בפוסט קודם שלי כתבתי על פותרנים לבעיות אופטימיזציה או Optimization Engines או Solvers. אבל השארתי את כל הסיפור של שפת התכנות שבאמצעותה מפעילים את הפותרן המתאים לבעיה. החיבור למנועי האופטימיזציה מתבצע בעזרת שפות מידול או ממשקי תכנות ייעודיים. הכי טוב כשיש API ברור ואפשר פשוט לבחור את הפותרן הרצוי ולתת לו את מה שהוא צריך וזהו. הבחירה בשפת התכנות משפיעה על מהירות הפיתוח והנוחות בכתיבת המשוואות המתמטיות. היא גם משפיעה על כמה קל או קשה להבין מה קורה ואיך להתמודד כשדברים לא הולכים

מנועי אופטימיזציה הם כלי תוכנה או אלגוריתמים שמשמשים לפתרון בעיות מורכבות של קבלת החלטות, במטרה למצוא את הפתרון הטוב ביותר מתוך קבוצה של אפשרויות. מי שצריכים להשתמש יודעים והבעיות שמנועים כאלה שימושיים בשביל להתמודד עמן, גם ידועות ונפוצות. יש מי שמשתמש במילה פותרן / Solver במקום לקרוא לזה מנוע. המטרה של סקירה זו היא לפרוס את ההיצע הקיים ולהציע קווים מנחים לבחירת הכלי המתאים בהתאם לסוג הבעיה, התקציב ושפת התכנות. הבחנה מרכזית אחת בעבודה עם מנועים היא בין רישוי מסחרי לבין קוד פת

סביבת הפעילות העסקית והטכנולוגית כיום מתאפיינת בתלות ובקישוריות גבוהה, שמובילה לסיכונים שונים להתלכד ולהתמזג למערכת איומים מורכבת. בעבר, נהוג היה לנהל סיכונים באופן מבוזר, כאשר מחלקות שונות בארגון טיפלו בנפרד בסוגיות של אבטחת מידע, רציפות תפעולית, שרשראות אספקה וציות לרגולציה. מודל מבודד שכזה מתקשה לספק מענה לאיומים מודרנים, שטיבם לייצר תגובת שרשרת ולהשפיע על מספר מערכות ששלובות זו בזו במקביל. אחד הביטויים למגמה הזאת הוא שינוי התפיסה ביחס לסיכוני סייבר, שאינם נבחנים יותר בהיב

רן לוי מעושים היסטוריה ( Ran Levi ) הסביר בסרטון מדוע אסור לחלק באפס. הקישור לסרטון בתגובה הראשונה. עצם הניסיון מעורר הערכה וכל הכבוד לרן על כך. יחד עם זאת, אני חושב שההסבר מבלבל בין הגדרות, לתוצאות, לאקסיומות. למשל, כפל כחיבור חוזר של ערכים שווי גודל זאת הגדרה ולא חוק. חוק החילוף בכפל הוא אקסיומה במבנים אלגבריים אבל תוצאה אם בונים את החשבון באמצעות אקסיומות פאנו. עם זאת, בסרטון של רן לוי יש התייחסות לעקביות וזה יפה. סה"כ זה נושא שאוהבים להתחמק ממנו או לקשקש בקומקום ורן התאמץ

נתפסתי לאוסף אמירות/הכרזות/הצהרות של סונדר פיצ'אי על עתיד ה-AI. המעבר המהיר מאזהרות נקודתיות על תמחור יתר ובועת AI להכרזה על תקציב פיתוח חסר תקדים של 185 מיליארד דולר בשנת 2026, הרגיש לי קצת מוזר אז ניסיתי להבין והרושם הוא שהאסטרטגיה הולכת לכיוון של אינטגרציה בין חומרה למתמטיקה. ההחלטה להכפיל את תקציב תשתיות ה-AI ולנתב 15 מיליארד דולר להקמת ה-Full-stack AI hub בהודו, ממצבת את גוגל כחברת תשתיות גלובלית. ההודאה שגוגל פועלת תחת מגבלות אספקה משמעותה שמוצרי חזית טכנולוגית, כמו Veo

איך מתמודדים בעולם עם הצורך ההולך וגובר בחישובים ובמה שאלה תלויים בו? אני רואה כמה צירים וכמה כיוונים של השקעות ופיתוחים: 1. חומרה, חוות שרתים ואנרגיה. ההשקעות והפיתוחים כאן הן בטווח המיידי והבינוני כדי לראות ערך ולהשתמש. המירוץ הנוכחי מונע כמעט כולו מהדרישות של בינה מלאכותית יוצרת (GenAI) ואימון מודלי שפה ענקיים ואפילו ההרצה שלהם. ענקיות הענן משקיעות עשרות מיליארדי דולרים ברכישת מעבדים ובהקמת חוות שרתים עצומות. צוואר הבקבוק המרכזי שהתגלה הוא אנרגיה. חוות השרתים הללו דורשות

בהמשך לדיון על פוסט שלי על משפטים של נקודות שבת, רציתי לדבר על הכללות. סולומון לפשץ היה מתמטיקאי אמריקאי ממוצא יהודי-רוסי, חי בין השנים 1884–1972, ואחת הדמויות המשפיעות ביותר במתמטיקה של המאה ה-20. הוא נולד במוסקבה, גדל בפריז, והיגר לארה"ב שם עבד תחילה כמהנדס. בגיל 23, איבד את שתי ידיו ואת אמותיו בתאונת עבודה בשנאי חשמלי. לאחר השיקום, כשהוא נעזר בידיים תותבות, החליט לשנות כיוון למתמטיקה עיונית. הוא הפך לאחד האבות המייסדים של הטופולוגיה האלגברית, טבע את המונח טופולוגיה, ופרסם

נקודת שבת היא מושג מתמטי שמתאר מצב שבו פונקציה משאירה ערך מסויים בדיוק כפי שהוא. כלומר, עבור הפונקציה f, נקודת השבת x מקיימת את המשוואה f(x)=x. למשפטי נקודת שבת יש ערך בהבנה שלנו וביכולת התיאור שלנו של העולם הפיזיקלי, הכלכלי והטכנולוגי שלנו. שניים מהמשפטים המפורסמים והחשובים בתחום הם משפט נקודת השבת של בנך ומשפט נקודת השבת של בראואר. אף על פי ששניהם עוסקים באותו רעיון בסיסי, הם שונים מאוד בדרישות שלהם, בתוצאות שהם מספקים, ובאופן שבו אנו משתמשים בהם. המשפט של המתמטיקאי הפולני

מרחב הילברט הוא כלי העבודה המרכזי עבור מדענים וחוקרים בתחומים שבהם נדרש שילוב בין גיאומטריה לאינסוף. הוא מאפשר להם למדוד מרחקים וזוויות בין דברים שאינם נקודות במרחב הפיזי, אלא פונקציות או מצבים מופשטים. מרחב הילברט שימושי לתיאור המציאות בשביל פיזיקאים קוונטים: כל חלקיק או מערכת קוונטית מיוצגים כווקטור בתוך המרחב הזה. הוא מאפשר לחשב הסתברויות, אנרגיות וספין של חלקיקים. מתמטיקאים שימושיים באנליזה פונקציונלית משתמשים במרחבי הילברט כדי לחקור תכונות של פונקציות. הם נעזרים בו כדי ל

קראתי את התוכן המקודם שכותרתו "משתמשים בסוכני AI בשביל לכתוב קוד? יש סיבה שזה לא עובד לכם" שפורסם בגיקטיים לפני כשבועיים. נטען ש-מהפכת ה-AI בפיתוח תוכנה נכשלת כרגע ברוב הארגונים, משום שהם מנסים להלביש מנוע סילון על עגלה וסוסים. הכותב טוען כי השימוש ב-AI כמשלים קוד הוא שולי, והמהפכה האמיתית טמונה בשינוי מודל העבודה ל-AI-Driven SDLC, בו סוכני AI מנהלים את התהליך משלב הרעיון ועד הבדיקות, כשהאדם מתפקד כארכיטקט ומבקר. קישור למאמר: https://www.geektime.co.il/effective-ai-driven-sdl

ארגונים שמטמיעים טכנולוגיות AI נדרשים להתמודד עם אתגרים שחורגים מהיבטים משפטיים ורגולטוריים. Mathematic.ai מציעה שירותי AI Governance aמבוססים על דיסציפלינות הנדסיות, מתמטיות וארכיטקטוניות. השירות מתמקד בבניית תשתית טכנית המבטיחה את אמינות המודלים, יציבותם ועמידתם בסטנדרטים של שקיפות ובקרה. השירות נשען על ניסיון מעשי בפיתוח מערכות מורכבות ומשלב שלושה יסודות מקצועיים: הגנה התנהגותית וארכיטקטורת אבטחה - הגישה שלנו מתייחסת למודלי AI כרכיבי תוכנה שחשופים למניפולציות ולשימוש לרע

המעבר מסטארטאפ קטן שבו כולם מתקשרים באותו חדר (ממש או באותו ערוץ בסלאק) לחברה של עשרות מפתחים ומעלה מחייב שינוי תפיסתי. משילות היא לא ביורוקרטיה מעכבת, אלא בדיוק התשתית שמאפשרת לארגון להמשיך לרוץ מהר בלי להתרסק ולהיחשף לסיכונים מיותרים. מנהל טכנולוגיות ראשי שמתעקש לאשר אישית כל שינוי קוד או כל ספק חדש, למעשה פוגע ביכולת החברה לצמוח. בניית תהליכי עבודה מבוזרים, אני לא יודע לטעון ששקיפות של סיכונים טכנולוגיים מול הדירקטוריון, ותהליכי בקרה אוטומטיים הם היום תנאי סף למשקיעים בסבב

שוק ה-M&A, המיזוגים והרכישות, העולמי חווה תנודות עצומות בשנים האחרונות, כאשר בשנת 2024 הגיע היקף הפעילות העולמית לסכום חסר תקדים של 3.4 טריליון דולר, שמהווה עלייה משמעותית של 12% בהשוואה לשנה שקדמה לה. חרף הזרמת ההון המסיבית לשוק זה, מחקרים עדכניים חושפים כי בין 70% ל-90% מכלל המיזוגים והרכישות נכשלים בהשגת היעדים האסטרטגיים והפיננסיים שהוגדרו להם מראש. כישלונות אלו אינם נובעים לרוב מחוסר כדאיות כלכלית תיאורטית, אלא מאתגרים טכנולוגיים ותפעוליים סמויים שהתגלו מאוחר מדי, לעיתי

מאמר של פיליפ טאנור על KYA. https://www.linkedin.com/feed/update/urn:li:activity:7431947041423114240/ ו-פה https://deepchecks.com/know-your-agent-strengths-weaknesses-report/ מעניין ומפתיע. המושג KYC משמש להכרת הלקוחות (החיצוניים) אז הנחתי ש-KYA ישמש להכרת Agents חיצוניים. אבל ב- Deepchecks מכוונים להכרה של Agents פנימיים, הארגוניים. אין התיימרות לתחליף מודרני לסוכנים של KYC הפיננסי, שזה מה שציפיתי והנחתי 🙂 אז מה ה-KYA של Deepchecks לא מתיימר לעשות? הוא אינו כלי לאימות זהוי

1 month ago • Visible to anyone on or off LinkedIn כרגיל, מאמר שווה התייחסות של ד"ר אורי איתי Uri Itai, Ph.D (קישור בתגובה הראשונה). אז מה אומר אורי? התפיסה לפיה "נתונים טובים ומדויקים יותר מובילים לתוצאות טובות יותר" עלולה להוות סכנה של ממש לפרטיות, במיוחד בתחומים רגישים כמו רפואה. אנונימיזציה מסורתית אינה מספיקה. הסרת פרטים מזהים ישירים כמו שם, כתובת או תעודת זהות יוצרת תחושת ביטחון שקרית. אורי מספר על K-Anonymity ביחד עם t-closeness ועם I-diversity. זה טוב וזה מספיק לרג

במשך שנים, חברת ביטוח ישיר (9,000,000) הריצה קמפיין בכיכובה של שני כהן ודמותו של סוכן הביטוח הנהנתן והמיושן, שוקה. הפרסומות הציגו את סוכני הביטוח כמי שגוזרים קופונים על חשבון הלקוחות, נוסעים ברכבי יוקרה ואוכלים במסעדות פאר, בעוד שהלקוח יכול לחסוך כסף אם יעבור לביטוח ישיר. לשכת סוכני הביטוח בישראל לא מצאה את זה מצחיק. סוכני הביטוח נפגעו עמוקות מההצגה שלהם כנהנתנים ומיותרים. העלבון היה כה גדול, שב-2012 הלשכה פתחה במאבק משפטי ארוך ומתוקשר נגד החברה. הטענה הייתה שהקמפיין הוא לשון

1 month ago • Visible to anyone on or off LinkedIn אני אוהב את הפרסומים של אורי ( Uri Itai, Ph.D ) כי הוא לוקח מקרים מהחיים ומראה איך מתמטיקה שימושית באה לידי ביטוי. אני גם אוהב את הגישה שלו בפרסומים שהוא מתנתק מהאופנה ומהבאז של אותו הרגע ושם דגש על הזדמנויות וכשלים כמו גם על טעויות נפוצות. המאמר: https://medium.com/@uriitai/from-tanks-to-tokens-how-a-wwii-statistics-trick-powers-modern-cyber-defense-11ed79639eb7 פה מדבר אורי על הזדמנות שנוצלה באמצעות שימוש באי שיוויון צ'ביצ'

מתמטיקאי מחקר ופיתוח בע"מ Mathematic.ai https://matheamtic.ai מספקת שירותים של מחקר אלגוריתמי יישומי, מדע נתונים ויעוץ אסטרטגי ויישומי בנושאים של בינה מלאכותית, סוכנים, למידת מכונה גם לצורכי הוכחת התכנות וגם בכל הקשור לתפעול בסביבות production: פריסה, מדידה, הערכה, עדכונים ושיפורים. יש לנו ניסיון רב עם יזמים ועם חברות הזנק וגם עם תאגידים בתחומים מגוונים כולל רפואה, מערכות בריאות, פינטק, IOT, תעשייה, מסחר וסייבר. יזמים, בכירים בתאגיד או משקיעים שצריכים ייעוץ בנושאי AI, GenAI,

ארגונים שמטמיעים טכנולוגיות AI נדרשים להתמודד עם אתגרים שחורגים מהיבטים משפטיים ורגולטוריים. Mathematic.ai מציעה שירותי AI Governance a מבוססים על דיסציפלינות הנדסיות, מתמטיות וארכיטקטוניות. השירות מתמקד בבניית תשתית טכנית המבטיחה את אמינות המודלים, יציבותם ועמידתם בסטנדרטים של שקיפות ובקרה. השירות נשען על ניסיון מעשי בפיתוח מערכות מורכבות ומשלב שלושה יסודות מקצועיים: הגנה התנהגותית וארכיטקטורת אבטחה - הגישה שלנו מתייחסת למודלי AI כרכיבי תוכנה שחשופים למניפולציות ולשימוש לר

שוק ה-M&A, המיזוגים והרכישות, העולמי חווה תנודות עצומות בשנים האחרונות, כאשר בשנת 2024 הגיע היקף הפעילות העולמית לסכום חסר תקדים של 3.4 טריליון דולר, שמהווה עלייה משמעותית של 12% בהשוואה לשנה שקדמה לה. חרף הזרמת ההון המסיבית לשוק זה, מחקרים עדכניים חושפים כי בין 70% ל-90% מכלל המיזוגים והרכישות נכשלים בהשגת היעדים האסטרטגיים והפיננסיים שהוגדרו להם מראש. כישלונות אלו אינם נובעים לרוב מחוסר כדאיות כלכלית תיאורטית, אלא מאתגרים טכנולוגיים ותפעוליים סמויים שהתגלו מאוחר מדי, לעיתי