5 כללי זהב לגיוס טאלנטים בעולמות ה-AI

בעמודי “דרושים AI” מתקבלות לעיתים מאות פניות, אך כמות המועמדים אינה מעידה בהכרח על התאמה אמיתית לתפקיד. בעידן שבו כתיבת קו"ח הייטק הפכה למיומנות בפני עצמה, מועמדים רבים יודעים להציג את עצמם היטב על הנייר, אך האתגר האמיתי הוא לזהות מי מהם באמת מתאים לעבודה עם AI.

אם עד היום ניסיון רלוונטי בתפקיד היווה קריטריון מנבא להתאמת המועמד לתפקיד ולהצלחתו, הרי שהבינה מלאכותית משנה את כל זה פשוט כי הטכנולוגיה מתקדמת כל כך מהר שהטאלנטים לא מספיקים לצבור שנות ניסיון רבות בתחום. גם מי שצבר ניסיון ב- LLMs ו-GenAI צריך להיות כל הזמן עם האצבע על הדופק כדי להיות מעודכן בכל החידושים ולהכיר את כל המודלים, ספריות, שיטות עבודה וכלי פיתוח חדשים שמשנים את כללי המשחק וצצים בתכיפות גבוהה מאוד.

אז למה שנות ניסיון לא מספיקות בגיוס אנשי AI? מניסיוננו בתהליכי גיוס AI, כדי לזהות את המועמדים המתאימים מגייסים צריכים לעשות שינוי משמעותי בחשיבה ולהבין שגם מי שלא בהכרח מגיע עם טייטל רשמי של “AI Engineer” , יכול להיות המועמד אותו הם מחפשים.
אז איך מגייסים מדויק בעידן ה-AI? ואיך לא מפספסים טאלנטים בתקופה בה התחרות על כל מועמד היא משמעותית? צוות הגיוס שלנו בגוטפרנדס, חברת השמה להייטק, שגייסו בשנת 2025 לא פחות מ-1,500 מועמדים טכנולוגיים ב-1,000 חברות הייטק וסטרטאפים שונים, כולל חברות AI, זיהה דפוסים חוזרים בקרב מועמדי AI חזקים.

אז מה כדאי לחפש בקורות החיים? זיהינו קריטריונים שחוזרים על עצמם בקרב מועמדים שמצליחים להשפיע באמת:
רקע ב-Data Engineering / MLOps
הבנה והכרות בסיסית לפחות בעולם ה- LLMs
הבנה ב- Cost & Efficiency
הבנה מתמטית וסטטיסטית
סקרנות טכנולוגית ואוטודידקטיות

1. רקע ב-Data Engineering / MLOps
למה חשוב רקע ב-Data Engineering ו-MLOps לתפקידי AI? מודלים שלא מגיעים לפרודקשן אינם מייצרים ערך עסקי, ולכן רקע ב-Data Engineering ו-MLOps הוא קריטי להצלחת פתרונות AI שכן הוא יכול להוציא מודל מהנייר ולהביא אותו לפרודקשן. אחד הפערים השכיחים ביותר שאנו מזהים הוא בין מועמדים שמציגים ניסיון מרשים בקוד או במודלים, לבין כאלה שמסוגלים להוביל פתרון AI מקצה לקצה בסביבת Production. חפשו ניסיון ב:

• עבודה עם תשתיות דאטה מובנות ומנוהלות – מודלים אינם פועלים בסביבה מבודדת, אלא נשענים באופן ישיר על איכות, זמינות ומבנה הנתונים. ניסיון ב-Data Infrastructure מעיד על יכולת לתמוך באימון מודלים איכותי באמצעות דאטה אמין, עקבי ומובנה, ולהבטיח בסיס יציב להפעלת פתרונות AI.
• Pipeline יציב- מועמד עם הבנה בפייפליינים ידע לבנות תהליך אוטומטי ויציב שיחזור על עצמו, זה חשוב משום שהפייפליין הוא שמאפשר להזרים ולעבד את הדאטה בשלבים ברורים, לבצע אימון, בדיקות, ובארגונים מתקדמים גם שלבי Deployment אוטומטיים כחלק מהתהליך.
• יכולת Deployment (Model Serving / Productionization) – הניסיון הזה חשוב משום שהוא מאפשר להעביר את המודל מסביבת פיתוח לסביבת ה-Production, כלומר להפעלה אמיתית בתוך המוצר או המערכת הארגונית. מועמד עם ניסיון רלוונטי ידע להעלות מודלים לפרודקשן באופן מאובטח, סקיילבילי וניתן לניטור ולניהול תקלות, כך שיעמדו בעומסים ובשינויים לאורך זמן. חשוב שלמועמדים יהיה רקע בעבודה עם קוד בפרודקשן לאורך זמן ולא רק POCs.
• Monitoring & Versioning – מומלץ להתמקד במועמדים בעלי ניסיון בניטור וניהול גרסאות, שכן יכולות אלו חיוניות לשמירה על איכות המודל בסביבת Production. ניסיון זה מאפשר מעקב רציף אחר ביצועי המודל וכן אחר איכות הדאטה, יציבות המערכת, זמני תגובה ועלויות, זיהוי מוקדם של data drift, ירידה באיכות החיזויים והופעת דפוסי שגיאה חדשים, וכן ניהול ובקרה על שינויים בין גרסאות המודל לאורך זמן. בתהליכים שביצענו בפועל, זהו אחד ההבדלים המובהקים ביותר בין מועמדים שמציגים ניסיון מרשים לבין כאלה שמצליחים בתפקיד.

לסיכום-
לא מספיק אם יש למועמד:
ניסיון בפיתוח מודלים או עבודה עם דאטה בלבד, ללא הובלה של מודל מקצה לקצה עד סביבת Production
התמקדו ב:
ניסיון מעשי בבניית תשתיות דאטה ו־pipelines יציבים, Deployment, וניטור מודלים בפרודקשן כחלק ממערכת חיה וסקיילבילית.

2. הבנה והכרות בסיסית לפחות בעולם ה- LLMs
הניסיון הזה מעיד על כך שהמועמד ידע לא רק להפעיל מודלים אלא ממש לבנות פתרונות AI שיהיו יעילים, מדויקים ויציבים לטווח הארוך. חפשו איתותים (Signals) חזקים בקורות החיים שמעידים על ניסיון מעשי ולא רק הצהרות:

• Retrieval (RAG)– הניסיון הזה חשוב משום שיישומי LLM רבים בארגונים לא מייצרים מידע חדש מאפס אלא מאחזרים מידע קיים ממקורות פנימיים של החברה, מועמד שמבין RAG ידע לבנות מערכת שמשפרת את רמת הביסוס והאמינות של הפלט כך שניתן יהיה להסתמך עליו בהקשרים עסקיים.
• Prompt Engineering– מועמד שיש לו את היכולת לנסח פקודות באופן שיוביל את המודלים להחזיר תשובות נכונות, מפורטות ועקביות היא חשובה שכן בלעדיה המפתח יתקשה להוציא מהמודל תוצאה איכותית באמת, וכפועל יוצא מכך לא יצליח להפיק מה-LLM תוצאות איכותיות ומדויקות באופן עקבי.
• Fine-Tuning / LoRA– ניסיון זה בעל חשיבות גבוהה במקרים בהם נדרשת התאמה עמוקה של מודלים קיימים לצרכים ספציפיים של הארגון, המוצר וסוגי הדאטה הייחודיים לו. מועמד הבקיא ב-Fine-Tuning וב-LoRA יודע לבצע התאמה מדויקת של מודלים קיימים לדאטה, לשפה ולמשימות העסקיות, תוך שמירה על יעילות תפעולית ואופטימיזציה של משאבי החישוב הנדרשים לתהליך האימון, בין היתר באמצעות שימוש בטכניקות כגון LoRA.
• Latency– מפתח בעל הבנה מעמיקה ב־Latency יכול לסייע לארגון לאזן בצורה מושכלת בין איכות המודל ורמת הדיוק של הפלטים שהוא מספק לבין זמני התגובה של המערכת. יכולת זו קריטית במיוחד במערכות זמן אמת (Real-Time Systems), בהן מהירות תגובה נמוכה מהווה רכיב מהותי בחוויית המשתמש ובתקינות התפעולית של המוצר.
• Conditioning (Context Management)– מדובר ביכולת לשלוט בקונטקסט שהמודלים מקבלים על מנת לייצר תשובות רלוונטיות ועקביות יותר מבלי שיסטו מהנושא, ימציאו מידע ויאבדו רצף בין בקשה לבקשה.
• Tokenization– ניסיון והבנה במנגנוני Tokenization, הקובעים כיצד טקסט מפורק ליחידות עיבוד עבור המודל, הם בעלי חשיבות מהותית. מנגנונים אלו משפיעים באופן ישיר ועקיף על עלויות ההרצה, זמני התגובה, ונפח ההקשר (Context) שהמודל מסוגל לקלוט. בהתאם לכך, לאופן הפירוק לטוקנים קיימת השפעה גם על איכות התוצרים, בשל מגבלות אורך ההקשר והדרך שבה המידע מיוצג ומעובד על ידי המודל.

לסיכום-
לא מספיק אם יש למועמד:
ניסיון שטחי בהפעלת LLMs או שימוש ב-APIs בלבד, ללא הבנה כיצד לבנות פתרון יציב, מבוסס ויעיל סביב המודל.
התמקדו ב:
ניסיון מעשי ב-RAG, Prompting, ניהול קונטקסט, Latency ו-Tokenization, המעיד על יכולת לשלב LLMs בצורה מבוקרת, אמינה וסקיילבילית בתוך מוצר אמיתי.

3. הבנה ב- Cost & Efficiency
הרצת מודלים עשויה להיות יקרה מאוד עבור החברה שלכם, וכפי שעולה מתהליכי השמה שלנו בעולמות ה-AI, חשוב שמפתחים יבינו את המשמעות של העבודה שלהם מבחינת המשאבים הנדרשים וידעו לבחור את המודל הנכון למשימה לא רק מבחינת יכולות טכנולוגיות אלא גם מבחינת עלויות, ולתכנן את המערכת והקוד באופן יעיל, מבלי להתפשר על הביצועים כמובן. בדקו אם המועמד מציין הישגים כמותיים ומדידים ברמה העסקית. כך תזהו זאת בקורות החיים:

• חפשו key words כמו Optimization, Latency Reduction, Token Usage, Model Quantization, Caching, Batching, Inference Optimization, ולעיתים גם Fine-Tuning כאשר יש לו הצדקה כלכלית ברורה.
• הורדת עלויות API או שיפור ה- Latency.

לסיכום-
לא מספיק אם יש למועמד:
ידע טכני חזק בלבד, ללא הבנה של ההשלכות הכלכליות והאופן שבו החלטות פיתוח משפיעות על עלויות ויעילות.
התמקדו ב:
ניסיון מוכח באופטימיזציה מערכתית ובהצגת השפעה מדידה על עלויות, Latency או צריכת משאבים בסביבת Production.

4. הבנה מתמטית וסטטיסטית:
מפתחים יכולים לכתוב קוד מצוין גם בלי ידע בסטטיסטיקה, אך ללא בסיס סטטיסטי הם יתקשו להבין לעומק את התנהגות המודל, לפרש את תוצאותיו ולהסביר את הגורמים המניעים את ביצועיו. יחד עם זאת, לא נדרש בהכרח תואר מתקדם במתמטיקה על מנת להעיד על רמה מתמטית גבוהה או על התאמה לתפקיד AI Engineer. לצורך זיהוי מועמדים מתאימים, מומלץ להתמקד בניסיון המעשי הבא:

• Probability & Statistics- מרבית המודלים המודרניים, ובפרט מודלים מבוססי Deep Learning למשימות חיזוי וסיווג, נשענים על עקרונות סטטיסטיים, אלגבריים ואופטימיזציה כאשר בפועל המודל מעריך הסתברויות לתוצאות שונות הרלוונטיות למשימה. הבנה של התפלגויות סטטיסטיות מאפשרת ניתוח מושכל של פלטי המודל, זיהוי נתונים חריגים (Outliers), איתור תופעות של overfitting, ואף חשיפה של הטיות (Bias) העלולות להשפיע על איכות ואמינות התוצאות
• אלגברה ליניארית– רשתות נוירונים ומודלי Deep Learning מבוססים על חישובים מתמטיים מעל וקטורים ומטריצות. מפתח שאינו שולט במושגים אלו צפוי להתקשות בהבנת האופן שבו המודל מייצג מידע, מבצע חישובים, ומהם הגורמים המשפיעים על ביצועיו. לצורך זיהוי ניסיון רלוונטי, מומלץ לחפש חשיפה למונחים ולפרקטיקות כגון Dimensionality Reduction, Embeddings, אופטימיזציית מודלים, ובפרויקטים מתקדמים גם עבודה עם Vector Databases.
• מדדי הערכה (Evaluation Metrics)– האיכות של מודל AI טוב לא נמדדת תמיד בכך שהוא עובד אלא בכך שהוא מדויק ונמדד בצורה נכונה. מועמדים מתאימים הם אלה שיכירו מדדי הערכה כמו Precision, Recall, F1, Accuracy מול Error, וכן מדדים ייחודיים ל-LLMs כמו BLEU, ROUGE ו-perplexity במשימות יצירת טקסט, ומדדים כמו AUC ו-ROC. אלה הכלים שמראים עד כמה התחזיות של המודל באמת מדויקות, האם הוא פוגע במטרה, מה הוא מפספס ומה איכות התשובות או הטקסט שהוא מייצר בהתאם לסוג המשימה.

לסיכום-
לא מספיק אם יש למועמד:
יכולת פיתוח גבוהה בלבד, ללא הבנה מתמטית סטטיסטית שמאפשרת לפרש תוצאות, להעריך איכות מודלים ולהבין מגבלות והטיות.

התמקדו ב:
ניסיון מעשי בעבודה עם הסתברות, אלגברה ליניארית ומדדי הערכה, המעיד על יכולת לנתח ביצועי מודלים ולקבל החלטות מבוססות נתונים לאורך זמן.

5. סקרנות טכנולוגית ואוטודידקטיות
מדובר בקריטריונים מהותיים בכל תפקיד טכנולוגי, וביתר שאת בעולמות ה-AI, תחום דינמי המתפתח בקצב מואץ. דפוס שחוזר על עצמו בקרב מועמדי AI חזקים הוא היכולת ללמוד טכנולוגיות חדשות באופן עצמאי, מהיר ויישומי, ולא להישען על ידע קיים בלבד. רק טאלנט שמפגין סקרנות מקצועית, עוקב באופן שוטף אחר מגמות, כלים ושיטות חדשות, ויודע לרכוש ידע באופן עצמאי, מהיר ויישומי- באמצעות קריאת מאמרים, ניסויים ו-Deep Dives טכנולוגיים יוכל להישאר רלוונטי לאורך זמן.
לצד זאת, נדרש גם רקע פיתוחי חזק, שכן AI אינו תחום תיאורטי בלבד. הבנה מעמיקה בפיתוח תוכנה חיונית לצורך הקמת POC יציב, ניתוח תלות בין רכיבים ומודולים, וכן לשילוב, התאמה ואופטימיזציה של מודלים בסביבות Production כחלק אינטגרלי מהתפקיד.

לסיכום-
לא מספיק אם יש למועמד:
ידע עדכני נקודתי או ניסיון עבר בלבד, ללא יכולת למידה עצמאית מתמשכת ויישום פרקטי של טכנולוגיות חדשות.

התמקדו ב:
טאלנטים שמפגינים סקרנות טכנולוגית עקבית ורקע פיתוחי חזק, המאפשרים להם ללמוד מהר, להרים POC, ולהטמיע מודלי AI בצורה אפקטיבית בסביבת Production.

לסיכום, גיוס מדויק של טאלנטים לתפקידי AI מחייב שינוי תפיסתי ומהותי בתהליך. בהתבסס על נתוני ההשמות שלנו, ניסיון רלוונטי בעולמות ה-AI מתורגם לפער שכר חיובי, כאשר משכורות הייטק גבוהות בכ־9% בממוצע עבור פרופילים עם התמחות ב-AI.

מדובר בתפקידים השונים באופן מהותי מתפקידי פיתוח קלאסיים, ולכן תהליכי הסינון אינם יכולים להתבסס אך ורק על פרמטרים מסורתיים כגון שנות ניסיון או שם התפקיד האחרון, אלא על עומק מקצועי, יכולות למידה, והבנה מערכתית של התחום.

עם זאת, התהליך אינו מסתיים בשלב הגיוס. על מנת לשמר טאלנטים בעולמות ה-AI, יש לוודא שהארגון ערוך לקליטתם- הן מבחינת פתיחות מחשבתית והן מבחינת נכונות לבצע התאמות, שינויים ושדרוגים תהליכיים וטכנולוגיים בהתאם לדרישות התפקיד. חשוב לוודא שהחברה משקיעה באופן שיטתי בפיתוח עובדיה ושמה דגש על התפתחות מקצועית מתמשכת, באמצעות הכשרות ייעודיות, למידה רציפה, שיתוף ידע פנימי ובניית מסלולי קריירה ברורים. גישה זו מאפשרת לאנשי ה-AI להישאר בחזית הטכנולוגיה, להתעדכן באופן שוטף ולהמשיך לשפר ולייעל את המערכות שהארגון מפתח לאורך זמן.