Multimodal AI הוא מודל AI שמסוגל לעבד יותר מסוג מידע אחד - לרוב טקסט + תמונה + שמע + וידאו - באותו מודל. דוגמאות: GPT-4o, Gemini 2.5, Claude Sonnet 4. שימושים: ניתוח screenshots, יצירת תמונות מתיאור, סיכום וידאו, או דיאלוג קולי בזמן אמת.
בינה מלאכותית שמבינה ומייצרת סוגים שונים של מדיה במקביל: טקסט, תמונה, וידאו ואודיו. היכולת 'לראות' ו'לשמוע' ולא רק לקרוא טקסט.
זה פותח תהליכים שהיו חסומים כשהקלט לא היה טקסט: קריאת חשבוניות סרוקות, בדיקת תמונות מהשטח, או סיכום הקלטת שיחה בלי לתמלל אותה קודם.
פחות, ובעיקר כשהקלט באיכות ירודה - צילום מטושטש, כתב יד או רעש ברקע. לכן בתהליך שתלוי בדיוק כדאי להשאיר שלב אישור אנושי.
מתהליך שבו היום מישהו מקליד ידנית מה שהוא רואה במסמך או בתמונה. זו ההמרה הישירה ביותר לחיסכון.
קטגוריה: AI & Automation