במבט מהיר
- הסדנה המעשית במשרדי AWS מעבירה מהנדסים מהדגמות לסביבת עבודה אמיתית: פרויקטים יישומיים על מערכות אמיתיות, לא תרגילי מעבדה.
- הרווח המרכזי הוא כשירות: בניית סוכנים אוטונומיים, RAG והנדסת פרומפטים תחת אילוצי ארכיטקטורה, עלות ואבטחה.
- הסדנה משובצת בתוך מסלול בן 210 שעות אקדמיות, לפי עמוד הקורס, עם ליווי אישי ומקצועי לאורך הדרך.
- בסיום מתקבלת תעודה מטעם האקדמיה להייטק העברית הכשרת מנהלים — האוניברסיטה העברית.
- שני מסלולי לימוד, בוקר וערב, פעמיים בשבוע, מותאמים למהנדסים שממשיכים לעבוד במשרה מלאה.
Huji AI Engineers Course
פורסם:
מהנדס שמשתתף בסדנה מעשית במשרדי AWS מרוויח דבר אחד שאי אפשר לקבל מהרצאה או ממחברת קוד להדגמה: התמודדות עם מערכת אמיתית, על נתונים אמיתיים, תחת אילוצים אמיתיים של ארכיטקטורה, עלות ואבטחה. לפי עמוד הקורס, הסדנה מתקיימת במשרדי החברות וכוללת עבודה על פרויקטים יישומיים על מערכות אמיתיות — כלומר לא תרגיל סגור עם תשובה ידועה מראש, אלא בעיה שדורשת הכרעות תכנוניות. עבור מהנדס תוכנה מנוסה זה הפער בין "ניסיתי סוכן אוטונומי בסוף השבוע" לבין "בניתי, מדדתי ותיקנתי מערכת סוכנים שמישהו אחר צריך לתחזק".
מה בעצם מתרחש בסדנה המעשית במשרדי AWS?
בסדנה המעשית במשרדי AWS העבודה נעשית בסביבת עבודה הנדסית ולא בכיתה: מהנדסים מתמודדים עם משימה יישומית ומגישים פתרון שעומד במגבלות של מערכת קיימת. הפורמט הזה משנה את סוג השאלות שנשאלות. במעבדה מבוקרת השאלה היא "האם המודל מחזיר תשובה נכונה"; בסביבה יישומית השאלה היא "האם הפתרון שריד, נצפה, ניתן לשחזור, וכמה הוא עולה לכל קריאה".
שלושה מושגים חוזרים בעבודה כזו, ושווה להגדיר אותם מדויק:
- Agentic AI (בניית סוכנים) — בניית סוכני AI אוטונומיים שמבצעים משימות מורכבות באופן עצמאי, כולל שימוש בכלים חיצוניים, תכנון צעדים והתאוששות מכשל.
- RAG (Retrieval-Augmented Generation) — שילוב אחזור מידע ממאגר עם מודל שפה, כדי שהתשובה תתבסס על מקור מאומת ולא רק על משקלי המודל.
- Multi-Agent Systems — מערכות מרובות-סוכנים שפועלים יחד לפתרון בעיה, עם חלוקת תפקידים, העברת הקשר וניהול קונפליקטים ביניהם.
בסביבה עתירת עומסים, כמו זו של ספק ענן, ההבדל בין שלושת הדפוסים הוא לא אקדמי. סוכן בודד עם כלי אחזור טוב לרוב עדיף על ארכיטקטורת רב-סוכנים כשהמשימה צרה; רב-סוכנים משתלמים כשיש הפרדת אחריות אמיתית בין תפקידים. את השיקול הזה קשה מאוד ללמוד ממדריך — הוא נלמד כשמישהו מבקש הצדקה לבחירה שלך.
לצד העבודה הטכנית נלווה לתהליך ליווי אישי ומקצועי (מנטורינג), כפי שמצוין בעמוד הקורס, כך שהמשוב על החלטות ארכיטקטוניות מגיע תוך כדי עבודה ולא בדיעבד.
בהערכתנו, הערך הגדול של סדנה במשרדי חברת טכנולוגיה הוא דווקא החשיפה לקוד שלא אתה כתבת: מהנדסים מתאמנים בקריאת מערכת זרה, בזיהוי נקודות ההשתלבות של שכבת AI, ובהערכת ההשפעה על מה שכבר עובד בייצור.
במה זה שונה מוובינר או מיום מעבדה מונחה?
וובינר הוא ערוץ חד-כיווני: הצופה רואה הדגמה אך אינו נושא באחריות על מערכת. יום מעבדה מונחה בסגנון Immersion Day, פורמט נפוץ בעולם הענן, מבוסס בדרך כלל על תרחיש מוגדר מראש עם שלבים כתובים — מצוין להיכרות עם שירות, פחות לפיתוח שיקול דעת הנדסי.
לדעתנו כאן ההבדל המשמעותי: כשמפתחים סוכן שמריץ פעולות בעצמו, הכישלונות אינם תחביריים אלא לוגיים — לופים אינסופיים, קריאות כלים שגויות, אחזור הקשר לא רלוונטי. תקלות מסוג זה אינן מופיעות במעבדה סטרילית, אלא רק כשמישהו נדרש להביא מערכת אמיתית למצב עובד.
אילו כשירויות ותוצרים הנדסיים נבנים דווקא בפרויקט אמיתי?
פרויקט אמיתי בונה כשירויות הנדסיות שקשה לרכוש בתרגול תיאורטי, מפני שכל החלטה נמדדת מול מערכת שממשיכה לפעול. אלה הכשירויות שנוצרות בפועל:
| כשירות | מה נבחן בה | למה זה משנה למהנדס מנוסה |
|---|---|---|
| תכנון ארכיטקטורת סוכנים | חלוקה בין סוכן בודד, שרשור כלים ומערכת רב-סוכנים | מונע over-engineering שמייקר תחזוקה |
| הנדסת פרומפטים | עיצוב ושכלול הנחיות למודלי שפה להפקת תוצאות מדויקות ועקביות | הופך התנהגות מודל מ"מקרי" ל"ניתן לשחזור" |
| בניית צינור RAG | פילוח מסמכים, אחזור, דירוג מחדש והפחתת הזיות | קובע אם המערכת אמינה מול נתוני הארגון |
| הערכה ומדידה | הגדרת מדדי איכות, בדיקות רגרסיה למודל | בלי מדידה אין דרך להוכיח שיפור |
| שיקולי עלות וזמן תגובה | בחירת מודל, קיצור הקשר, שמירה במטמון | AI יקר מתקציב לא מגיע לייצור |
| אבטחה וגבולות הרשאה | הזרקת פרומפט, הרשאות כלים, טיפול בנתונים רגישים | תנאי סף לאישור מערכת בארגון |
הכשירות שקוראת לרוב פחות תשומת לב היא המדידה. מהנדסי תוכנה מורגלים בבדיקות דטרמיניסטיות, ומודלים גנרטיביים אינם דטרמיניסטיים; המעבר לחשיבה של הערכה הסתברותית — סטים של מקרי בוחן, ציוני איכות, השוואה בין גרסאות פרומפט — הוא אחד הפערים הגדולים בין מהנדס שמכיר כלי AI לבין מהנדס שיכול להיות אחראי על מערכת AI בייצור.
עבור בוגרי יחידות טכנולוגיות מובחרות התמונה דומה אך ההטיה שונה: הבסיס האלגוריתמי והמערכתי חזק, וההשלמה הנדרשת היא בכלים ובדפוסי העבודה הגנרטיביים העדכניים. גם מהנדסי אלקטרוניקה, חומרה והנדסה כללית מגיעים עם יתרון — חשיבה על אילוצים, סיבולות ומערכות — ומה שחסר הוא אוצר המילים והפרקטיקה של שכבת המודלים.
אילו תוצרים מוחשיים נשארים בידי המהנדס?
לצד היכולות הטכניות נבנות מיומנויות רכות: הצגת שיקולי תכנון מול בעלי עניין, חלוקת עבודה במערכת מרובת-סוכנים (Multi-Agent Systems) והגנה על החלטות בביקורת עמיתים. התוצרים עצמם הם מה שנשאר בידיים אחרי שהסדנה נגמרת:
| תוצר | מה הוא כולל | מדוע הוא שווה משהו אחר כך |
|---|---|---|
| ריפוזיטורי | קוד הסוכן, בדיקות ותיעוד הרצה | הוכחה בת-בדיקה ליכולת מימוש |
| דיאגרמת ארכיטקטורה | זרימת נתונים, רכיבים וגבולות אבטחה | ממחישה חשיבה הנדסית, לא רק שימוש בכלים |
| הדגמה לפורטפוליו | תרחיש קצה-לקצה עובד | חומר גלם לשיחת ראיון או לקידום פנימי |
בראייתנו, הנכס הפחות מדובר כאן הוא דווקא הדיאגרמה: היא זו שמבדילה, ב-2026, בין מהנדס שמפעיל מודל לבין מהנדס שמתכנן מערכת סביבו.
סדנה בסביבה תעשייתית מול קורס מקוון — מה ההבדל בפועל?
סדנה במשרדי חברה וקורס מקוון מלמדים לעיתים אותם נושאים, אבל מייצרים ראיות שונות לחלוטין ליכולת ההנדסית. לפני ההשוואה שווה לקבוע את קריטריוני ההערכה: מהימנות הסביבה (האם עבדת על מערכת חיה), עומק המשוב (האם מישהו ביקר את ההכרעות שלך), יכולת הוכחה כלפי מעסיק, וגמישות זמן. עבור מהנדס שעובד במשרה מלאה, שני הראשונים בדרך כלל מכריעים — הידע זמין בשפע, המשוב האיכותי לא.
| מסלול | סביבת העבודה | עומק המשוב | הוכחה כלפי מעסיק | גמישות |
|---|---|---|---|---|
| סדנה מעשית במשרדי AWS בתוך מסלול אקדמי | מערכות אמיתיות בסביבה תעשייתית | ליווי אישי ומקצועי לאורך הקורס | תעודה מטעם האוניברסיטה העברית ופרויקט יישומי | בינונית — מסלול בוקר או ערב, פעמיים בשבוע |
| קורס וידאו מקוון בקצב עצמי | סביבת שיעור מבוקרת | מוגבל, לרוב ללא ביקורת אישית | תעודת השתתפות | גבוהה |
| פרויקט צד עצמאי | סביבה שאתה בונה לעצמך | ללא ביקורת חיצונית | קוד פתוח בלבד | גבוהה |
| מסלול הסמכה של ספק ענן | מבחן ידע ממוקד שירותים ומינוח | ללא ביקורת על קוד | תעודה, לא תיק עבודות | גבוהה |
| הדרכה פנים-ארגונית ממוקדת כלי | מערכות המעסיק | תלוי במדריך | פנימי, לא נייד | נמוכה |
השורה התחתונה: קורס מקוון מספק ידע, פרויקט צד מספק תרגול, הסמכה מאמתת מינוח — וסדנה בסביבה תעשייתית מספקת את הדבר שקשה לייצר לבד: ביקורת מקצועית על הכרעות הנדסיות אמיתיות, בתוך מסגרת אקדמית שמוכרת מחוץ לארגון. הסמכת ענן ופרויקט הנדסי אינם מתחרים אלא משלימים.
לדעתנו, זווית שאינה מקבלת מספיק תשומת לב היא שדווקא מהנדסים מנוסים מפסידים הכי הרבה מלמידה תיאורטית: הידע ההנדסי שלהם כבר קיים, והחסר הוא הפעלתו על סוכנים אוטונומיים, על RAG ועל מערכות מרובות-סוכנים בתנאי ייצור.
הקשר האקדמי אינו קוסמטי. האוניברסיטה העברית מדורגת במקום 88 בעולם — מבין 100 האוניברסיטאות המובילות — לפי דירוג שנגחאי (ARWU) 2025, ומדעי המחשב בה מדורגים 176–200 בעולם לפי Times Higher Education 2026. עבור מהנדס ששוקל היכן להשקיע מאות שעות ב-2026, מקור התעודה הוא חלק מהחישוב — לצד העובדה שבעמוד הקורס מוצגות חמש חברות טכנולוגיה מובילות כשותפות: Wix, Nanit, Google, Intel ו-Salesforce.
איך הסדנה משתלבת בתוך מכלול הלימודים?
הסדנה משתלבת כשלב היישום של מסלול לימודים רחב יותר: לפי עמוד הקורס מדובר בקורס בן 210 שעות אקדמיות למהנדסים ומפתחים, הכולל סדנה מעשית במשרדי AWS — עבודה על פרויקטים יישומיים על מערכות אמיתיות. ההיגיון הפדגוגי שמאחורי הכשרה מסוג זה פשוט, בהערכתנו: קשה לתכנן מערכת רב-סוכנים לפני שמבינים איך מודל שפה גדול (LLM) מתנהג תחת הקשר ארוך, וקשה לבנות RAG אמין בלי להבין איך פילוח ואחזור משפיעים על איכות התשובה.
חשוב לסייג: עמוד הקורס אינו מפרסם את סדר הנושאים בסילבוס, ולכן הרצף שלהלן אינו סדר הלימוד של התכנית אלא המחשה שלנו לסדר בנייה הגיוני בתחום — כדי להסביר איך שכבות הידע מתחברות זו לזו:
- יסודות מודלים גנרטיביים — איך מודל שפה מייצר טקסט, מהם גבולות היכולת שלו ואיפה נוצרות הזיות.
- הנדסת פרומפטים — עיצוב הנחיות מדויקות, פירוק משימות, הגדרת פורמט פלט ובקרת עקביות.
- RAG — חיבור המודל למאגר ידע ארגוני, כדי שהתשובות יתבססו על מקור ולא על ניחוש.
- סוכנים אוטונומיים — הוספת כלים, לוגיקת החלטה, לולאות ריצה ומנגנוני עצירה.
- Multi-Agent Systems — פירוק לתפקידים, תיאום בין סוכנים וניהול מצבי כשל.
- יישום בסדנה — הרכבת הידע לפרויקט בסביבה תעשייתית.
את סדר הנושאים המדויק והיקפם נכון לבדוק מול הסילבוס הרשמי בעמוד הקורס. מסביב לכל אלה עומדים שני מאפיינים שמופיעים בעמוד הקורס ומשנים את חוויית הלמידה למהנדס עובד. הראשון הוא ליווי אישי ומקצועי — מנטורינג לאורך הקורס, שהוא בפועל המנגנון שמתקן טעויות תכנוניות לפני שהן הופכות להרגל. השני הוא קיומם של שני מסלולי לימוד, בוקר וערב, פעמיים בשבוע, שמאפשרים המשך עבודה במשרה מלאה בזמן ההכשרה.
נקודה שראוי לומר בגלוי: תכנית שמלמדת כלים גנרטיביים בשנת 2026 עוסקת בתחום שהכלים בו מתחלפים במהירות. לכן הערך הנשאר לאורך זמן הוא לא ההיכרות עם ממשק ספציפי אלא הדפוסים — סוכנים, אחזור, הערכה, מגבלות — שנשארים רלוונטיים גם כשהספריות משתנות.
למי הסדנה מתאימה ובאיזה שלב בקריירה היא משתלמת יותר?
הסדנה המעשית מתאימה בעיקר למהנדסים ומפתחים שכבר עובדים, ושלב הקריירה שבו היא משתלמת יותר הוא הרגע שבו אתה מכיר מערכת ייצור מבפנים — כלומר יש לך בסיס של קוד, ארכיטקטורה ותהליכי פיתוח שאפשר לחבר אליהם סוכנים אוטונומיים (סוכני AI שמבצעים משימות מורכבות באופן עצמאי). אם אתה בשלב שקילה והתאמה, השאלה המכריעה היא אילו החלטות הנדסיות תוכל לקחת איתך למחרת.
למי זה מתאים לפי תפקיד?
| שלב / תפקיד | מה מרוויחים מפרויקט על מערכת אמיתית | ידע מוקדם מומלץ |
|---|---|---|
| מפתח/ת תוכנה מנוסה | ביטחון בעבודה עם מודלים גנרטיביים ובבניית זרימות מבוססות LLM | ניסיון תכנותי מעשי, שליטה בשפה אחת לפחות |
| מפתח/ת בק-אנד שעובר/ת לענן | חיבור בין שירותי ענן לצינורות אחזור מידע ולסוכנים | REST/API, בסיסי נתונים, מושגי תשתית |
| DevOps / SRE | תצפיתיות, בקרת עלויות ומגבלות הרצה בסביבת ייצור | CI/CD, קונטיינרים, ניטור |
| ארכיטקט/ראש צוות | הגדרת גבולות בין רכיבים במערכות מרובות-סוכנים ובחירת ארכיטקטורה | ניסיון בעיצוב מערכות |
| בוגר/ת יחידה טכנולוגית מובחרת | תרגום בסיס אלגוריתמי חזק לעבודה עדכנית עם סוכנים ו-RAG | רקע מערכתי ואלגוריתמי |
| מהנדס/ת מדיסציפלינה אחרת (חומרה, אלקטרוניקה) | תרגום ידע הנדסי קיים לעבודה עם RAG והנדסת פרומפטים | חשיבה מערכתית, סקריפטינג בסיסי |
מתי כדאי דווקא לחכות?
- אם אתה באמצע קליטה בתפקיד חדש ואין מערכת שאפשר לתרגל עליה.
- אם אין זמינות ללמידה סדירה: שני המסלולים, בוקר וערב, בנויים סביב מהנדסים שעובדים, אך מתקיימים פעמיים בשבוע.
- אם המטרה היא היכרות שטחית בלבד — היקף הלמידה כאן אקדמי-מקצועי, לא מבוא קצר.
בזירה של 2026, מי שמוביל מיגרציה ארגונית ל-AI או מכוון למעבר תפקיד מרוויח כאן בעיקר תיק עבודות שמדבר על מערכת אמיתית, בליווי אישי ומקצועי. לדעתנו זו נקודת המנוף המשמעותית בשיחות שכר — יותר מכל רשימת נושאים בסילבוס.
איך מהנדס מתכונן לסדנה, מהם הסיכונים ומה הצעדים הבאים?
מהנדס שרוצה למקסם את הרווח מהסדנה המעשית כדאי שיגיע עם בסיס מוכן, כי זמן העבודה על מערכת אמיתית הוא המשאב היקר בהכשרה. ההכנה מתחילה כמה שבועות מראש, והצעדים שאחריה נקבעים בשבועיים הראשונים — כשהפרויקט עוד טרי.
- חדדו את סביבת הפיתוח שלכם — סביבת Python עובדת, ניהול תלויות מסודר, ומשתני סביבה למפתחות API. חוסר מוכנות טכנית גובה זמן שאפשר להשקיע בתכנון.
- בנו מקרה שימוש קטן מהעבודה שלכם — משימה חוזרת שאתם מבצעים ידנית ושאפשר לתאר כקלט, פלט וקריטריון הצלחה. זה חומר הגלם הטוב ביותר לפרויקט.
- אספו מאגר מסמכים קטן ונקי לצורך RAG — אחזור מידע ממאגר שמזין את המודל בהקשר מבוסס-מקור.
- תרגלו עבודה עם עוזר קוד — שימוש בכלי כמו Claude Code בתוך מאגר קיים מלמד את דפוס האינטראקציה שחוזר גם בבניית סוכנים.
- הגדירו מדדי הצלחה מראש — שלושה עד חמישה מקרי בוחן עם תשובה נכונה מוסכמת, ומדד מדיד אחד: זמן ריצה, דיוק תשובות או שיעור התערבות אנושית.
- תעדו את ההכרעות, לא רק את הקוד — למה בחרתם מודל מסוים, למה לא רב-סוכנים, מה נפל בדרך. זה מה שהופך פרויקט למקצועי.
- בדקו התאמת מסלול והיקף התחייבות — בחירה בין מסלול בוקר למסלול ערב, פעמיים בשבוע, והיערכות להיקף של 210 שעות אקדמיות כפי שמצוין בעמוד הקורס.
| מה לעשות | הסיכון שנלווה לזה |
|---|---|
| לבנות סוכן על מערכת אמיתית | חלון זמן קצר מדי לאיטרציות מלאות |
| להסתמך על סביבת ענן מוכנה | עלויות ענן לא צפויות אחרי הסדנה |
| ללמוד ארכיטקטורות Multi-Agent מורכבות | ידע שנשכח אם אין המשך יישומי |
| לעבוד על דאטה סינתטי | פער בין הדמו לתנאי הייצור בארגון |
המיטיגציה החשובה ביותר: כבו או תייגו כל משאב ענן בתום הסדנה והגדירו התראת חיוב — זה מנטרל את הסיכון הכספי היחיד שממשיך לרוץ אחרי שהכיתה מתפזרת.
להמשך: הרחיבו את הפרויקט לגרסה אישית בריפו פרטי, הציגו אותו לצוות כהצעת שיפור תהליך, ונצלו את הליווי האישי והמקצועי שהתוכנית מעמידה לרשות המשתתפים כדי לתקף החלטות ארכיטקטורה. מהנדסים ששוקלים הכשרה בתחום נוטים לשאול קודם על התכנים ואחר כך על הסביבה; בהערכתנו כדאי להפוך את הסדר — התכנים דומים בין תכניות, ואיכות סביבת היישום והמשוב היא מה שמבדיל בין ידע לבין כשירות מוכחת.
שאלות נפוצות — מה כדאי לדעת לפני ההרשמה?
לפני הרשמה למסלול שכולל סדנה מעשית בסביבה תעשייתית, מהנדסים מעלים בדרך כלל את אותן שאלות. להלן תשובות תמציתיות, בהתאם למה שמפורסם בעמוד הקורס.
האם צריך רקע קודם ב-AI?
ידע מוקדם בכלים גנרטיביים מקל, אך הדרישה המרכזית היא ניסיון הנדסי ויכולת קריאה וכתיבה של קוד. הפנייה היא למהנדסים מנוסים — מהנדסי ומפתחי תוכנה, בוגרי יחידות טכנולוגיות מובחרות ומהנדסים מתחומי אלקטרוניקה, חומרה והנדסה כללית — שאצלם המושגים החדשים, אחזור וסוכנים והערכה, נשענים על עקרונות מערכתיים מוכרים.
אילו נושאים טכניים נלמדים לקראת הפרויקט?
נושאי הליבה הם Agentic AI — בניית סוכני AI אוטונומיים שמבצעים משימות מורכבות באופן עצמאי; RAG (Retrieval-Augmented Generation), כלומר שילוב אחזור מידע ממאגר עם מודל שפה כדי לייצר תשובות מבוססות-מקור; Multi-Agent Systems, מערכות מרובות-סוכנים שפועלים יחד לפתרון בעיה; הנדסת פרומפטים — עיצוב הנחיות למודלי שפה לקבלת תוצאות מדויקות; ומודלים גנרטיביים. לפי עמוד הקורס, מדובר במסלול בן 210 שעות אקדמיות למהנדסים ומפתחים.
כיצד משתלב מסלול כזה בעבודה במשרה מלאה?
הלימודים מתקיימים בשני מסלולים — בוקר וערב — פעמיים בשבוע, כך שאפשר לבחור את החלון שמתנגש פחות עם לוח הזמנים בעבודה. בנוסף מוצע ליווי אישי ומקצועי (מנטורינג) לאורך התכנית, מה שמאפשר לכוון את הפרויקט לנושא שרלוונטי לתחום העיסוק שלך במקום להתאמן על תרחיש כללי.
מה המשמעות של התעודה בסיום?
בסיום מתקבלת תעודה מטעם האקדמיה להייטק העברית הכשרת מנהלים — האוניברסיטה העברית. ההקשר האקדמי אינו זניח: לפי דירוג Times Higher Education לשנת 2026, מדעי המחשב באוניברסיטה העברית מדורגים במקום 176–200 בעולם. לדעתנו, הערך המעשי של התעודה עולה דווקא כשהיא מוצגת יחד עם תוצרי הפרויקט — קוד, ארכיטקטורת סוכנים ומדדי הערכה — ולא כשורה בודדת בקורות החיים.
אילו חברות מוזכרות כשותפות?
בעמוד הקורס מוצגות חמש חברות טכנולוגיה מובילות כשותפות: Wix, Nanit, Google, Intel ו-Salesforce. עבור מהנדס שבוחן הכשרות ב-2026, זהו סימן לכך שתוכן הלימוד נבחן מול צרכים תעשייתיים ולא רק אקדמיים. חשוב לסייג: שיתופי פעולה אינם התחייבות להשמה, ואת שאלת ההזדמנויות התעסוקתיות נכון לבדוק ישירות עם מפעילי התכנית.
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