קורס AI Engineering

About This Course

This course provides an in-depth and practical foundation for becoming an AI Developer. It is designed for technical professionals seeking to build, train, and deploy AI models using real-world tools and frameworks. Participants will explore machine learning, deep learning, and generative AI while developing and deploying intelligent applications using Python, TensorFlow/Keras, and cloud services. The course also emphasizes ethical AI development and prepares learners for real-world integration and deployment.

Audience Profile

This course is intended for:
• Developers and software engineers
• Data scientists and analysts
• Technical professionals interested in AI development
• Individuals aiming to build and deploy AI models in production environments

Course Outline

Module 1: Introduction to AI Development

• AI vs ML vs Deep Learning: Key distinctions
• Overview of AI development lifecycle
• Setting up the AI development environment (Python, Jupyter, Colab) Learning Outcomes:
• Understand AI development stages
• Set up tools for AI development
• Recognize key AI domains and use cases

Module 2: Python for AI Developers

• Essential Python libraries: Numpy, Pandas, Matplotlib
• Data preprocessing and feature engineering
• Exploratory Data Analysis (EDA) for AI models Learning Outcomes:
• Process and analyze data
• Prepare data for model input
• Visualize and interpret datasets

Module 3: Machine Learning Algorithms

• Supervised and Unsupervised Learning (Regression, Classification, Clustering)
• Building ML models with Scikit-learn
• Model evaluation and optimization techniques Learning Outcomes:
• Build ML models from scratch
• Evaluate and optimize ML models
• Select the right algorithm for the problem

Module 4: Deep Learning with Neural Networks

• Neural Networks: Architecture and training process
• Using TensorFlow and Keras to build models
• Applications: Image classification and basic NLP Learning Outcomes:
• Build deep learning models
• Train and evaluate neural networks
• Apply DL models to real-world tasks

Module 5: Natural Language Processing (NLP)

• Text preprocessing, tokenization, and embeddings
• Sentiment analysis and text classification
• Introduction to Transformers (BERT, GPT) Learning Outcomes:
• Process and analyze text data
• Build NLP models
• Utilize pre-trained language models

Module 6: Generative AI and Large Language Models (LLMs)

• Overview of Generative AI and LLMs
• Using OpenAI API and other LLM platforms
• Fine-tuning models for specific tasks Learning Outcomes:
• Understanding LLM capabilities
• Use LLMs for content generation
• Customize AI model outputs

Module 7: Model Deployment and Integration

• Deploying AI models using Flask, FastAPI, and Streamlit
• Creating APIs for AI model access
• Dockerizing AI applications for deployment Learning Outcomes:
• Deploy models as web services
• Create scalable AI APIs
• Package and deploy using Docker

Module 8: AI in the Cloud (AWS, Azure, GCP)

• Overview of AI services in the cloud
• Training and deploying models in cloud environments
• Serverless AI workflows and automation Learning Outcomes:
• Utilize cloud AI tools
• Deploying AI models at scale
• Automate workflows using cloud platforms

Module 9: AI Ethics, Bias, and Responsible Development

• Understanding AI fairness and bias
• Ensuring transparency and explainability
• Ethical deployment of AI models Learning Outcomes:
• Develop responsible AI applications
• Identify and mitigate AI bias
• Implement explainable AI practices

Module 10: Final Project: Full AI Application Development

• Define and scope a real-world AI use case
• Build, train, and deploy an AI solution
• Present and document the end-to-end AI workflow Learning Outcomes:
• Execute a complete AI project
• Integrate AI into an application
• Present AI-driven solutions professionally

Prerequisites

Participants should have:

• Basic programming knowledge (preferably in Python)
• Familiarity with software development concepts
• Interest in AI, data, and building intelligent applications

AI Engineering הוא מקצוע מבוקש במיוחד משום שארגונים כבר לא מחפשים רק היכרות עם AI, אלא אנשי מקצוע שיודעים לקחת צורך עסקי אמיתי ולהפוך אותו לפתרון מוצרי: להבין מה הבעיה, לבחור את הגישה הנכונה, לתכנן ארכיטקטורה, לחבר לנתונים ולמערכות ולהטמיע את הפתרון כך שימשיך לעבוד גם אחרי ההדגמה הראשונית. תפקיד AI Engineer הוא לתרגם את היכולת של מודלים למוצר תוכנה שימושי, עם תהליכים ברורים, יכולת תחזוקה, ובקרה על איכות, אבטחה ועלויות.

עבודה עם LLMs ו-Prompt Engineering מתקדם

בלב העבודה נמצאת שליטה עמוקה ב-LLMs וב-Prompt Engineering מתקדם, זה מה שמבדיל בין מערכת שנותנת תשובות יפות לבין מערכת שמייצרת תוצאות עקביות שאפשר לסמוך עליהן.

במסגרת הלמידה מתמקדים בבניית פרומפטים יציבים ומתוחזקים, עבודה עם תבניות ושכבות הנחיה, שימוש בפלט מובנה כדי להפוך תשובות לנתונים שניתן לעבד ולבדוק וניהול קונטקסט בצורה נכונה כדי לשפר דיוק ולצמצם הזיות. בנוסף שמים דגש על טכניקות לאימות תוצאה, בניית תהליך עבודה רב שלבי ושילוב בקרות שמונעות מצבים שבהם המודל ממציא עובדות או פועל בניגוד למדיניות הארגון.

פיתוח אפליקציות מבוססות סוכנים AI Agents ו-LangChain

השלב הבא הוא מעבר מצ'אט פשוט למערכות מבוססות סוכנים, שבהן המערכת לא רק עונה אלא גם מתכננת, בוחרת פעולות ומפעילה כלים כדי להשלים משימות מורכבות. סוכני AI יכולים לקרוא מסמכים, לשלוף נתונים ממאגרי מידע, להפעיל שירותים פנימיים, לנתח לוגים, להציע צעדי פעולה ולהחזיר תוצאה שמבוססת על מקורות.

LangChain משמשת כמסגרת עבודה שמאפשרת לבנות זרימות כאלה בצורה מסודרת עם כלים, שרשראות עבודה, זיכרון, ותכנון משימות רב שלבי. כחלק מהגישה המודרנית להטמעה ארגונית נלמד גם MCP, שמאפשר לסוכנים להתחבר בצורה עקבית ומבוקרת לכלים ושירותים ארגוניים, כך שניתן להרחיב יכולות במהירות בלי לכתוב אינטגרציה ייעודית מחדש בכל פעם.

הטמעת פתרונות AI בסביבת Production באמצעות MLOps

הדמו הוא רק ההתחלה והאתגר האמיתי מתחיל כשמעלים את הפתרון ל-Production. לכן חלק מרכזי הוא MLOps בגישה שמותאמת לעולם של LLM Apps: ניטור איכות ותפעול, לוגים ומדדים, בדיקות רגרסיה לפרומפטים ולזרימות סוכנים, ניהול גרסאות למודלים ולרכיבי RAG ושיטות לפריסה ושדרוג בלי לשבור את המערכת. מתמקדים גם באבטחה והרשאות, הגנה על מידע רגיש, שליטה בעלויות כמו שימוש בטוקנים, זמני תגובה, קאשינג ומדיניות שימוש לפי תפקידים. המטרה היא שהמשתתפים ידעו לבנות מערכת יציבה שמאפשרת לארגון לעבוד איתה לאורך זמן ולא רק “להתלהב ממנה” בשלב הפיילוט.

קורס מהנדסי AI בעברית

קורס מהנדסי AI מיועד למי שרוצה עומק הנדסי אמיתי והובלה של פרויקטים מורכבים: תכנון ארכיטקטורה מלאה, בניית שכבת ידע עם RAG, פיתוח סוכנים וכלי MCP, חיבור למערכות ארגוניות, ובניית מעטפת Production ברמה מקצועית. 

המסלול שם דגש על תהליך עבודה בדומה בארגון אמיתי, כולל חשיבה על אבטחה, תחזוקה, ניטור, שיפור מתמשך ותוצר שמוכיח יכולת ביצוע. המסלול מתאים למי שמכוון לתפקיד AI Engineer ברמה גבוהה ולמי שרוצה להוביל פתרונות AI בארגון ולא רק להשתלב בפיתוח נקודתי.

קורס מפתחי AI בעברית קורס AI למתכנתים

קורס מפתחי AI מתאים למפתחים שרוצים לשלב יכולות AI במוצרים קיימים בצורה פרקטית ומהירה: להוסיף פיצרים מבוססי LLMs, לבנות endpoints ושירותים, לשלב RAG כדי לחבר את המודל לידע ארגוני, לפתח סוכנים בסיסיים למשימות חוזרות, ולהטמיע את זה במערכת קיימת בצורה נכונה מבחינת אבטחה, ביצועים וחוויית משתמש. 

המסלול מכוון לתוצאות יישומיות, כך שבסיום ההכשרה המשתתפים יודעים לקחת תהליך או צורך קיים בארגון ולשדרג אותו באמצעות Generative AI, בלי להיכנס בהכרח לכל העומק התשתיתי של מסלול מהנדסי AI.

קורס פרונטלי או אונליין – איך מתאים לך ללמוד?

אתם קובעים את מיקום הקורס והמועד ואנחנו נדאג להגיע אליכם (קורס פרונטלי).
קורס אונליין בממשק Teams – במועד המתאים לכם.

שאלות נפוצות

מה לומדים בקורס AI Engineering?

תכנית עשירה תכלול לרוב את הנושאים הבאים (ברמה מעשית):

1. Python for AI למפתחים: עבודה עם API, עיבוד טקסט, מבני נתונים שימושיים, ניהול סביבות עבודה עם מודלי שפה: פרומפטים מתקדמים, קונטקסט, Structured output, evaluation.
2. RAG Retrieval-Augmented Generation: יצירת Embeddings, חלוקת מסמכים ל-Chunks, שליפה (Retrieval) + ריראנקינג (כאשר צריך), ציטוטים / מקורות והפחתת Hallucinations.
3. Vector Databases: אחסון embeddings, אינדוקס, חיפוש סמנטי, אופטימיזציה.
4. בניית סוכני AI Agents: כלים, זיכרון, תכנון-ביצוע-אימות, Workflows.
5. שכבת Production: אבטחה, ניטור, בדיקות, גרסאות, CI/CD, עלויות.
6. אופציונלי לפי מסלול: Fine-tuning ומתי הוא עדיף על RAG; היכרות עם PyTorch / TensorFlow אם נכנסים לעומק מודלים.

למי מיועד קורס הנדסת בינה מלאכותית (AI Engineering)?

הקורס מתאים במיוחד ל:

• מפתחי Fullstack שרוצים לבנות פיצ’רים ומוצרים עם AI.
• מפתחי Backend שרוצים לבנות שירותי AI יציבים ולחבר אותם למערכות ארגוניות.
• אנשי Data (Data Analysts / Data Engineers / Data Scientists) שרוצים להפוך תוצרים ליישומים שמגיעים ל-Production.
• אנשי טכנולוגיה שמובילים אוטומציה ותהליכים ורוצים יכולת ביצוע ולא רק היכרות.

מה ההבדל בין Data Scientist ל-AI Engineer?

• Data Scientist מתמקד יותר בניתוח נתונים, ניסויים, מודלים, מדדים סטטיסטיים ותובנות.
• AI Engineer מתמקד בבנייה והטמעה: APIs, ארכיטקטורה, שילוב במוצר, RAG, Agents, אבטחה, ניטור, גרסאות ו-MLOps.

אפשר לחשוב על זה כך:

• Data Science עוזר להבין ולייצר יכולות מודליות.
• AI Engineering הופך את זה למוצר תוכנה עובד.

האם נדרש ידע קודם בתכנות כדי להצטרף לקורס?

בדרך כלל כן, במיוחד אם מדובר במסלול למפתחים. מומלץ להגיע עם:

• בסיס בכתיבת קוד (פונקציות, תנאים, לולאות, עבודה עם ספריות).
• הבנה בסיסית ב-API ו-HTTP.
• יתרון ל-Python.

אם התכנית מוגדרת כקורס AI למתכנתים, לרוב היא בנויה כך שמפתחים יכולים להשלים פערים במהירות במסגרת הקורס.

אילו כלים וספריות נלמדים במהלך קורס AI Engineering?

תכנית עדכנית תכלול בדרך כלל:

• OpenAI API לעבודה עם מודלי שפה, embeddings וכלים מתקדמים.
• Hugging Face לעבודה עם מודלים פתוחים, embeddings ולעיתים גם fine-tuning.
• Pinecone כחלק מ-Vector Databases (ולפעמים גם חלופות נוספות).
• LangChain לפיתוח Agents, Chains ויישומי RAG.
• לפי עומק המסלול: PyTorch / TensorFlow להבנה ועבודה עם מודלים ברמת ML.

למה ללמוד AI Engineering דווקא בכרמל הדרכה?

כדי לבחור מסלול נכון בהכשרה מקצועית ב-Generative AI, חשוב לוודא שהקורס לא נשאר ברמת "היכרות", אלא נותן יכולת ביצוע. היתרונות של כרמל הדרכה:

• למידה בעברית עם הסברים ברורים ודוגמאות שמדברות "שפת מפתחים".
• דגש חזק על פיתוח אפליקציות AI ולא רק על תיאוריה.
• תרגול של תרחישים מהשטח: RAG ,Agents, אבטחה, ניטור ועלויות.
• מרצים עם ניסיון פרקטי בהטמעת פתרונות AI בארגונים (לא רק ידע אקדמי).
• מסלול שמכוון ל-Production: איך מעלים מערכת, איך בודקים, איך מתחזקים, איך מודדים ערך.