תשתיות מחקר
תשתיות מחקר שעומדות מאחורי המאמר
אנחנו בונים תשתיות AI לקבוצות מחקר אקדמיות — HPC clusters, training pipelines, סביבות שחזור-תוצאות, וכלי שיתוף קוד עם sponsors תעשייתיים. הגישה שלנו: התשתית צריכה להעלם מהדרך של החוקר, לא להפוך להיות הפרויקט.
מה זה כולל
- HPC clusters עם schedulers, monitoring, ו-fair sharing
- Reproducibility-first — כל ניסוי נשמר עם הסביבה המלאה
- אינטגרציה לארגוני מחקר תעשייתיים (transfer learning של ידע)
- תמיכה רציפה דרך הסמסטר, לא רק בשלב הקמה
מה כלול בסקטור
- HPC clusters עם GPU support מלא (A100, H100, ומקבילים)
- Schedulers, monitoring, ו-fair sharing בין צוותים
- Training pipelines עם versioning מלא לכל ניסוי
- סביבות וירטואליות לשחזור תוצאות (containers, MLflow)
- גשרים ל-sponsors תעשייתיים — IP transfer מסודר
- תמיכה רציפה דרך הסמסטר, לא רק בהקמה
- Scientific computing — סימולציות, פתרון מערכות מורכבות
למי זה מתאים
ראשי מעבדות באוניברסיטה, קבוצות מחקר עם grants, מכוני מחקר תעשייתיים שעובדים עם אקדמיה.
עבודות נבחרות
- Aquatis — מודל AI לזיהוי תקלות במשאבות מים, שאומן על תשתית שבנינו עבור צוות המחקר שלהם. תשתית עם מסלול ברור מסטארטאפ-מחקר לפרודקשן תעשייתי.