Írj nekünk
← Összes képzés

Az AI Engineering alapjai

avagy mi fán terem az AI

Gyakorlati bevezetés a modern AI rendszerek világába: a neurális hálóktól és a Transformer architektúrától az LLM-programozáson, az AI ügynökökön és a RAG-on át egészen az AI-alapú fejlesztésig.

Írj nekünk Tematika

Az AI világa rekordütemben változik: az új frontier modellek (GPT, Claude, Gemini), az MCP szabvány és a skillek, az agent-alapú rendszerek széles körű elterjedése és az AI-alapú fejlesztési eszközök teljesen új generációja formálja éppen át a képet.

Az AI Engineering alapjai képzésünk nem más, mint egy mankó a felzárkózáshoz, az alapok gyors elsajátításához. Az előző kiadás időtálló alapjaira építve frissített modellkörkép, újragondolt ügynöktematika és naprakész témák kíséretében tér vissza, hogy ne csak az alapokat, hanem a ma igazán releváns ismereteket is megkapd.

A kurzus célja, hogy gyakorlati oldalról mutassa be, hogyan épülnek fel és működnek a modern AI rendszerek, miként gondolkodnak a nagy nyelvi modellek (LLM-ek), és hogyan tudjuk ezeket hatékonyan alkalmazni valós problémák megoldására. A résztvevők lépésről lépésre sajátítják el azokat az ismereteket és készségeket, amelyek segítségével önállóan tudnak AI-komponenseket, LLM-alapú alkalmazásokat és akár saját AI ügynököket is fejleszteni, közben átlátva a teljes AI ökoszisztémát.

8 modul

Tematika

  1. Mély tanulás alapjai

    • Az AI célja és a gépi tanulás munkafolyamata
    • Biológiai neuronokból mesterséges neuronok (súlyok, bias, aktivációs függvények)
    • Mi tesz egy hálózatot „méllyé”? A rétegek megértése
    • Hogyan tanulnak a hálózatok: loss function, gradient descent, backpropagation
    • Mik azok a hiperparaméterek? (pl. tanulási ráta, batch méret)

  2. Az LLM forradalom és a Transformer architektúra

    • Mi az a nagy nyelvi modell (LLM)?
    • A hagyományos neurális hálózatok problémája szekvenciális adatoknál
    • Hogyan értik meg az LLM-ek a szöveget: tokenek és beágyazások
    • Az LLM-ek szíve: a Transformer architektúra
    • A mágikus elem: a self-attention mechanizmus (Q, K, V)
    • Az LLM tréning életciklusa: pre-training, SFT, RLHF, RLVR
    • Az LLM-ek valószínűségi természete és miért „hallucinálnak”

  3. Az AI-ökoszisztéma ma

    • Mi a reasoning modell? Hogyan „gondolkodnak” a mai frontier AI-ok?
    • Chain-of-thought és extended thinking: mikor érdemes több gondolkodási időt adni?
    • Promptolás alapjai: zero-shot, few-shot, CoT, szerepalapú technikák
    • Frontier vs. open-weight modellek: GPT, Claude, Gemini és open-weight kihívóik
    • MoE architektúrák és hatékony inferencia
    • Multimodális modellek: szöveg, kép, hang, videó
    • Lokális futtatás: HuggingFace, Ollama, LM Studio

  4. LLM programozás: API-k és keretrendszerek

    • LLM-ek elérése API-kon keresztül: OpenAI, Google Gemini, Anthropic Claude
    • Kulcs API paraméterek: model, messages, temperature, reasoning effort
    • Strukturált kimenetek generálása Pydantic AI segítségével

  5. AI ügynökök építése

    • Mi az az AI ügynök? (LLM + memória + eszközök + tervezés)
    • Az érvelési hurok: ReAct, Reflection, Planning mintázatok
    • Eszközhasználat: funkciók, API hívások, keresés
    • Model Context Protocol (MCP): a de facto szabvány az LLM–külső rendszer kommunikációhoz
    • Skillek: egyszerű képességbővítés az ügynökök számára

  6. Tudásbővítés – RAG és finomhangolás

    • Az alapvető probléma: elavult adatok és a domain-specifikus tudás hiánya
    • Megoldási stratégiák: finomhangolás vs. RAG vs. hosszú kontextus
    • A RAG folyamat: beolvasás → beágyazás → tárolás → visszakeresés → generálás
    • Embedding modellek és szemantikus keresés
    • Vektoros adatbázisok (Chroma, Qdrant, pgvector)
    • Agentic RAG: mikor lép túl a klasszikus pipeline-on?

  7. AI rendszerek értékelése és biztonságossá tétele

    • Honnan tudjuk, hogy az AI-nk jó? Értékelési metrikák és benchmarkok
    • LLM-as-a-Judge: a kvalitatív értékelés automatizálása
    • Prompt injection: hogyan támadható egy LLM-alapú rendszer
    • Biztonságos rendszertervezés: guardrailek, input/output szűrés
    • Felelős AI alapjai: elfogultság, méltányosság, átláthatóság

  8. AI-alapú fejlesztés ma

    • A chat-felületek korlátai kódolásban: miért nem elég a ChatGPT vagy a Claude.ai?
    • IDE-integrációk: Cursor, Copilot, Cline, Kilo Code – mi a különbség?
    • CLI-alapú fejlesztés: Claude Code, Codex – miben más a terminálból való AI-fejlesztés?
    • Vibe coding vs. agentic engineering
    • Multi-agent coding workflow-k: párhuzamos ügynökök, kódellenőrzés, tesztelés automatizálása

Érdekel a képzés?

Írj nekünk, és megbeszéljük, hogyan szabjuk a képzést a csapatod igényeire.

Írj nekünk