אלכס שויחיט (Alex Shohat)

קצת על המרצה

אלכס שוחט מוביל את תחום ה-Machine Learning ב-Real Time Group עם התמחות ייחודית: הטמעת בינה מלאכותית בסביבות Low-Power וזמן אמת. בעולם שבו ה-AI עובר מהענן אל הקצה (The Edge), אלכס מגשר על הפער שבין מודלים מתמטיים מופשטים לבין אילוצי הסיליקון והחשמל של מעבדי קצה.

תחומי התמחות ב-Machine Learning

• Deep Learning for Computer Vision: פיתוח ואימון רשתות נוירונים (CNN, Transformers) למשימות זיהוי אובייקטים, סיווג וסגמנטציה.
• Model Optimization & Compression: מומחיות בטכניקות Quantization (מעבר מ-Float32 ל-INT8), Pruning (גיזום נוירונים) ו-Knowledge Distillation – קריטי עבור מעצבי מעבדים שצריכים לחסוך בשטח שערים וזיכרון.
• AI Accelerators & NPUs: הבנה עמיקה בארכיטקטורות של מאיצי בינה מלאכותית (Neural Processing Units), ניצול יחידות MAC ותכנון Dataflow יעיל למניעת צווארי בקבוק בזיכרון.
• TinyML: מימוש מודלים של למידת מכונה על גבי Microcontrollers (כמו ARM Cortex-M) ו-FPGAs.

ניסיון בהדרכה ופיתוח

אלכס פיתח והעביר עשרות קורסים מתקדמים המיועדים למהנדסי אלגוריתמים וחומרה כאחד. הוא מלמד לא רק איך "לאמן" מודל, אלא איך "לארוז" אותו כך שירוץ ב-60 FPS על שבב ייעודי. הוא שולט בכלים המובילים בתעשייה: TensorFlow Lite, PyTorch, ONNX, וספריות האופטימיזציה של יצרניות השבבים (כמו OpenVINO של אינטל או TensorRT של אנבידיה).

הערך המוסף למעצבי מעבדים

בקורס זה, אלכס מעניק לסטודנטים את הכלים להבין את ה"דרישות" של אלגוריתמי ה-ML מהחומרה:

• כמה רוחב פס לזיכרון באמת נחוץ עבור שכבת קונבולוציה?
• איך תכנון נכון של ה-Cache יכול להאיץ את המודל פי 10?
• איפה עובר הגבול בין מימוש בתוכנה (CPU) לבין האצה בחומרה (NPU/FPGA)?

ה"אני מאמין" של אלכס בלמידת מכונה

"בינה מלאכותית במעבדים היא לא רק מתמטיקה; היא ניהול משאבים. האתגר האמיתי הוא לא לבנות את המודל הכי מדויק, אלא את המודל הכי חכם שיכול לרוץ בתנאי קיצון של זמן אמת וצריכת הספק מינימלית."