Generative AI מול Predictive AI: מה ההבדל האמיתי ולמה זה נכנס למבחן CCNA 200-301

עד לא מזמן נושא הבינה המלאכותית היה שייך לצוותי Data Science. היום הוא מופיע רשמית בסילבוס של מבחן CCNA 200-301, ולא במקרה: מערכות ניהול רשת מודרניות מנתחות טלמטריה בזמן אמת, חוזות תקלות לפני שהן קורות ומייצרות תצורות שלמות מתוך תיאור בשפה חופשית. השאלה הראשונה שכל איש רשת צריך לדעת לענות עליה היא פשוטה: מה ההבדל בין AI שיוצר לבין AI שחוזה.

Predictive AI — לחזות את מה שעומד לקרות

בינה מלאכותית חזאית מקבלת נתונים היסטוריים, לומדת מהם דפוסים, ומייצרת תחזית או סיווג לגבי מקרה חדש. היא לא ממציאה תוכן. הפלט שלה הוא מספר, קטגוריה או הסתברות: התקן הזה צפוי להיכשל בתוך 14 יום; התעבורה הזו חריגה ברמת ביטחון של 92 אחוז; המשתמש הזה שייך לקבוצת סיכון.

• ▸זיהוי אנומליות — סטייה מפרופיל התעבורה הרגיל בקישור WAN או בשרת.
• ▸תחזוקה מונעת — חיזוי כשל בספק כוח או במאוורר לפי טלמטריית חיישנים.
• ▸תכנון קיבולת — חיזוי מתי קישור יגיע לרוויה על סמך מגמת צריכה.
• ▸סיווג תעבורה וזיהוי דואר זבל או ניסיונות Phishing.

Generative AI — ליצור משהו שלא היה קיים

בינה מלאכותית יוצרת מאומנת על כמויות עצומות של נתונים ומייצרת תוכן חדש: טקסט, קוד, תמונה, קול או וידאו. מודל שפה גדול, LLM, לומד את ההסתברות של המילה הבאה ברצף, וכך מסוגל לכתוב סקריפט Python שמושך תצורה מנתב, להסביר הודעת שגיאה או לנסח מדיניות אבטחה.

• ▸יצירת תצורה — הפיכת דרישה בשפה חופשית לקטע קונפיגורציה מוכן.
• ▸ניתוח לוגים — סיכום אלפי שורות Syslog לתובנה אחת קריאה.
• ▸כתיבת אוטומציה — יצירת Playbook של Ansible או קריאת REST API.
• ▸תיעוד — הפקת מסמכי תכן ותרשימי רשת מתוך פלט פקודות.

כלל אצבע לזכירה במבחן: Predictive עונה על השאלה "מה יקרה?", Generative עונה על השאלה "תיצור לי את זה".

טבלת ההבדלים המרכזיים

• ▸מטרה — חזאי: תחזית וסיווג. יוצר: יצירת תוכן חדש.
• ▸פלט — חזאי: מספר, תווית או הסתברות. יוצר: טקסט, קוד, תמונה או קול.
• ▸נתוני אימון — חזאי: נתונים מתויגים ומובנים. יוצר: מאגרים עצומים ולרוב לא מתויגים.
• ▸מודלים אופייניים — חזאי: רגרסיה, עצי החלטה, יערות אקראיים. יוצר: ארכיטקטורת Transformer ומודלי דיפוזיה.
• ▸סיכון עיקרי — חזאי: הטיה בנתונים ותחזית שגויה. יוצר: הזיות, דליפת מידע רגיש והפרת זכויות יוצרים.

# Predictive: model returns a probability, not content
GET /api/v1/telemetry/link/Gi0/0/1/forecast
{
  "interface": "GigabitEthernet0/0/1",
  "utilization_now": 0.71,
  "saturation_eta_days": 22,
  "confidence": 0.88
}

# Generative: model returns newly created configuration text
POST /api/v1/assistant/generate
{ "prompt": "Create an ACL that blocks Telnet inbound on the WAN link" }
-> "ip access-list extended WAN-IN
     deny tcp any any eq 23
     permit ip any any"

הסיכונים שחייבים להכיר לפני שמכניסים AI לרשת הייצור

מודל יוצר עלול להחזיר תשובה שנשמעת סמכותית לחלוטין ופשוט אינה נכונה. התופעה נקראת הזיה (Hallucination), והיא מסוכנת במיוחד כשמדובר בפקודות תצורה שעלולות להפיל אתר שלם. מודל חזאי, לעומת זאת, יסבול בעיקר מהטיה: אם אומן על נתונים שאינם מייצגים את הרשת שלכם, הוא יסמן תעבורה תקינה כחריגה ויציף את ה-SOC בהתראות שווא.

• ▸לעולם אל תריצו תצורה שנוצרה על ידי מודל ישירות בייצור — עברו דרך Lab, בדיקת עמיתים ובקרת גרסאות.
• ▸אל תשלחו קבצי תצורה, כתובות IP פנימיות או פלט לוגים לשירות ציבורי ללא מדיניות ברורה.
• ▸בדקו את איכות נתוני האימון של כל מודל חזאי — נתונים חלקיים מייצרים תחזיות מטעות.
• ▸הגדירו אחריות אנושית: המודל ממליץ, המהנדס מאשר.

לסיכום

ההבחנה בין AI חזאי ל-AI יוצר אינה תרגיל אקדמי. היא קובעת אילו נתונים תאספו, אילו סיכונים תנהלו ואיזו שאלה תוכלו בכלל לשאול את המערכת. מבחן CCNA 200-301 בודק היום את ההבנה הזו, וראיונות עבודה בודקים אותה אפילו יותר.

בקורס CCNA של מכללת נטמי לומדים את נושאי האוטומציה והבינה המלאכותית לצד היסודות הקלאסיים — ניתוב, מיתוג, אבטחה וטלמטריה — עם מעבדות מעשיות והסבר בעברית, כדי שתגיעו למבחן ולראיון עם תשובות ברורות ולא עם באזזוורדים.