ממדף הספרים | מבוא למודלי שפה גדולי ממדים (LLMs) עקרונות, ארכיטקטורה ויישומים
מאת: פרופ' פרץ שובל
- Book Report
אריה עמית בעזרת ג'מיני
15.10.2026
על המחבר
פרופ' פרץ שובל הוא מבכירי החוקרים והמרצים בארץ בתחום מערכות מידע, ניתוח ועיצוב מערכות מידע, בסיסי נתונים ואחזור מידע. הוא ייסד את המחלקה להנדסת מערכות מידע באוניברסיטת בן-גוריון ועמד בראשה שנים רבות. לאחר פרישתו מהאוניברסיטה הצטרף למכללה האקדמית נתניה והקים בה את בית הספר למערכות מידע שהוא עומד בראשו.
על הספר
פרופ' שובל מציג בספר גישה מערכתית שאינה "מדריך למשתמש בצ'אט", אלא ניתוח עומק של הנדסת מערכות LLM. הספר מיועד בעיקר, אך לא רק, לסטודנטים במערכות מידע ומדעי המחשב, אנשי תוכנה ומנהלים טכנולוגיים שרוצים להכיר את המנגנונים שמתחת ל"מכסה המנוע".
הספר מורכב מ-15 פרקים (380 עמודים). שני הפרקים הראשונים מציגים הקדמה על בינה מלאכותית והתפתחותה ההיסטורית, ובכלל זה בינה מלאכותית סימבולית (symbolic AI), למידת מכונה (machine learning), רשתות עצביות (neural networks) ולמידה עמוקה (deep learning). שני הפרקים באים ממשיכים מלמידה עמוקה למודלי שפה גדולי ממדים (MML) שאבני היסוד שלהם הם טוקנים(tokens) וייצוגם הסמנטי באמצעות וקטורים של מספרים (embeddings) שנלמדים מתוך כמות אדירה של נתונים טקסטואליים.
פרק 5 מציג את ה"מנוע" העיקרי של מערכות LLM - ה-Transformer. זוהי ארכיטקטורה שהומצאה בשנת 2017 ע"י קבוצת חוקרים מ-Google שאפשרה את בנית המערכות האלה. בעיקרון, ארכיטקטורה זו מאפשרת ללמוד את המשמעות והקשרים בין מילים (למעשה tokens) בתוך משפטים, והיא משמשת הן ללימוד/בנית המודל והן ליצירת תשובות לשאילתות (prompts) של המשתמשים.
בעקבות זאת, פרק 6 מתאר את תהליך האימון (training) של מודל על סמך כמות אדירה של נתונים טקסטואליים, ופרק 7 מתאר את תהליך ההסקה (inference) שבו המשתמש מציג שאילתה/ בקשה והמערכת באמצעות שכבות רבות של מנגנון ה-transformer – מציגה את התשובה בשפת המשתמש.
הפרק הבא עוסק בשאלות של "הבנה": איך מערכת LLM יכולה להבין וליצור טקסטים, לספק נימוקים (reasoning), ליצור קוד מחשב ועוד. דגש מיוחד ניתן לבעיית "הזיות"(hallucinations) והאם ניתן למנוע אותן. בהמשך, פרק 9 סוקר יישומים של LLM בתחומים שונים ובהם הוראה, הנדסת תוכנה, מנהל עסקים, אדמיניסטרציה ושירות לקוחות, בריאות, משפטים, כספים ומחקר מדעי.
פרק 10 עוסק בתשתיות המחשוב(infrastructure) שדורשות מערכות LLM, הן בשלב האימון שלהן והן בשלב ההסקה כלומר האינטראקציה עם המשתמשים.
פרק 11 הוא על ב-prompt engineering, היינו אסטרטגיות לניהול נכון של דו-שיח בין המשתמש למערכת: איך לתת למערכת הנחיות מתאימות כדי לקבל את התשובות המתאימות.
פרקים 12 עוסק בקשר ובאפשרויות השילוב של מערכות LLM במערכות מידע. דגש מיוחד ניתן לאופציית ה-RAG - Retrieval-Augmented Generation - כלומר, אפשרות לשלוף מידע ממאגרים חיצוניים (האינטרנט) או פנים ארגוניים (ידע ארגוני).
פרק 13 עוסק בקשר בין LLM לפיתוח מערכות מידע: איך LLM יכול להשתלב בהגדרת דרישות משתמשים, בניתוח ועיצוב המערכת, בתכנון בסיסי הנתונים, בתכנות, בבדיקות תוכנה ואבטחת איכות, בתיעוד ובתחזוקת המערכת. כן נדון הקשר בין LLM למתודולוגיות פיתוח ולניהול פרויקטים, ולהשפעה אפשרית של LLM על בעלי מקצועות שונים בפיתוח תוכנה.
פרק 14 עוסק בבעיות שנובעות מיישום מערכות LLM, היינו: הגנה על פרטיות, אבטחה, הזיות, נתוני אימון מוטים, שאלות משפטיות וכדומה. פרק הסיום עוסק בהתפתחויות עתידיות.
מסקנות מהספר
חיזוי סטטיסטי לעומת הבנה אנושית: המודל אינו "מבין" או "חורץ דעה" במובן האנושי. כוחו הנובע מחיזוי סטטיסטי רב-ממדי שמאפשר לו להפגין יכולות ניתוח ויצירה מדהימות, אך מחייב זהירות מפני הזיות ושגיאות.
הפרידה מתפיסת ה - "Standalone LLM" מודל שפה כשלעצמו אינו מחליף את בסיס הנתונים הארגוני, את הלוגיקה העסקית או את מנגנוני האבטחה. הערך האמיתי נוצר כשהמודל משולב כרכיב תקשורת ושפה טבעית בתוך מערכת מידע ארגונית מבוקרת.
הכרחיות הגורם האנושי (Human-in-the-Loop): ה-LLM משמש כמאיץ פרודוקטיביות ושותף חשיבה, אך האחריות המקצועית, המשפטית והאתית נותרת תמיד בידי האדם.
אבטחה אינה מואצלת למודל: אבטחת מידע, פרטיות ואכיפת הרשאות גישה אינן יכולות להיבצע על ידי מודל השפה עצמו, אלא על ידי שכבות האפליקציה ובסיסי הנתונים הסובבים אותו.
המלצות
לארגונים ומנהלי מערכות מידע:
אימוץ ארכיטקטורת: RAG להעדיף חיבור המודל למאגרי מידע ארגוניים מעודכנים (RAG) וגישה מבוקרת ל-APIs על פני הסתמכות בלעדית על הידע שנרכש באימון המקדים.
הקמת מנגנוני ממשל תאגידי: (AI Governance) להגדיר מדיניות שימוש מותרת לסווג יישומים לפי דרגת סיכון (נמוך, בינוני, גבוה) ולהבטיח בקרה על מידע רגיש היוצא לשירותי ענן חיצוניים.
אכיפת הרשאות היקפית: לוודא שהמערכת מספקת למודל אך ורק מידע שהמשתמש הספציפי מורשה לראות.
למפתחים ולאנשי הנדסת תוכנה:
אימות ובדיקות עצמאיות: לא להסתמך על כך שהמודל בודק את הקוד של עצמו. יש להחיל בדיקות יחידה (Unit Tests), בדיקות אבטחה וסקירות קוד (Code Review) אנושיות.
שימוש בהנדסת פרומפטים מובנית: להקפיד על הגדרת מטרות, קונטקסט, קהל יעד, אילוצים ופורמט פלט מוגדר בכל פנייה למודל.
למוסדות אקדמיים וחינוכיים:
התאמת תוכניות הלימוד: לשלב הוראה של יסודות מודלי השפה, ארכיטקטורת Transformer והנדסת פרומפטים לצד הקניית מיומנויות חשיבה ביקורתית.
שמירה על טוהר הלמידה: להגדיר הנחיות ברורות לשימוש ב-AI בקרב סטודנטים כדי להבטיח פיתוח יכולות ניתוח עצמאיות.
סיכום ומגמות עתידיות
התחום נע במהירות מ"עוזרי AI" המספקים טקסט, ל"סוכני AI" אוטונומיים המסוגלים לתכנן ולבצע פעולות מורכבות במערכות חיצוניות.
המסר האסטרטגי: הבינה המלאכותית היוצרת אינה "קסם" – היא הנדסה. הבנת העקרונות המדעיים, ממבנה הטוקנים ועד ארכיטקטורת הטרנספורמר, היא שתבדיל בין מנהל שמאמץ כלי מדף לבין מנהל שבונה יתרון תחרותי בר-קיימא. שליטה במושגים כמו RAG וניהול סיכוני אבטחה היא תנאי הכרחי להובלה בעידן מערכות המידע החדש.
תגובות