תחום ה-FinOps אינו רק אוסף של כלים לניהול רכש, אלא שינוי תרבותי ותפעולי המחבר בין צוותי הנדסה, עסקים וכספים. המטרה היא לאזן בין עלות, ביצועים, שיפור מתמיד וחדשנות. אבולוציה מניהול ענן לניהול הוצאות טכנולוגיה תחום ה-FinOps מתפתח הרבה מעבר לאוסף של כלים לניהול רכש, ומהווה שינוי תרבותי ותפעולי המחבר בין צוותי הנדסה, עסקים וכספים במטרה לאזן בין עלות, ביצועים וחדשנות. התחום עובר בהדרגה מניהול עלויות ענן לניהול הוצאות טכנולוגיה מקיף, כאשר הכלים המובילים עוברים מדיווח פסיבי לאופטימי

ב מאמר שפרסם במדיום יותם מנור הוא טען שמנהלים אוהבים קידוד מבוסס סוכנים יותר מאשר המהנדסים. הוא מציג שתי סיבות עיקריות לכך: הסיבה הצינית והאופנתית היא שמנהלים מסתנוורים מההבטחות למהירות פיתוח פנטסטית ויכולים להתגאות בשילוב AI בארגון, בעוד שהמהנדסים נאלצים להתמודד בפועל עם ההשלכות של קוד מרושל. אבל ישנה גם סיבה עמוקה ומרכזית יותר והיא שהמעבר לעבודה עם AI מציב אתגרים חדשים עבור מהנדסים, אשר למעשה זהים לאתגרי הניהול הקלאסיים. האתגרים הללו כוללים: לקיחת בעלות על קוד שהם לא כתבו

המוטיבציה אחד החלוצים בחשיבה על מטריצות דלילות היה הכלכלן הארי מרקוביץ', שלימים זכה ב פרס בנק שוודיה למדעי הכלכלה לזכרו של אלפרד נובל ב-1990. בשנת 1957, בזמן שעבד במכון המחקר RAND, הוא ניסה להריץ מודלים מתמטיים של תכנון לינארי כדי להוכיח את תיאוריית תיקי ההשקעות שלו. המחשבים של אותה תקופה, שפעלו עם כרטיסי ניקוב, פשוט קרסו ולא הצליחו להכיל את מטריצות הענק הנדרשות. מרקוביץ' שם לב שהמטריצות שמייצגות את הכלכלה היו ברובן ריקות. כדי שיוכל להתקדם במחקרו הכלכלי, הוא נאלץ לפתח בעצמו

ביקשתי מכמה כלי AI לבצע עליי מחקר עמוק באינטרנט בכל הקשור לפטנטים שרשומים על שמי ולסכם מהעולה מהי תרומתי ומה משמעותה. לא נדעתי בסיכום של הסיכומים שהכין ג'מיני פרו. התוצאה לפניכם. תרומתו של שלמה יונה לתחומי התקשורת והגנת הסייבר בחברת F5 מתאפיינת בשינוי פרדיגמה יסודי בארכיטקטורת ניהול הרשתות: מעבר ממערכות אבטחה סטטיות המבוססות על חתימות ידועות מראש, למערכות פרואקטיביות, מבוזרות וחכמות הנשענות על מודלים התנהגותיים וסטטיסטיים. עבודתו הפכה את מנגנוני ניהול התעבורה (ADC - Applicati

לשלמה יונה יש קשר עמוק ומתמשך לחינוך בכלל ולחינוך מתמטי בפרט, הן ברמת העשייה המעשית עם תלמידים, מורים-גננות והורים והן ברמת תפיסה פדגוגית עקרונית. מתוך הניתוח של פרסומיו, עולה תפיסה שרואה ברצף הלמידה הרמוניה אחת מתמשכת. החל מטיפוח החשיבה הכמותית בגיל הרך, דרך עיצוב התפיסה המרחבית והגיאומטרית בבית הספר היסודי, ועד להכשרת מדעני נתונים בתעשיית ההייטק, בכל השלבים הללו יונה מזהה את אותם עקרונות פעולה. הוא מדגיש את הצורך בבניית תשתית אוריינית, הבנה מתוך התנסות חושית, יצירת לומד עצמ

רכב ליסינג מעורב יותר בתאונות דרכים והנהגים בליסינג משתוללים יותר? נכון? אז לא נכון! נתוני עשור מלמ"ס ורשות הלאומית לבטיחות בדרכים, הלוא היא ה-רלב"ד, שמעודכנים לשנים 2023-2025, מראים כי רכבי ליסינג מעורבים בפחות תאונות דרכים עם נפגעים בהשוואה לחלקם היחסי בצי הרכב, למרות נסועה, קילומטראז', שגבוהה בכ-80% מרכב פרטי. הממצאים מצביעים על כך שגיל הרכב הצעיר, עד 3 שנים, תחזוקה מוסדרת, ומערכות בטיחות אקטיביות מתקדמות הופכים את רכבי הליסינג לבטוחים יותר, בעוד רכבי חברה בבעלות תאגידית י

חברת הסטארט-אפ Delve, שפעלה בתחום האוטומציה של תהליכי ציות ואבטחת מידע, נמצאת במרכזו של סקנדל חמור שהתפרץ במרץ 2026. החברה, שנחשבה להבטחה גדולה וזכתה לגיבוי מ-Y Combinator ולשווי של כ-300 מיליון דולר, מואשמת בזיוף שיטתי של דוחות אבטחה והונאת לקוחות ומשקיעים. פרשת Delve העלתה לפני השטח את השאלה המטרידה: האם המסר המרכזי הוא שאי אפשר יותר לסמוך על בעלי מקצוע? וחשוב מכך, אם האמון העיוור מת, האם על כל מנכ"ל, מנהל או אדם פרטי להפוך למומחה סייבר כדי לבדוק את בודק החדירות, למשפטן כדי

אלגוריתם Randomized SVD או בקיצור RSVD הוא אחת מפריצות הדרך החשובות ביותר באלגברה לינארית נומרית בשני העשורים האחרונים. הוא פותר את אחת הבעיות הכבדות ביותר בלמידת מכונה וניתוח נתונים: איך מוצאים את הערכים העצמיים והווקטורים העצמיים החשובים ביותר של מטריצות ענק, בזמן סביר ובלי לקרוס מחוסר זיכרון. כדי להבין אותו, נפרק את הבעיה, את המוטיבציה האלגברית, ואז את השלבים של האלגוריתם. מדוע צריכים RSVD? פירוק לערכים סינגולריים, SVD, קלאסי לוקח מטריצה A מסדר m × n ומפרק אותה ל: A = UΣVᵀ

בפוסט הזה הבעיה שאנו מנסים לפתור היא חישוב או הערכה של עקבה (טרייס) של מטריצה גדולה מאוד A, כאשר אין לנו גישה ישירה לאיברי המטריצה, אלא רק יכולת לבצע מכפלות מטריצה-וקטור. הבה נבין את המוטיבציה האלגברית מאחורי כל אחת מהשיטות, שלב אחר שלב. מהי עקבה ומה המשמעות שלה? העקבה של מטריצה ריבועית A מוגדרת כסכום איברי האלכסון שלה: Tr(A) = Σ Aᵢᵢ (i=1 to n) המשפט היסודי של עקבות קובע שהעקבה שווה לסכום הערכים העצמיים של המטריצה: Tr(A) = Σ λᵢ (i=1 to n) בפיזיקה, בסטטיסטיקה ובלמידת מכונה, למ

אלגברה ליניארית נומרית רנדומלית, Randomized Numerical Linear Algebra, או בקיצור RandNLA הוא תחום מחקר שמשלב אלגברה ליניארית, מדעי המחשב וסטטיסטיקה, שמטרתו לפתור בעיות גדולות מאוד של אלגברה ליניארית בצורה מהירה ויעילה יותר מאלגוריתמים מסורתיים. במקום לחשב פתרון מדויק שדורש זמן ומשאבי מחשוב עצומים, RandNLA משתמשת באקראיות כדי לייצר סקיצה של הנתונים, שמהווה קירוב טוב מאוד של הבעיה המקורית. עקרונות המפתח של RandNLA צמצום מטריצות גדולות למטריצות קטנות יותר שמייצגות את המידע החיוני

ב-23 במרץ פרסם קורן גסט בבלוג של Monday Engineering מאמר בשם The Death of model.fit(): What Data Scientists Actually Do in the Age of AI Agents. קראתי והנה הניסיון שלי להגיב לטענות שעולות מהטקסט. נחשפתי לפוסט מדיון בקבוצה של מובילים בלמידת מכונה בישראל. טענתי שם ש-אני גם מתרשם שהיכולת להעריך נכון מערכת בכלל ומערכת לומדת בפרט ומערכת לומדת שאינה דטרמיניסטית עוד יותר.... היא נמוכה מאוד עד לא קיימת. המודעות העצמית לגבי יכולת ההערכה היא מה שמשתנה מאוד בין הארגונים. וגם ש-לא שקשה ל

שיטת האצ'ינסון היא טכניקה אלגנטית שמבוססת על אלגוריתם אקראי, שנועדה להעריך את העקבה של מטריצה. כדי להבין את היופי והכוח של השיטה, נפרק אותה למוטיבציה, אינטואיציה מתמטית ושימושים פרקטיים. מה המוטיבציה ולמה אנחנו צריכים את זה בכלל? העקבה של מטריצה ריבועית A בגודל n × n מוגדרת כסכום איברי האלכסון שלה: Tr(A) = Σ Aᵢᵢ. אם המטריצה קטנה או נתונה לנו מפורשות בזיכרון, החישוב הוא פשוט ודורש חישוב ליניארי ביחס לגודל המטריצה. הבעיה מתחילה בשני תרחישים נפוצים בעולמות הבינה המלאכותית, הנתונ

בפוסט קודם שלי הצגתי גישת סינון מקדים המשלבת בין המהירות והיעילות של SGD with Momentum לבין הדיוק מסדר שני של AdaHessian. הרעיון נשמע מבטיח על הנייר: נרוץ מהר עם SGD כברירת מחדל, ורק כשההתכנסות נתקעת באזורים בעייתיים כמו עמקים צרים או נקודות אוכף, נפעיל את AdaHessian לחילוץ. זה עובד מעולה במקרים מסויימים ולא עובד להיט או שבכלל קורס ולא עובד במקרים אחרים. למקרה המסויים שלשמו נבנתה האסטרטגיה היא עובדת מצויין ואולי יום אחד תהיה לי החירות לספר על המקרה ולמה דווקא שם זה עובד ונהד

בפוסט הזה נעסוק באופטימיזציה מונחית-הקשר. כיצד נבצע האצת ביצועים על ידי שילוב חכם בין SGD ל-AdaHessian בפתרון בעיות אופטימיזציה. בעולם אימון המודלים, אנחנו נמצאים לעיתים קרובות במאבק מתמיד בין מחשוב לבין התכנסות. מצד אחד, אלגוריתמים מסדר ראשון כמו SGD with Momentum הם זולים ומהירים לחישוב, אך נוטים להיתקע באזורים בעייתיים של מרחב הפתרונות, כמו נקודות אוכף או אזורים בעלי עקמומיות קיצונית. מצד שני, אלגוריתמים מסדר שני, ובראשם AdaHessian, מספקים תמונת מצב מדויקת להפליא של עקמומי

בסקירה זאת אציג בקצרה את מפת הדרכים של מנועי האופטימיזציה הנפוצים, מסודרים לפי פופולריות ושימוש בשטח. הפופולריים ביותר המלך הבלתי מעורער כיום הוא Adam: Adaptive Moment Estimation. הוא ברירת המחדל כמעט לכל פרויקט למידה עמוקה בזכות המהירות והעובדה שהוא דורש מעט מאוד כיוונון ידני. גרסה משופרת של Adam, עם טיפול נכון יותר ב-Weight Decay, הוא ה-AdamW. הוא הסטנדרט הנוכחי לאימון מודלי שפה גדולים וטרנספורמרים. : המנוע הבא פופולרי מאוד בראייה ממוחשבת, זהו SGD with Momentum. הוא דורש יו

מודלי התמחור המרכזיים בשוק חברות נדרשות לבחור או לשלב בין מספר גישות תמחור: תמחור לפי משתמש: המודל המסורתי בו משלמים רישיון קבוע לכל עובד שמשתמש במערכת. לפי הפרסום, מודל זה מאבד רלוונטיות מכיוון שסוכני AI מסוגלים לבצע עבודה אוטונומית שמייתרת את הצורך בריבוי משתמשים אנושיים. תמחור מבוסס-צריכה: תשלום ישיר על עלויות העיבוד, לרוב נמדד בטוקנים של קלט ופלט או שעות עיבוד. מודל זה מגן על הספק מהפסדים על שימוש חריג, אך פוגע בוודאות התקציבית של הלקוח. המודל ההיברידי: הגישה השלטת כיו

מחקר אלגוריתמי יישומי הוא מונח שמורכב משלושה היבטים משלימים: א. ההיבט המחקרי : הגדרת מטרות, פיתוח מתודולוגיית מחקר ויישומה, הגדרה ובנייה של שיטות הערכה הולמות, איסוף נתונים ועיבודם, בניית אלגוריתמים/מודלים ושיפורם, וכמובן הסקת מסקנות. ב. ההיבט האלגוריתמי : שימוש בכלי מדעי המחשב, שיטות חישוביות, מבני נתונים ואופטימיזציה לפתרון הבעיה. ג. ההיבט היישומי : התאמת הפתרון למציאות תוך התחשבות באילוצים עסקיים, כלכליים, משפטיים ותפעוליים; ובלוחות זמנים זריזים ומהירים. השילוב של השלושה מ

אז לכבוד חג הפסח וההגדה של פסח שקראנו אתמול ניסיתי ללקט בעיות חשבוניות שמופיעות ולנסות להציג אותן ולהתייחס אליהן. מצאתי אחת. סדרת הדרשות של רבי יוסי הגלילי, רבי אליעזר ורבי עקיבא חידה חשבונית בהגדה של פסח לאחר מניית עשר מכות מצריים ההגדה מביאה את דבריהם של שלושה חכמים, רבי יוסי הגלילי, רבי אליעזר ורבי עקיבא, שמתפלמסים בשאלה: כמה מכות באמת ספגו המצרים במצרים, וכמה על ים סוף? רבי יוסי הגלילי משתמש ביחס. במצרים הכתוב מתאר את המכות כאצבע אלוהים. ההגדרה שלו היא ש- 10 מכות = אצבע א

קראתי את הפוסט הארוך שכתבו בבלוג של בלוק וגם של סקויה, הפעם על AI כאמצעי לניהול אנשים בארגון. התיזה היא שכדי לשלוט באלפים, נוצרו שכבות ניהול. תפקידו העיקרי של דרג הביניים, היה תמיד לנתב מידע, לאסוף נתונים מלמטה, לעבד אותם, ולהעביר החלטות מלמעלה. החיסרון המובנה של השיטה הוא שריבוי שכבות מאט את זרימת המידע ואת מהירות התגובה של החברה. הניסיון הוא לבטל את ההיררכיה ע"י העברת תפקיד ניתוב המידע מהמנהלים ל-AI באמצעות: א. מודל עולם של החברה, מאחר שהחברה פועלת מרחוק, כל פעולה מתועדת די

שי סגל התייחס לפוסט שלי ובו ה ניסיון להסביר את אופן הפעולה של TurboQuant מנקודת מבט של תורת האינפורמציה. https://www.mathematic.ai/post/%D7%94%D7%A1%D7%91%D7%A8-%D7%9E%D7%91%D7%95%D7%A1%D7%A1-%D7%AA%D7%95%D7%A8%D7%AA-%D7%94%D7%90%D7%99%D7%A0%D7%A4%D7%95%D7%A8%D7%9E%D7%A6%D7%99%D7%94-%D7%A9%D7%9C-turboquant ההערה שלו בלינקדאין פה https://www.linkedin.com/feed/update/urn:li:activity:7443641641980264448?commentUrn=urn%3Ali%3Acomment%3A%28activity%3A7443641641980264448%2C74446538