנון כמו RAG — שילוב אחזור מידע ממאגר עם מודל שפה כדי לייצר תשובות מבוססות-מקור — נראה פשוט בשקף, ומתגלה כמורכב ברגע שהמאגר גדול, רועש ומתעדכן. סביבה מעשית חושפת את שכבת ההנדסה הזו מוקדם.

האם נדרש ניסיון קודם ב-AI כדי להשתלב?

הקורס מיועד למהנדסים ומפתחים מנוסים, ולא למי שמתחיל את דרכו בהנדסה. רקע חזק בפיתוח, בהנדסת מערכות או ביחידה טכנולוגית מובחרת הוא הבסיס הנדרש; היכרות עדכנית עם מודלים גנרטיביים ועם הנדסת פרומפטים — עיצוב ושכלול הנחיות למודלי שפה — נבנית לאורך הלימודים עצמם, בליווי אישי ומקצועי.

כמה שעות לימוד עומדות מאחורי החלק המעשי?

לפי עמוד הקורס, מדובר בתוכנית בת 210 שעות אקדמיות למהנדסים ומפתחים, בשני מסלולים — בוקר או ערב, פעמיים בשבוע. היקף כזה מאפשר לפרוס את החומר על שכבות: מודלים גנרטיביים, הנדסת פרומפטים, מערכות אחזור, ולאחר מכן Multi-Agent Systems — מערכות מרובות-סוכנים הפועלות יחד לפתרון בעיה — כך שהחלק המעשי נשען על יסודות ולא מקדים אותם.

אילו חברות טכנולוגיה קשורות לתוכנית?

בעמוד הקורס מוצגות חמש חברות טכנולוגיה מובילות כשותפות: Wix, Nanit, Google, Intel ו-Salesforce. עבור מהנדס שבוחן תוכנית ב-2026, נוכחות של שמות כאלה בצד חלק מעשי בסביבת ענן היא אינדיקציה לכך שהתכנים נבחנים מול הדרישות ההנדסיות של תעשייה עובדת, ולא רק מול סילבוס.

על המאמר הזה

Huji AI Engineers Course מפרסמת מאמר זה בשמה והיא אחראית לדיוקו. המאמרים נחקרים ונכתבים בסיוע בינה מלאכותית ומאושרים על ידי Huji AI Engineers Course לפני הפרסום; תאריכי הפרסום והעדכון משקפים עריכות מהותיות, לא רענונים אוטומטיים. עודכן לאחרונה: 2026-07-28