למידה מסתגלת ב-AI · הכשרת ציות

ה-LMS שלכם עוקב אחרי השלמה. Attest עוקב אחרי כשירות.

שני עובדים מסיימים את אותו מודול הסמכה-מחדש ב-AML וה-LMS מציג שני סימני וי ירוקים זהים. Attest קורא את זרם האינטראקציות הגולמי של כל לומד עם מודל מעקב-ידע אמיתי, מאשר רק את המושגים שהוא יכול להוכיח, ומוסר לכם Competence Certificate חתום במקום סימן וי.

51.9%

הפחתת זמן-מושב במחזור

מחזור מדומה של 500 לומדים, מחושב בזמן אמת

0.83 AUC

איכות מודל SAKT על סט-החזקה

בנצ'מרק KT הסינתטי המוזרע שלנו

0 מתוך 18

מאושרים אצל לומד ששיחק את המערכת ב-AI

שער כשירות, פלט חי של האפליקציה

הדגמה ניתנת-להרצה, לא פריסה. המחזור ויומני האינטראקציה הם סינתטיים, וכל מספר בדף זה מחושב על ידי האפליקציה הרצה.

השלמה אינה כשירות

סימן וי ירוק אומר לכם שעובד צפה בסרטון. הוא אינו אומר שהם למדו.

SCORM מדווח "Completed." מבקרים רוצים ראיות שליטה. אנליסט BSA בכיר שכבר מכיר את החומר ומנהל סניף בן שישה חודשים עם פערים אמיתיים יושבים באותו קורס AML בן 4 שעות ומרוויחים את אותו סימן וי. הרשומה אינה יכולה להבדיל ביניהם, כי היא מעולם לא מדדה מה כל אחד מהם יודע.

שחקנים מכהנים שמשווקים את עצמם כ"מסתגלים" מריצים בעיקר סינון שיתופי ("אנשים כמוך לקחו את קורס X הבא"), לא מעקב ידע ברמת-מושג ("לא שלטת במושג Y"). ועובדים משתמשים יותר ויותר בסייעני AI כדי לחלוף על פני מודולים, כך שרשומת ההשלמה אומרת "הוכשר" כשהלמידה מעולם לא נקלטה.

בעבודה מוסדרת הפער הזה הוא חבות שמבקר יכול לתמחר. הוצאות ההכשרה הארגונית בארה"ב הן כ-$102.8B בשנה, בערך $874 ללומד (Training Magazine, 2025), וחלק גדול ממנה קונה רשומת השלמה ולא הוכחת כשירות. במקום שבו פער הכשרה נושא תוצאה רגולטורית, בהסמכה-מחדש של AML ו-BSA או תחת כללי אוריינות-AI מבוססי-תפקיד לפי EU AI Act Article 4 שמתחילים ב-2 באוגוסט 2026, סימן וי ירוק הוא בדיוק הראיה הלא נכונה להביא.

לוח הבקרה של Attest למחזור הסמכה-מחדש ב-AML שבו כל לומד רשום קורא SCORM Completed, מוצג ליד מפת השליטה ברמת-מושג של Attest עבור אנליסט ה-BSA הבכיר המדווח על 16 מתוך 18 מושגים מאושרים ו-80.3% זמן-מושב מופחת. — אותו קורס, אותו סימן וי של SCORM. Attest קורא את השליטה ברמת-מושג שמתחת.

איך זה עובד: סוכנים מייעצים, קוד מחליט

ארבעה שלבים הופכים קורס שטוח אחד לשליטה לפי-מושג ול-Competence Certificate חתום. LLM מבצע את הקריאה; קוד דטרמיניסטי מקבל כל החלטה שחשובה.

סוכן מיפוי המושגים הופך קורס אחד ל-18 מושגים ניתנים-למעקב

הוא מפרק קורס שטוח אחד של "AML Training" לטקסונומיה של 18 מושגים (בדיקת נאותות לקוח, איכות נרטיב SAR, זיהוי עסקאות מובנות, TBML של חיוב-יתר וחיוב-חסר, סינון סנקציות OFAC, ועוד) ומתייג כל שיעור למושגים שלו. תיוג תוכן הוא השלב שהתחום מכנה הסיבה מספר-אחת לכישלון פרויקטי למידה מסתגלת, וזה הופך אותו לאוטומטי. הסוכן בנוי על Pydantic AI, ניתן להחלפת-ספק בין Anthropic, OpenAI, Gemini ו-Ollama, עם ברירת מחדל של claude-opus-4-8, ועם גיבוי טקסונומיה במטמון לא-מקוון כך שההדגמה רצה בלי מפתח API.

מודל SAKT אמיתי מסיק מה כל לומד באמת יודע

הליבה היא טרנספורמר self-attentive אמיתי למעקב ידע: 119,809 פרמטרים, PyTorch, מתאמן על CPU בכ-90 שניות ואז נשמר במטמון. הוא מריץ מחדש את רצף האינטראקציות של כל לומד ומסיק הסתברות שליטה לפי-מושג המותנית בהיסטוריה המלאה. זה אינו LLM ואינו סוכן. זהו ליבת למידת-המכונה העמידה שהופכת זאת למעקב ידע אמיתי ולא לספר ציונים.

סקוונסר Flow-Zone דטרמיניסטי מחליט על הנתיב

Python פשוט, אין מודל בלולאה. לכל מושג, הסתברות שליטה של 0.67 ומעלה מנותבת לדילוג ואימות, 0.38 עד 0.67 מנותבת לזרימה (flow), ומתחת ל-0.38 מנותבת לפיגום (scaffold). הסקוונסר מחשב זמן-מושב מסתגל מול שטוח ו-ROI של המחזור. נקודות החיתוך מותאמות באימות-הצלבה מהמחזור המתויג, מגובות ב-A/B של 5-fold שמשפר באופן מחמיר על ספי הגיבוי שנקבעו ידנית, לא מספרי קסם שכווננו ביד.

שער כשירות שהמודל אינו יכול לדרוס מחליט מה מאושר

זה ממשל, לא התאמה אישית. השער מאשר מושג רק כאשר השליטה היא לפחות 0.747, הראיות מספיקות (לפחות 3 אינטראקציות), ודפוס התגובה אינו חריג. אחרת הוא מסמן את המושג "זקוק-להוכחה" ומוציא אתגר אימות. הוא לעולם אינו מאשר על ראיות דלות או חריגות.

הפלט הוא Competence Certificate חתום (HMAC-SHA256): שליטה לפי-מושג, שביל הראיות, שם המודל, גרסה ו-AUC בנצ'מרק, ספי Flow-Zone שהוחלו, זמן-מושב מסתגל מול שטוח, המיפוי הרגולטורי, וכותרת-תחתית של מגבלות כנות. זה מה שמוסרים לרגולטור במקום סימן וי. העיקרון לאורך כל הדרך: אנחנו מאשרים מה שאנחנו יכולים להוכיח, ולעולם לא מבלפים וי ירוק.

חלון סילבוס הקורס של Attest המפרט את טקסונומיית 18 המושגים שסוכן מיפוי המושגים הפיק מקורס AML Training שטוח אחד, כל מושג מתויג ברגולציה שלו כגון 31 CFR 1020.220 ו-FATF TBML Guidance. — סוכן מיפוי המושגים מפרק קורס אחד ל-18 שיעורים ממופי-רגולציה.

לוח Under the Hood של Attest המציג את ריצת האימון שנמדדה: קורפוס KT סינתטי שנוצר ב-PFA, 2,500 תלמידים, AUC על סט-החזקה 0.8315, דיוק צעד-הבא 0.771, בתוספת לוגיקת ההחלטה הדטרמיניסטית של Flow-Zone ושער הכשירות הנקראת בזמן אמת מה-checkpoint הטעון. — כל ערך בלוח המנוע נקרא בחזרה בזמן אמת מה-checkpoint וההגדרות הטעונים, לא מקודד-קשיח בדף.

שלושה לומדים, פסק דין כנה אחד לכל אחד

כל נתון למטה הוא הפלט האמיתי של האפליקציה הרצה על לומדים סינתטיים.

אנליסט ה-BSA הבכיר (8 שנים בתפקיד) מופיע בירוק כמעט בכל מקום, חלש רק ב-Trade-Based Money Laundering ובמושג דגל-אדום אחד של SAR. Attest מאשר 16 מתוך 18 מושגים, מנתב 2 לזקוק-להוכחה, ואינו מסמן את הראיות. זמן-המושב יורד מ-240 דקות שטוח ל-47.3 דקות מסתגל, 80.3% חיסכון. זהו המקרה של "כבר יודע את רוב זה, דלג על מה שהוכח".

ה-Competence Certificate החתום לאנליסט ה-BSA הבכיר: 16 מתוך 18 מושגים מאושרים, 80.3% הפחתת זמן-מושב, AUC על סט-החזקה של המודל 0.8315, טבלה לפי-מושג עם הסתברות שליטה, ספירת ראיות וסטטוס מאושר או זקוק-להוכחה, וחתימת HMAC-SHA256. — התעודה החתומה של האנליסט: שני מושגים יושבים מתחת לסף האישור 0.747 ומנותבים לזקוק-להוכחה במקום לעבור בהנפה.

מנהל הסניף החדש (6 חודשים לאחר ההעברה) יש לו פערים אמיתיים בנרטיב SAR וב-TBML. המודל מסיק שליטה נמוכה בכמה מושגים ומנתב אותם לזרימה או לפיגום במקום לדילוג. Attest מאשר 10 מתוך 18 מושגים, מנתב 8 לזקוק-להוכחה, וחותך את זמן-המושב מ-240 ל-146.7 דקות, 38.9% חיסכון. פחות מושגים מאושרים מאשר אצל האנליסט, כי הלומד הזה באמת זקוק להכשרה. החיסכון עוקב אחרי השליטה, לא הנחה שטוחה.

קונסולת הצינור החי של Attest למנהל הסניף החדש המציגה הסקה של SAKT, סקוונסר Flow-Zone עם 10 דילוג, 5 זרימה, 3 פיגום, ותוצאת שער כשירות של 10 מאושרים ו-8 הזקוקים להוכחה, עם 38.9% זמן-מושב שנחסך ו-10 מתוך 18 מאושרים. — הצינור החי של מנהל הסניף: מפת שליטה אדומה יותר פירושה פחות דילוג וחיסכון קטן וכנה יותר.

עמית התפעול הוא המקרה הקשה. הלומד הזה ענה מהר ומושלם על פני 18 מושגים לא-קשורים, התפלגות זמני-תגובה שאינה עקבית עם שליפה אמיתית. השליטה הנראית נראית גבוהה, אך שער הכשירות מסמן את הראיות ומאשר 0 מתוך 18. כל 18 מנותבים לזקוק-להוכחה, הראיות מסומנות כ-flagged, וזמן-המושב מעוכב עד לאימות. אנחנו ממסגרים זאת כערך, לא כ"תפסנו אותך": אנחנו מאשרים רק מה שאנחנו יכולים להוכיח.

שער הכשירות של Attest מסמן את עמית התפעול על דיוק כמעט-מושלם בזמני תגובה בלתי-סבירים במהירות על פני 18 מושגים לא-קשורים, שאינם עקביים עם שליפה אמיתית, ומונע את האישור עם 0 מתוך 18 מאושרים וזמן-מושב מבוטל. — מקרה המשחק ב-AI: השליטה הנראית גבוהה, אך השער מונע כל אישור במקום לבלף סימן וי ירוק.

תוצאת המחזור, מחושבת בזמן אמת

על מחזור הסמכה-מחדש שנתי המדומה באופן ממשי של 500 איש בשכר מלא-נטל של $75 לשעה, Attest מחשב כ-51.9% הפחתת זמן-מושב במחזור (2,000 שעות שטוחות יורדות לכ-962 שעות מסתגלות, כ-1,038 שעות ששוחזרו), כ-$77,872 ששוחזרו במודול זה, וכ-$389,362 בהמרה שנתית כשמשקללים לתוכנית ציות טיפוסית של 20 שעות. מספרי הדולר מחושבים מפלטי המודל, והמספר בהמרה השנתית מסומן כתחזית על המסך.

בנצ'מרק המחזור החי של Attest מדרג את כל 500 הלומדים הסינתטיים ב-1.28 שניות, ומדווח על 51.9% הפחתת זמן-מושב ממוצעת, 1,038 שעות ששוחזרו במודול זה, ערך משוחזר של $77,872, ותחזית שנתית מסומנת של $389,362. — חמש מאות לומדים דורגו בזמן אמת: ההפחתה מחושבת בהרצת כל היסטוריית אינטראקציה דרך המודל, לא בהנחה.

בנצ'מרק המודל, העוגן העצמאי

AUC על סט-החזקה הוא 0.8315 על קורפוס KT סינתטי מוזרע וניתן-לשחזור שנוצר ב-PFA (2,000 תלמידי אימון ו-500 בדיקה, 18 מושגים, 12 epochs), עם דיוק צעד-הבא 0.771. מכיוון שתהליך ייצור הנתונים (Performance Factors Analysis, מודל לומד לוגיסטי קלאסי) הוא משפחת מודלים שונה מהטרנספורמר שאנחנו מאמנים, ה-AUC על סט-החזקה מראה ש-SAKT שחזר מבנה למידה חבוי אמיתי ולא דירג את ההנחות של עצמו. להקשר חיצוני, AUC של SAKT שפורסם על מערך הנתונים הציבורי ASSISTments הוא כ-0.80 (Pandey & Karypis, 2019). הכותרת העמידה נשארת אחוז זמן-המושב שנחסך ואחוז המאושר-אוטומטית, שמחזיקים בכל איכות מודל. ה-AUC מוכיח שהמודל הוא מעקב ידע אמיתי, לא מספר הכותרת של המוצר.

היכן Attest משתלב, ומה ההדגמה הזו אינה עושה

מעקב השלמה ומנועי המלצה שניהם משאירים את המבקר בידיים ריקות. מעקב ידע פלוס ממשל אינו.

גישה	מה זה מודד	מה אפשר למסור למבקר
השלמת SCORM / LMS	האם הלומד פתח וסיים את התוכן	סימן וי ירוק, ללא ראיות שליטה
"מסתגל" באמצעות סינון שיתופי	מה לומדים דומים לקחו או עשו הבא	המלצת קורס, עדיין בלי הוכחה ברמת-מושג
Attest (מעקב ידע פלוס ממשל)	שליטה לפי-מושג המוסקת מאינטראקציות כל לומד	Competence Certificate חתום עם שביל הראיות המלא

לדוגמה שוק נקובה בשם, "Adaptive Learning Agent" של Cornerstone ממרץ 2026 משתמש בסינון שיתופי ולא במעקב ידע ברמת-מושג (Cornerstone product announcement, March 2026). ההבחנה היא כל הנקודה: המלצה אינה אומדן שליטה, ואף אחד מהם אינו פריט ביקורת.

מה ההדגמה הזו אינה עושה

ה-LMS עצמו ומחברי Cornerstone-REST ו-SAP-BTP הם גדמי fixture, לא אינטגרציות חיות. בניית ייצור תתחבר למערכת הרשומות האמיתית שלכם.
מחזור 500 האנשים ויומני האינטראקציה הם סינתטיים, ריאליסטיים ומעוצבים לפי טבלת המחקר, לא עובדים אמיתיים. גם שלושת הלומדים הנקובים בשם הם סינתטיים.
התעודה היא HTML-first, עם ייצוא PDF במאמץ-מיטבי. תוכן אתגר האימות נוצר ב-LLM לפי דרישה.
הסתברויות שליטה הן ראיות, לא ערובת שימור. AUC מודד חיזוי פריט-הבא, לא שימור ארוך-טווח, כפי שכותרת-התחתית של המגבלות בתעודה עצמה קובעת.
זו הדגמה שמוכיחה את המנגנון. זה אינו צינור פרוס.

שאלות שקונים שואלים

האם "למידה מסתגלת" היא בסך הכל המלצות קורסים עם תווית חדשה?

רוב הכלים שמשווקים כמסתגלים מריצים סינון שיתופי: הם ממליצים מה לומדים דומים לקחו הבא. זה מנוע המלצות, לא מעקב ידע. Attest משתמש בטרנספורמר self-attentive אמיתי למעקב ידע (SAKT) שמסיק הסתברות שליטה לפי-מושג מהיסטוריית האינטראקציות של כל לומד עצמו. Adaptive Learning Agent של Cornerstone ממרץ 2026, כדוגמה נקובה אחת, משתמש בסינון שיתופי ולא במעקב ברמת-מושג (Cornerstone product announcement, March 2026).

האם עובד יכול לשחק את זה באמצעות סייען AI כדי לענות מהר?

זה בדיוק המקרה ששער הכשירות בנוי בשבילו. בהדגמה, לומד שענה מהר ומושלם על פני 18 מושגים לא-קשורים מפעיל את כלל החריגה, והשער מאשר 0 מתוך 18, מנתב כל מושג לזקוק-להוכחה עם זמן-מושב מעוכב. השער מאשר רק כאשר השליטה, מספיקות הראיות, ובדיקת דפוס-התגובה כולן עוברות, כך ששלמות בלתי-סבירה במהירות נדחית במקום לקבל תגמול.

מה אנחנו באמת מוסרים למבקר?

Competence Certificate חתום, לא סימן וי. הוא מפרט את הסתברות השליטה של כל מושג וסטטוס מאושר או זקוק-להוכחה, שביל הראיות של אילו אינטראקציות וחותמות-זמן הפיקו כל אומדן, שם המודל, גרסה, ו-AUC בנצ'מרק, ספי Flow-Zone שהוחלו, זמן-מושב מסתגל מול שטוח, המיפוי הרגולטורי, וכותרת-תחתית של מגבלות כנות, הכל תחת חתימת HMAC-SHA256.

האם זה מחליף את ה-LMS שלנו?

לא. Attest הוא שכבת בינה שקוראת את זרם האינטראקציות שה-LMS שלכם כבר מפיק, לא LMS חדש. בהדגמה זו ה-LMS ומחברי Cornerstone-REST ו-SAP-BTP הם גדמים מדומים, ובניית ייצור תתחבר למערכת הרשומות האמיתית שלכם. ה-LMS שלכם ממשיך לרשום השלמה בזמן ש-Attest מוסיף את השליטה ברמת-מושג ואת התעודה.

מאיפה מגיעה הפחתת זמן-המושב של 51.9%? האם זה תוצאת לקוח אמיתית?

היא מחושבת בזמן אמת על מחזור הסמכה-מחדש סינתטי של 500 איש, לא נמדדת על לקוחות אמיתיים. Attest מריץ את היסטוריית האינטראקציות של כל לומד מדומה דרך מודל SAKT וסקוונסר Flow-Zone ומדווח על ההפחתה המצרפית של כ-51.9%, השעות ששוחזרו, ותחזית שנתית מסומנת. הטענה המעוגנת באופן עצמאי היא איכות המודל (AUC 0.83), לא מספר הדולר.

האם ה-AUC של 0.83 נמדד על מערך נתונים ציבורי?

לא. ה-AUC על סט-החזקה של 0.8315 נמדד על קורפוס KT הסינתטי המוזרע והניתן-לשחזור שנוצר ב-PFA שלנו, לא על בנצ'מרק ציבורי. זה חשוב כי הקורפוס נוצר על ידי משפחת מודלים שונה (PFA לוגיסטי) מהטרנספורמר שאנחנו מאמנים, כך ש-AUC גבוה על סט-החזקה מראה שהמודל שחזר מבנה למידה אמיתי. תוצאות SAKT שפורסמו על מערך הנתונים הציבורי ASSISTments הן כ-0.80 (Pandey & Karypis, 2019), מצוטטות רק כהקשר חיצוני.

מחקר טכני

המחקר מאחורי ההדגמה הזו — הארכיטקטורה, עיצוב האימות, ותוכנית האב הארגונית.

הפתרון המלא

חקרו את פתרון הלמידה המסתגלת ב-AI →

הביאו ראיות כשירות להכשרת הציות שלכם

עבור מנהלי למידה ראשיים, מנהלי L&D, ומנהיגי ציות המריצים הסמכה-מחדש חובה.

אם הצוות שלכם שוקל כיצד להוכיח שליטה, לא רק השלמה, לתוכנית הכשרה מוסדרת, נשמח להשוות הערות על מה שנדרש לכך. הבעיה היא כלל-תעשייתית וגם התשובות יהיו.

הערכת הבטחת הכשרה

✓ ניתוח פער שליטה ברמת-מושג על מודול אחד
✓ מידול זמן-מושב ו-ROI מחזור על המספרים שלכם
✓ סקירת פריט-ביקורת ומיפוי רגולטורי
✓ קריאה כנה היכן מעקב ידע עוזר והיכן לא

בנייה מותאמת

✓ סוכן מיפוי מושגים מכוונן לחומרי הקורס שלכם
✓ מעקב ידע SAKT על נתוני האינטראקציה שלכם
✓ סקוונסר Flow-Zone דטרמיניסטי ושער כשירות
✓ Competence Certificate חתום המחובר למערכת הרשומות שלכם

התחברו דרך WhatsApp שלחו אימייל לצוות שלנו