איך בונים קורס AI לאקדמיה: סילבוס, מטלות ומחוון

קורס בינה מלאכותית לאקדמיה שונה מקורס לארגון בשלושה דברים: הוא ארוך יותר (עד 12 מפגשים במקום 4), המטלות נבדקות ומקבלות ציון, וההערכה חייבת לעמוד בכללי המוסד ולא רק בשאלה ״האם זה עובד״. מה שלא שונה: בסוף הקורס הסטודנטים מציגים מוצר שרץ. במאמר הזה אנחנו מסבירים איך בונים קורס AI לאקדמיה: הסילבוס הסמסטריאלי שאנחנו מלמדים בתוכניות באוניברסיטאות ובמכללות בישראל, שלוש המטלות ומחוון הציון.

מה ההבדל בין קורס בינה מלאכותית לאקדמיה לקורס לארגון?

ההבדל הגדול הוא במה שהמשתתפים מביאים. עובד בארגון מביא תהליך אמיתי מהעבודה שלו. סטודנט בדרך כלל לא. לכן בקורס אקדמי השבועיים הראשונים מוקדשים למציאת בעיה ששווה לפתור, וזה חלק מהקורס, לא הכנה אליו. ההבדל השני הוא הציון: בארגון אף אחד לא נכשל, ובאקדמיה צריך מחוון שאפשר להגן עליו בוועדת הוראה.

קריטריון	קורס לארגון	קורס בינה מלאכותית לאקדמיה
אורך	4 עד 6 מפגשים	12 מפגשים סמסטריאליים, או 6 מרוכזים
משתתפים	10 עד 30 עובדים מאותו ארגון	15 עד 30 סטודנטים, בצוותים של 2 עד 3
הבעיה שפותרים	תהליך מהעבודה	בעיה שהצוות מאתר בשבועיים הראשונים
מטלות	משימה בין מפגשים, בלי ציון	3 מטלות עם ציון והגנה בעל פה
הערכה	האם זה רץ אחרי 30 יום	מחוון של 4 קריטריונים, לפי כללי המוסד
תוצר סופי	אוטומציה או שגרה	מוצר, סוכן או אוטומציה, מוצגים בפני הקורס
חומרים	מותאמים לארגון	סילבוס, רשימת קריאה, מצגות ומחוון למוסד

שני הקורסים נשענים על אותו עיקרון: לומדים לבנות על ידי בנייה. את העיקרון הזה, ואת הכלים שאנחנו מלמדים בו, אנחנו מרכזים במרכז הנושא על בנייה עם AI.

איך בונים קורס AI לאקדמיה: סילבוס סמסטריאלי ל-12 מפגשים

הסילבוס בנוי בארבעה בלוקים של 3 מפגשים. כל בלוק מסתיים במטלה או באבן דרך.

1. מפגשים 1 עד 3: יסודות ובחירת בעיה. מה מודל שפה יודע ולא יודע, הנחיות, הקשר, כלים. במקביל כל צוות מראיין 5 אנשים ומאתר בעיה אמיתית. מטלה 1 בסוף הבלוק: מסמך אפיון של עמוד אחד עם 20 מקרי בדיקה.
2. מפגשים 4 עד 6: אב-טיפוס. בונים עם Claude Code, גם מי שלא מתכנת. מחברים נתונים, טופס, מסד נתונים. בסוף מפגש 6 כל צוות מציג משהו שרץ על 5 מקרים. מי שרוצה להבין איך זה נראה בפועל ימצא דוגמה במאמר על Claude Code למי שלא מפתח.
3. מפגשים 7 עד 9: אוטומציה, סוכנים ובדיקות. מוסיפים n8n לתהליכים שחוזרים, בונים סט בדיקות מלא, מודדים דיוק. מטלה 2: דוח בדיקות על 20 המקרים, עם ניתוח כישלונות ומה שונה בעקבותיהם.
4. מפגשים 10 עד 12: ניטור, אתיקה והצגה. לוג, מדדים, עלויות, מה לא מכניסים למודל, מי אחראי כשהוא טועה. מפגש 12 הוא יום הצגות: 10 דקות לצוות, 5 דקות שאלות. מטלה 3: הפרויקט עצמו, עם הגנה בעל פה.

בפורמט המרוכז של 6 מפגשים (לימודי המשך, תוכניות יזמות) כל בלוק הוא מפגש וחצי, ומטלה 2 מתמזגת לתוך הפרויקט.

אילו מטלות נותנים ואיך מונעים העתקה?

השאלה שכל מרצה שואל: איך בודקים מטלה בקורס שבו השימוש ב-AI הוא הנושא? התשובה שלנו: לא בודקים את הטקסט, בודקים את ההחלטות.

• מטלה 1, אפיון (20% מהציון): עמוד אחד. מה הבעיה, למי, איך נדע שפתרנו, ו-20 מקרי בדיקה אמיתיים. מודל שפה יכול לנסח את העמוד. הוא לא יכול לראיין 5 אנשים, ובהגנה שואלים מה הם אמרו.
• מטלה 2, דוח בדיקות (20%): הרצה של הפרויקט על 20 המקרים, טבלת תוצאות, ניתוח של 3 כישלונות ומה שונה. המספרים ייחודיים לכל צוות, ואי אפשר לייצר אותם בלי לבנות.
• מטלה 3, פרויקט והגנה (60%): המוצר עצמו, הצגה, ו-5 דקות של שאלות על החלטות: למה הכלי הזה, מה היה נכשל אם, מה הייתם עושים אחרת.

ההגנה בעל פה היא המנגנון המרכזי. היא לוקחת 5 דקות לצוות, ובסמסטר עם 10 צוותים זה פחות משעה. סטודנט שבנה יודע לענות. סטודנט שהעתיק לא יודע למה.

איך מעריכים פרויקט AI בציון?

מחוון של ארבעה קריטריונים, שנמסר במפגש הראשון:

• עובד (40%): אחוז מקרי הבדיקה שהפרויקט עובר. 90% ומעלה הוא ציון מלא. מתחת ל-60% הפרויקט לא עובר.
• נמדד ומנוטר (20%): יש לוג, יש מדד אחד לפחות, יש הגדרה של מתי המערכת עוצרת ומעבירה לאדם.
• החלטות (20%): איכות האפיון, בחירת הכלים, מה נפסל ולמה.
• הצגה וביקורת עצמית (20%): האם הצוות יודע להגיד מה לא עובד. צוות שאומר ״הכול מושלם״ מאבד נקודות.

המחוון הזה עבר ועדות הוראה בכמה מוסדות בלי שינויים מהותיים, ואנחנו מתאימים את המשקלים לדרישות של כל מוסד. פרטים על הפורמטים לפקולטות, ללימודי המשך ולתוכניות יזמות יש בעמוד קורס בינה מלאכותית לאקדמיה.

מה דורש הקורס מהמוסד ומה אנחנו מביאים?

מהמוסד נדרשים ארבעה דברים: כיתה עם חשמל ואינטרנט יציב לכל סטודנט, מחשב נייד לכל צוות, חשבונות בכלים (אנחנו שולחים מדריך הקמה 3 שבועות לפני), ואיש קשר אחד בתוכנית שמאשר את המחוון ואת לוח המטלות. תקציב לכלים הוא קטן: 20 עד 40 דולר לצוות לסמסטר, ולרוב המוסד מכסה אותו.

מה שאנחנו מביאים: סילבוס כתוב בפורמט של המוסד, רשימת קריאה מעודכנת לסמסטר (כי חצי ממנה מתיישנת כל שנה), מצגות, המחוון, שלוש המטלות עם דוגמאות, ושעת קבלה שבועית ב-Zoom לצוותים. בסוף הסמסטר המוסד מקבל גם סיכום של מה הסטודנטים בנו, עם מספרים.

מה למדנו מסמסטרים קודמים?

בסמסטר הראשון שלימדנו את הקורס, נתנו לסטודנטים לבחור בעיה בעצמם בלי ראיונות. 6 מתוך 9 צוותים בחרו ״אפליקציה לניהול משימות״. מאז ראיונות עם 5 אנשים הם תנאי למטלה 1, והפרויקטים נראים אחרת: מערכת שמסווגת פניות לעמותה, סוכן שעונה על שאלות תקנון לסטודנטים, אוטומציה לקבלת מועמדים במעבדה.

דבר שני: ציוני המטלה השנייה היו הנמוכים ביותר, כי צוותים ניסו להסתיר כישלונות. שינינו את הניסוח: הציון ניתן על ניתוח הכישלונות, לא על היעדרם. הממוצע עלה, ובעיקר הפרויקטים הסופיים השתפרו, כי צוותים תיקנו מה שמצאו.

ומספר אחד לסיום: במחזור האחרון, 7 מתוך 11 פרויקטים המשיכו לרוץ חודשיים אחרי סוף הסמסטר, אצל האנשים שהצוותים ראיינו בהתחלה. בקורס אקדמי זה המדד שאנחנו הכי גאים בו, כי הוא אומר שמישהו מחוץ לכיתה היה צריך את זה.

רוצים קורס בינה מלאכותית לתוכנית שלכם, עם סילבוס, מטלות ומחוון מוכנים לוועדת הוראה? לקורסים.