דאטה תלת־ממדי ב-AI: מהכביש ועד שרשרת האספקה

ב-11/12/2025 שתי חברות—Fortellix הישראלית ו-Voxel51 האמריקאית—הציגו מהלך שמבהיר לאן עולם ה-AI הולך: פחות “עוד דאטה”, יותר “דאטה נכון”. הן בונות שרשרת עבודה שממירה לוגים גולמיים של נסיעות (וידאו, LiDAR, רדאר, GPS ועוד) לסצנות תלת־ממדיות שנוצרות ומוערכות בעזרת מודלים, ואז ניתנות לעריכה ולשכפול בקנה מידה גדול.

רוב האנשים קוראים את זה כחדשות על רכב אוטונומי. אני קורא את זה כמודל פעולה שחוצה תעשיות: כשמערכת קריטית צריכה להיות בטוחה, אמינה ומוכחת—האתגר הוא לא רק לאמן מודל, אלא לייצר כיסוי שיטתי של מצבים, כולל מצבי קצה נדירים. זה בדיוק מה שמטריד גם תעשיות כמו בריאות וביוטכנולוגיה, וזה גם מתחבר בצורה טבעית לסדרה שלנו על בינה מלאכותית בלוגיסטיקה ושרשרת אספקה: שרשרת אספקה מודרנית היא מערכת “אוטונומית למחצה” שמקבלת החלטות בזמן אמת תחת אי-ודאות.

החלק המעניין באמת הוא העיקרון: לקחת “מה שקרה” ולהפוך אותו ל-“מה שיכול לקרות”, בצורה מבוקרת, מדידה ומאומתת.

למה לוגים מהעולם האמיתי לא מספיקים (ומה עושים במקום)

תשובה קצרה וברורה: דאטה מהשטח מתעד רק את האירועים שקרו בפועל, ולכן הוא כמעט תמיד מפספס את האירועים שדווקא קובעים בטיחות ואמינות—הנדירים, החריגים והלא־נוחים.

ברכב אוטונומי זה קל לדמיין: ילד שקופץ בין מכוניות, סינוור שמש נמוך, שילוב נדיר של גשם+כביש מבריק+תמרור חלקית מוסתר. אפשר לאסוף המון נסיעות ועדיין לא “לפגוש” מספיק פעמים את אותה קומבינציה.

בשרשרת אספקה זה נראה אחרת אבל דומה: תקלה בו-זמנית של ספק, עומס חריג בנמל, שינוי רגולטורי פתאומי, השבתה מקומית, או “בלאגן קטן” במחסן שמצטבר לשרשרת עיכובים. המערכת עובדת מצוין ביום רגיל—ומתפרקת דווקא כשלא צפוי.

הגישה של Fortellix ו-Voxel51 מציעה תחליף פרקטי:

• משחזרים את המציאות לסצנה תלת־ממדית “חיה”
• ואז מייצרים ממנה וריאציות סינתטיות מבוקרות (תאורה, מזג אוויר, תנועה, אירועים חיצוניים)
• ובודקים שהדאטה המעורב (אמיתי+סינתטי) עומד בקריטריוני איכות לפני אימון

זו לא פנטזיה. זו הנדסת דאטה שמטרתה אחת: להגדיל כיסוי מצבים (coverage) בלי להגדיל את הסיכון והעלות של איסוף בשטח.

מאיפה מגיע הערך: “כיסוי” ולא “כמות”

כאן יש לקח חשוב לקהלים שלנו בלוגיסטיקה וגם בבריאות: אם מודל מקבל החלטות שמשפיעות על חיים, כסף או רגולציה—המדד הוא לא גודל הדאטה, אלא:

1. ייצוג מספיק של מצבי קצה
2. איכות תיוג/אנוטציה
3. עקביות בין חיישנים/מקורות מידע
4. יכולת להסביר למה המודל נכשל ולשפר מהר

במילים פשוטות: “עוד טבלאות” לא מצילות אותך ביום שבו שרשרת האספקה נשברת.

איך נראה הוורקפלואו: מהלוג הגולמי לסימולציה בקנה מידה

תשובה קצרה וברורה: הם בונים צינור עבודה מקצה לקצה שמסווג דאטה, מנקה ומיישר חיישנים, משחזר סצנה תלת־ממדית בעזרת רשתות, מייצר וריאציות מבוקרות, ומוודא איכות לפני אימון.

לפי פרטי ההכרזה, השלבים העיקריים עובדים כך:

1) זיהוי פערי כיסוי מול ODD

Fortellix מתחילה מניתוח הלוגים ומיפוי שלהם מול ה-ODD (Operational Design Domain)—כלומר, ההגדרה המדויקת של “איפה ומתי המערכת אמורה לעבוד”.

במונחים של שרשרת אספקה, ODD הוא המקבילה ל-טווח ההפעלה: אילו מסלולים, אילו ספקים, אילו עונות, אילו SLA, ואילו סיכונים נחשבים “בתוך המגרש”.

הערך פה הוא ניהולי לא פחות מטכנולוגי: אם לא הגדרת את הדומיין שלך, אין לך איך למדוד כיסוי.

2) ניקוי, בדיקות עקביות ויישור בין חיישנים

Voxel51 מכניסה לתמונה מומחיות של ניהול דאטה ויזואלי בקנה מידה גדול: ניקוי רעשים, בדיקות עקביות, התאמה בין חיישנים (למשל וידאו מול LiDAR), והכנה לשחזור.

השלב הזה נשמע “אפור”, אבל הוא המקום שבו רוב הפרויקטים נכשלים. בארגונים שאני פוגש, 60%–80% מהזמן הולך על איכות דאטה, לא על מודלים.

3) שחזור תלת־ממד ועיבוד רנדרינג

הצינור נשען על יכולות שחזור עצבי (הכתבה מזכירה 3DGS וטכניקות רנדרינג מתקדמות) כדי לבנות סצנה ריאליסטית וניתנת לעריכה.

המשמעות: במקום להיות כבול לפריים-אחר-פריים של מה שצולם, אתה מקבל ייצוג מרחבי שאפשר לשנות בו פרמטרים.

4) יצירת וריאציות, מצבי קצה ונתוני חיישנים סינתטיים

Fortellix חוזרת “ללופ” כדי לייצר וריאציות מבוקרות: שינוי תנאים סביבתיים, הזרקת אירועים חיצוניים, והפקת נתוני חיישנים סינתטיים שמחקים פלט אמיתי.

במילים אחרות: רגע אחד מהעולם האמיתי הופך ל”משפחת תרחישים” שמאפשרת לאמן ולבחון מודלים בצורה שיטתית.

5) ויזואליזציה, אנליטיקה ובקרת איכות לפני אימון

כאן FiftyOne של Voxel51 נכנס כתחנת איכות: בדיקות שגיאות תיוג, איתור דפוסים חריגים, הערכת איכות הדאטה והבטחת סטנדרט לפני שמזינים מודל.

משפט שאפשר לתלות על הקיר: דאטה סינתטי בלי בקרת איכות הוא פשוט דרך מהירה לייצר ביטחון עצמי שגוי.

מה הקשר ללוגיסטיקה ולשרשרת אספקה בישראל

תשובה קצרה וברורה: אותו עיקרון—שחזור מציאות, יצירת וריאציות, והוכחת כיסוי—יכול להפוך תפעול לוגיסטי ליותר צפוי, בטוח ומדיד, במיוחד סביב חגים, עומסים וחריגים.

דצמבר בישראל הוא חודש שבו תפעול “מרגיש” שונה: סוף שנה, תקציבים, מבצעים, עומסים, לפעמים גם שינויים בכוח אדם. בעולם הזה, AI לשרשרת אספקה לא נבחן לפי יום ממוצע אלא לפי שבועות שבהם הכול מתוח.

אז איך מעבירים רעיון של שחזור תלת־ממדי לעולם הלוגיסטי?

דיגיטל טווין תפעולי: לא רק תרשים, אלא מכונה לניסויים

במקום לראות במחסן/מרלו”ג “מפה”, בונים דיגיטל טווין שמייצג את המציאות באופן דינמי: עומסים, תנועת מלגזות, זמני ליקוט, צווארי בקבוק, זמני המתנה בשערים.

ואז עושים את הדבר ש-Fortellix עושה לכבישים: מייצרים וריאציות.

דוגמאות וריאציות תפעוליות ששוות כסף אמיתי:

• מה קורה אם משנים את חלונות ההעמסה ב-30 דקות בתקופת עומס?
• מה קורה אם מערכת WMS “מאבדת” 1% מהסריקות בשעה?
• איך מסלול הובלה משתנה כשכביש מרכזי נחסם ל-3 שעות?
• כמה מלאי ביטחון צריך אם ספק מסוים נופל יומיים?

המרוויחים הגדולים הם ארגונים שמחפשים יעילות שרשרת אספקה בלי לשלם על ניסויים בשטח.

אימון מודלים על “אירועים שלא קרו עדיין”

בדיוק כמו נהיגה אוטונומית, גם שרשרת אספקה צריכה להתמודד עם אירועים נדירים. כאן AI יכול לייצר סימולציות מבוססות היסטוריה:

• תרחישי ביקוש חריגים (קפיצות של עשרות אחוזים בפריטים ספציפיים)
• עומסים בנמלים/מעברים
• שיבושים רב-מוקדיים (יותר מאירוע אחד בו-זמנית)

זה משפר חיזוי ביקושים, תכנון מלאי, ותעדוף הזמנות בזמן אמת.

ומה הקשר לבריאות ולביוטכנולוגיה (כן, זה אותו סיפור)

תשובה קצרה וברורה: שחזור תלת־ממדי ויצירת וריאציות מבוקרות מקבילים למה שקורה בהדמיה רפואית, פתולוגיה דיגיטלית ופיתוח תרופות—שיפור דיוק באמצעות דאטה עשיר, סינתטי ומאומת.

אם בעולם הרכב השאלה היא “האם המודל רואה נכון?”, בעולם הבריאות השאלה היא “האם המודל מאבחן נכון?” ובביוטק “האם המודל מנבא תגובה נכון?”. בכל המקרים, המציאות לא מספקת מספיק דוגמאות איכותיות לכל מצב קצה.

דוגמאות מקבילות (בגובה העיניים):

• בהדמיה רפואית, שחזור תלת־ממדי ועיבוד עומק מסייעים להעריך מבנים אנטומיים, לא רק “תמונה שטוחה”.
• בפתולוגיה דיגיטלית, בעיית הכיסוי חריפה: יש תתי-סוגים נדירים, שונות בין מכשירים ומעבדות, ושונות דגימה.
• בפיתוח תרופות, צריך להתמודד עם מרחב עצום של וריאציות: אוכלוסיות, קומורבידיות, מינונים, אינטראקציות.

הדמיון העמוק הוא מתודולוגי: להמיר אירוע יחיד לסט תרחישים שניתן לבדוק ולכייל מולו מודלים בצורה נשלטת.

איך בוחרים נכון שותפות AI: צ’קליסט פרקטי למנהלים

תשובה קצרה וברורה: שותפות טובה מחברת מומחיות דומיינית עם מומחיות דאטה, ומגדירה מראש מדדי איכות וכיסוי שאפשר להוכיח.

מה שעובד כאן הוא לא רק טכנולוגיה אלא התאמה: Fortellix חזקה בסימולציה ותרחישים, Voxel51 חזקה בניהול דאטה ויזואלי ובקרת איכות.

אם אתם מנהלים חדשנות בלוגיסטיקה/בריאות/ביוטק, הנה צ’קליסט קצר ששווה להשתמש בו לפני “חתימה”:

1. הגדרת דומיין (ODD/Scope): מה נחשב “בתוך האחריות” של המערכת?
2. מדדי כיסוי: אילו מצבים חייבים להופיע בדאטה כדי שנאמין לתוצאות?
3. מדדי איכות דאטה: שגיאות תיוג מותרות? עקביות בין מקורות?
4. יכולת יצירת וריאציות מבוקרות: האם אפשר להראות שינוי פרמטר יחיד ולמדוד השפעה?
5. תהליך ולידציה: מי מאשר שסט הדאטה כשיר לאימון? מה הסטנדרט?
6. אחריותיות ורגולציה: איך מתעדים החלטות, גרסאות דאטה, ותוצאות ניסוי?

זה נשמע “כבד”, אבל האלטרנטיבה כבדה יותר: פרויקט AI שלא עומד ביום מבחן.

שאלות שחוזרות אצל צוותים (ותשובות קצרות)

האם דאטה סינתטי “חוקי” לאימון מודלים?

כן, כל עוד הוא נוצר ומנוהל עם בקרת איכות ועם בדיקות שמראות שהוא מייצג נכון את המציאות ולא מכניס הטיות חדשות.

האם אפשר להחליף לגמרי איסוף מהשטח?

לא. איסוף מהשטח נשאר מקור אמת. אבל אפשר לצמצם מאוד את מספר הנסיעות/הניסויים ולהגדיל משמעותית כיסוי.

מה הסיכון המרכזי בגישה הזו?

הסיכון הוא “ריאליזם מדומה”: אם הסימולציה נראית אמיתית אבל לא מתנהגת אמיתי, המודל ילמד לקחים לא נכונים. לכן בקרת איכות וניהול דאטה הם קריטיים.

איפה זה פוגש אתכם כבר ברבעון הקרוב

המהלך של Fortellix ו-Voxel51 הוא תזכורת ניהולית: מערכות אוטונומיות לא נבנות רק עם מודלים—הן נבנות עם דאטה מתוכנן. בעולם של AI בלוגיסטיקה ושרשרת אספקה, זה אומר להשקיע פחות בהבטחות כלליות ויותר בהנדסת תרחישים: מה קורה כשהכול משתבש, ואיך מודדים שהמערכת עדיין מתפקדת.

אם אתם שוקלים להכניס AI לתכנון מסלולים, חיזוי ביקושים, אוטומציה במחסנים או בקרת איכות תפעולית—השלב הראשון הוא לא לבחור מודל. השלב הראשון הוא להגדיר כיסוי ולבנות צינור שמאפשר לייצר, לבדוק ולאמת וריאציות.

העתיד של AI במערכות קריטיות נראה פחות כמו “קסם” ויותר כמו משמעת הנדסית. השאלה היא מי יבנה את המשמעת הזו מוקדם—ומי יגלה מאוחר שהמודל היה טוב, אבל הדאטה לא היה מוכן.