Kurzusleírás
1. nap – Generatív AI & LLM-alapok
Bevezetés a generatív AI-ba és az LLM-felhasználási esetekbe
A transzformer-alapú modellek megértése (GPT, LLaMA, T5 stb.)
Tokenek, tokenizáció és beágyazások (embeddings)
Előre betanított modellek használata API-kon keresztül (OpenAI, Claude)
Előre betanított modellek használata a Hugging Face-en keresztül
A promptolás alapjai: zero-shot és few-shot promptolás
Gyakorlat: prompttervezés Python notebookban
Egyszerű LLM-alapú alkalmazás építése (CLI vagy webes felület)
Gyakorlati korlátok: tokenek, sebességkorlátozások és alapvető megbízhatósági technikák
2. nap – RAG és vektoros keresés
Miért RAG: LLM-ek kombinálása saját adatokkal
RAG-architektúra: betöltés, indexelés, lekérés, generálás
Dokumentumok előkészítése és darabolása a lekérdezéshez
Szövegbeágyazások (text embeddings) generálása API-kkal vagy Hugging Face-cel
Bevezetés a vektoros adatbázisokba (pl. Chroma, Pinecone)
Gyakorlat: alapvető szemantikus keresési szkript építése
Gyakorlat: dokumentum kérdés-válasz rendszer építése RAG-gal
A betöltés és a beágyazások méretezése (nagyobb adatmennyiségek munkafolyamatainak áttekintése)
Tervezési kompromisszumok a RAG-ban: darabolás, top-k, költség vs. minőség
3. nap – Munkafolyamatok, ágensek és éles környezet
Mik az AI-ágensek, és mikor érdemes őket használni
Bevezetés a LangGraphba és a gráf-alapú LLM-munkafolyamatokba
Gyakorlat: egyszerű LangGraph-munkafolyamat építése eszközökkel
Memória és többlépcsős érvelés hozzáadása a munkafolyamatokhoz
A RAG és az ágensek kombinálása (agentikus RAG)
LLM- és RAG-rendszerek monitorozása és értékelése
Telepítési lehetőségek LLM-alkalmazásokhoz (API-k, konténerek, szolgáltatások)
Költség- és teljesítményoptimalizálási stratégiák
Alapvető biztonság, védelmi mechanizmusok és felelős használat
Záró mini-projekt: végponttól végpontig tartó RAG/ágens alkalmazás bemutatója
Követelmények
Biztos Python programozási ismeretek és jártasság az API-k használatában.
Célközönség:
Ez a tanfolyam olyan szervezeteknek szól, amelyek szeretnék átlépni a kísérletezés fázisából a valódi LLM-alapú megoldások felé. Ideális szoftver-, backend- és full-stack fejlesztők számára, akik LLM-eket integrálnak termékekbe és szolgáltatásokba; adatmérnököknek és gépi tanulási mérnököknek, akik RAG-gal, beágyazásokkal (embeddings) és vektoros kereséssel dolgoznak; megoldás- és vállalati építészeknek, akik LLM-alapú architektúrákat terveznek; valamint technikai termékfelelősöknek és mérnöki vezetőknek, akik az AI-felhasználási esetek, költségek és kockázatok értékeléséért felelősek.
Vélemények (2)
megfelelő és hatékony prompt használata
Marses Pacaldo
Kurzus - Generative AI and Prompt Engineering for Corporate Professionals
Gépi fordítás
Az interaktív stílus, a gyakorlatok
Tamas Tutuntzisz
Kurzus - Introduction to Prompt Engineering
Gépi fordítás
