קורס מפתחי AI בינה מלאכותית GenAI

• תכנות מונחה־עצמים (OOP) ותכנות מונחה־בדיקות (TDD) - הידע ב-OOP הוא הבסיס הקריטי לבניית מערכות אוטונומיות פנימיות – Frameworks ו-Agentic systems. הלימוד יתמקד בארכיטקטורה של קוד מודולרי, בעקרונות SOLID, בירושה ובכתיבת ממשקים ובמעבר מפונקציה לתוכנה.
  
  מטרת הקורס היא להכשיר מפתחים ומפתחות המסוגלים ליצור קוד (scalable code) קריא וקל לתחזוקה, הדרוש במערכות AI מורכבות.
  
  נושאים נוספים שיילמדו הם תהליך הפיתוח, טיפול בחריגים, debugging, בדיקות יחידה (unit testing) וניהול גרסאות עם Git.
• אינטגרציית AI לתהליך הפיתוח (AI-assisted coding) - הלמידה תשלב שימוש פרקטי ויום־יומי במנועי קוד והשלמה גנרטיביים (כגון Copilot, Claude ו-Gemini). הסטודנטים והסטודנטיות ילמדו לא רק כתיבת קוד, אלא גם ביצוע Review, Debug ו-Refactoring לקוד באמצעות מנוע AI. ההתמקדות היא בהבנה של כתיבת תוכנה פועלת לפי דרישות, במהירות הפיתוח ובכלי פרסום לענן של המוצר המוגמר.

מאגרי המידע והחיבוריות לשירותים נוספים הם חלק חשוב בכל מערכת. קורס זה מעמיק בכלים סטנדרטיים של פייתון לבנייה של שירותי רשת ובשימוש ב־APIs ככלי תקשורת בין מערכות נפרדות, מתוך שמירה על חוסר תלות במימוש הפנימי.

הנושאים הנלמדים:

• יסודות בתקשורת, רשת, REST, HTTP, Json – פרוטוקולים סטנדרטיים ברשת האינטרנט, כיצד REST APIs משמשים ככלי לתקשורת ולהעברת מידע, מהם Microservices וניהול מפתחות ופרוטוקולים של אימות והזדהות (authentication).
• FastAPI Mastery – שימוש ב-FastAPI לבניית ממשקים אסינכרוניים ונקודות קצה פונקציונליות עבור בדיקות תקינוּת (health check, keep alive), שהן קריטיות לניטור המערכת בסביבת אמת (Production); יצירת תיעוד אוטומטי ל־API באמצעות Swagger או Redoc.
• בדיקות תקינות מידע עם Pydantic – בניית שירותים אמינים דורשת אכיפת חוזים עם סכמות מידע קבועות. שימוש בספריית Pydantic עבור ההגדרות של מבנה הנתונים (data validation).
• מסדי נתונים – בסיס SQL לעומת NoSQL, טבלאות ואינדקסים ושימוש בסיסי בשני מאגרי מידע – MongoDB עבור PostgreSQL ו-NoSQL עבור SQL מבוזר.

• כיצד מודלים של AI לומדים חיזוי מידע או ייצורו, וכיצד הם מאומנים ופועלים לשם כך; תהליכי למידה מפוקחת ולמידה לא מבוקרת, פידבק אנושי ותאוריה בסיסית.
• הנדסת פרומפטים (prompt engineering) - כתיבה נכונה של בקשות למודלים שונים, מהם חלקי הפרומפט, איך לקבל פלט בפורמט הנכון ועוד.
• שליטה והשפעה על הפלט של המודל - קביעת פרומפט מערכת, שינוי של ערכי הטמפרטורה של המודל להשפעה על היצירתיות שלו בהחזרת תשובות, קביעת מגבלות על אורך הפלט המקסימלי באמצעות Max Tokens ועוד.
• שימוש מערכתי בפרומפטים - פתרון בעיות בשימוש בשטח וטיפול במקרי קצה, יתרון בעצי מחשבה ובפיצול לפרומפטים קצרים וממוקדים, ניהול גרסאות של המערכת (Git basics) ושימוש בתבניות עם משתנים (placeholders).
• שימוש בידע קיים באמצעות RAG (Retrieval-Augmented Genion) - שימוש במודלים לסיפוק תשובות עובדתיות על בסיס ידע ארגוני קיים והקשר נתון – מרכיב קריטי לשימוש מותאם־חברה. בקורס נלמד כיצד לתכנן ארכיטקטורת RAG, מהו ייצוג וקטורי – הבנת ה-Embeddings ואינדוקס נתונים ב-Vector Stores.

הכרת פלטפורמות חצי־חינמיות (Lovable, Base44) בשילוב Github לפיתוח של ממשקי משתמש (GUI) בצד הלקוח, ושימוש מתקדם בהן; שימוש חדש בצ'אטים שהכרנו כדי לייצר קוד ולנתחו.

נכיר גם דרך לייצור של ממשקי משתמש למפתחי פייתון ללא תלות בצד הלקוח, באמצעות פלטפורמות כגון H2O Wave או Streamlit, המאפשרות פיתוח אפליקציות AI אינטראקטיביות באמצעות פייתון בלבד, מתוך ביטול הצורך במיומנויות HTML, CSS או JavaScript. לאחר בניית הסוכנים (במהלך הסמסטר השני) נלמד לחבר את ממשק המשתמש ל-FastAPI Backend ליצירת אפליקציה שלמה.

היכרות עם פלטפורמות ושימוש בהן ליצירה ולניהול של תהליכי אוטומציה (Make and N8N) – נבין מהם תהליך וטריגר (או אירוע); נלמד להשתמש ב־Webhooks לתקשורת בין תהליכים ואיך לשלב בהם מודלי AI, רשתות חברתיות ושירותים אחרים.

המודל המתקדם ביותר בתוכנית. מכסֶה את הטרנד המרכזי של פיתוח סוכנים אוטונומיים ומערכות אוטונומיות (agentic AI, Frameworks). פיתוח סוכנים באמצעות Frameworks (כגון LangChain, AutoGen ו-Crew-AI) הפך להיות הסטנדרט החדש בבנייה של מערכות AI ניתנות להרחבה.

• הכרת הפלטפורמות הקיימות כיום בשוק Agentic Loop, Tool Calling, Crew-AI, LangChain, AutoGen.
• הבנה של מנגנון הפעולה של סוכני AI, כולל תהליכים מרובי־שלבים; כיצד בונים סוכן אוטונומי רב־שלבי לפתרון בעיה; תכנון (plan), ביצוע (execute), תצפית (observe) והשתקפות (reflect/refinement); הבנה של ניהול זיכרון ומצב (state).
• LangChain – פלטפורמה שתשמש כבסיס ללימוד של עקרונות הניהול.
• Crew-AI ו-AutoGen – פלטפורמות המאפשרות בנייה של מערכות רב־סוכנים (Multi-Agent Systems) מבוססות תפקידים. Crew-AI מספקת את המודל הטוב ביותר לניהול של תהליכי עבודה שיתופיים, ומבטיחה שהבוגרים והבוגרות ידעו לפתור בעיות ארגוניות רב־שלביות; ב-AutoGen מודגמים תהליכי עבודה מבוססי שיחה ושיתוף פעולה בין סוכנים.
• Tool Calling ואינטראקצייה חיצונית – פלטפורמות המאפשרות לסוכנים להפעיל APIs (כלים) חיצוניים חיוניים, כגון גישה למערכת מיזוג אוויר או מערכת מלאי.

פריסת המערכת היא החלק האחרון והקריטי ביותר של מוצר תוכנה שלם. בקורס נלמד על העקרונות הבסיסיים של הענן (compute, storage, network) כפלטפורמה להרחבה (scalability) ואבטחה, שדרכה נוכל להפיץ את המוצר שלנו בעולם הרחב; נלמד לבצע דחיפת קונטיינרים (deployment) לסביבות ענן בסיסיות (למשל ב־Google Cloud Run).

נכיר גם את Docker – פלטפורמה המאפשרת בנייה ואריזה של כל רכיבי המערכת לקונטיינר מוכן להפצה, ופריסת מערכת מלאה לענן. Docker מקצרת באופן משמעותי את מחזור הפיתוח המסורתי ומספקת תשתית אבטחה עקבית שקל לדבג ולנטר. הפריסה בענן היא על גבי GCP או AWS.

כמו כן, נכיר בצורה בסיסית את Docker Compose המיועדת לאריזה של כל רכיבי המערכת ולניהול של סביבת פיתוח מלאה (יכולה לכלול כמה microservices או צד שרת וצד לקוח על אותו קונטיינר).