Tudásgráf alapú RAG rendszerek (GraphRAG) építése a skálázható és hallucinációmentes AI rendszerekhez
Építs összefüggéseket is értelmező, skálázható és hallucinációmentes AI rendszereket RAG, knowledge graph és LLM technológiákkal, mentorált projektmunkával.
Mit fogsz tanulni?
8 hét alatt a klasszikus RAG korlátaitól a dokumentumfeldolgozáson, entitáskinyerésen és tudásgráf-építésen át a local/global search és a teljes GraphRAG rendszer integrációjáig.
1 RAG alapok és GraphRAG szemlélet A klasszikus RAG architektúrák megértése, korlátai és a GraphRAG szemléletmód alapfogalmai.
- RAG architektúra áttekintése
- Embeddingek és vektoros keresés szerepe
- A klasszikus RAG korlátai
- GraphRAG alapfogalmak
- Knowledge graph szerepe AI alkalmazásokban
- Tipikus üzleti use case-ek
2 Dokumentumfeldolgozás és adat-előkészítés Strukturált és strukturálatlan dokumentumok feldolgozása, chunkolás, metaadat-kezelés és adattisztítás.
- Dokumentumtípusok kezelése
- Chunkolási stratégiák
- Metaadatok szerepe
- Adattisztítás és normalizálás
- Strukturált és strukturálatlan információk
- Adatminőségi problémák GraphRAG rendszerekben
3 Entitás- és kapcsolatkinyerés LLM-ekkel Entity extraction és relationship extraction technikák, promptolási minták, LLM output validálása és schema-tervezés.
- Entity extraction
- Relationship extraction
- Promptolási minták információkinyeréshez
- LLM output validálása
- Hibás vagy hiányos entitások kezelése
- Schema-tervezés knowledge graph-hoz
4 Tudásgráf építése és tárolása Knowledge graph alapok, gráfmodellezés, Neo4j és NetworkX alkalmazása, adatvalidálás és duplikációkezelés.
- Knowledge graph alapok
- Node-ok, edge-ek, attribútumok
- Gráfmodellezési döntések
- Neo4j és NetworkX alapok
- Gráfadatok validálása
- Duplikációk és entity resolution problémák
5 Local Search és entitásközpontú lekérdezés Local Search logika, entitásalapú retrieval, szomszédos node-ok integrálása és kontextusépítés.
- Local Search logika
- Entitásalapú retrieval
- Szomszédos node-ok és kapcsolatok beemelése
- Kontextusépítés gráfból
- Prompt összeállítás gráfkontextussal
6 Global Search, community detection és összegzések Global Search működése, community detection és hierarchikus közösségek, community summary-k és válaszgenerálás.
- Global Search működése
- Community detection alapjai
- Hierarchikus közösségek
- Community summary-k készítése
- Több részválaszból álló válaszgenerálás
- Globális kérdések és query-focused summarization
7 GraphRAG rendszer integrációja AI alkalmazásba Teljes GraphRAG pipeline összerakása, FastAPI backend, LLM integráció, hibrid architektúrák és Docker.
- GraphRAG pipeline összerakása
- FastAPI alapú backend
- LLM API integráció
- Vektoros és gráfalapú retrieval kombinálása
- Hibrid architektúrák
- Docker alapú futtatás
- Alkalmazáslogika és hibakezelés
8 Evaluáció, hibakeresés és záróprojekt GraphRAG evaluációs szempontok, baseline összehasonlítás, minőségi mérőszámok, hallucinációkezelés és költségoptimalizálás.
- GraphRAG evaluációs szempontok
- Baseline RAG vs GraphRAG összehasonlítás
- Pontosság, relevancia, teljesség, forráshűség
- Hallucinációk és hibás kapcsolatok kezelése
- Költség- és teljesítményoptimalizálás
Miért érdemes belevágnod?
A modern AI fejlesztésben egyre kevésbé elég egy egyszerű chatbotot vagy dokumentumkeresőt összerakni: a vállalatok olyan rendszereket keresnek, amelyek saját adataikból dolgoznak, összetett kérdésekre válaszolnak, és érthetően kezelik az információk közötti kapcsolatokat.
A hagyományos RAG-megoldások gyakran ott ütköznek korlátba, amikor a válasz nem egyetlen szövegrészletből, hanem egy teljes dokumentumhalmaz átfogó megértéséből áll össze. A GraphRAG eredeti kutatási megközelítése is éppen ezt a problémát célozta meg: a klasszikus RAG kevésbé alkalmas globális, teljes korpuszra vonatkozó kérdések megválaszolására, például arra, hogy „melyek a fő témák az adathalmazban?”.
A GraphRAG tudásával olyan AI alkalmazásokat tudsz építeni, amelyek jobban kezelik a több dokumentumból, több szereplőből és több kapcsolatból álló üzleti problémákat. Ez különösen értékes belső tudásbázisok, vállalati dokumentumtárak, compliance anyagok, kutatási dokumentumok, ügyfélszolgálati tudástárak vagy projektarchívumok feldolgozásánál.
- Munka mellett végezheted, rugalmas időbeosztással
- Gyakorlati projekteken keresztül, oktatói mentorálással
- LinkedIn profilodba beágyazható tanúsítvány
Ismerd meg oktatódat
Szabó Bence
Senior AI Engineer
Több mint 5 éve dolgozom mesterséges intelligencia projektekben, az elmúlt 3 évben kifejezetten LLM-alapú rendszerek tervezésére és megvalósítására fókuszálok. Tech Leadként veszek részt a Magyar Telekom ModelAI projektjében, ahol adatmodellezőket támogató, RAG-alapú rendszert fejlesztünk, a Biotnál pedig Head of AI-ként orvosi döntéstámogató rendszer és belső RAG tudásbázis fejlesztését vezetem.
Kutatói hátterem is van: dolgoztam komputációs idegtudományi területen a KFKI-ban és hálózatkutatásban a Semmelweis Egyetemen. 2020-ban fizikusi diplomát szereztem az ELTE-n, 2021-ben orvosi diplomát a Semmelweis Egyetemen.
Kinek ajánlott?
- Szoftverfejlesztők, adattudósok és AI mérnökök, akik haladóbb AI engineering irányba fejlődnének
- Backend és fullstack fejlesztők, akik dokumentumtárakra, tudásbázisokra épülő alkalmazásokat építenek
- Data engineerek és data scientistek strukturálatlan szövegfeldolgozáshoz és tudásgráf-építéshez
- Tech lead-ek és projektmenedzserek AI-termékek end-to-end felügyeletéhez
- Üzleti elemzők és termékmenedzserek vállalati tudásbázisokra épülő AI megoldások tervezéséhez
Kinek nem ajánlott?
- Akik még nem építettek RAG- vagy LLM-alapú alkalmazást, nekik előbb az AI asszisztensek képzést ajánljuk
- Akiknek nincs programozási tapasztalatuk
- Akik no-code AI megoldásokat keresnek
- Akik elméleti gráfelméleti kurzusra számítanak, a képzés gyakorlati rendszerépítésre épül
Mik a képzés előkövetelményei?
Előnyt jelent, ha már találkoztál vektoradatbázisokkal, gráfadatbázisokkal (például Neo4j) vagy gráf-könyvtárakkal (mint a NetworkX), de ez nem feltétel: a tudásgráfok építését a képzés az alapoktól veszi.
Hogyan fogsz tanulni?
Gyakorlatorientált oktatás
Minden héten gyakorlati feladatokat kapsz, amelyekkel lépésről lépésre építed fel a saját GraphRAG rendszeredet.
Interaktív digitális tananyag
A gyakorlati feladatok elvégzéséhez és a tanfolyam sikeres teljesítéséhez szükséges tudást digitális tananyagok és vezetett kódolások formájában adjuk át.
Oktatói mentoring
A képzés ideje alatt az oktató folyamatosan a rendelkezésedre áll, bármikor kérdezhetsz tőle, ha elakadtál, és rendszeresen visszajelzést ad a feladataidra, fejlődésedet végigkíséri.
Konzultációk
Valamennyi tanegység végén egy-egy élő konzultációs alkalmat is szervezünk este 18:00 órától, amikor élőben is felteheted kérdéseidet, közösen kiértékelhetitek és átbeszélhetitek a gyakorlás során elkészített projekteket, és tanulhattok egymás elakadásaiból is.
Limitált férőhely
A fent említett interakciók miatt képzéseinket korlátozott létszámmal indítjuk csak el, hogy biztosan jusson mindenkire ideje az oktatóknak.
Rugalmas időbeosztás
A tanfolyamot munka mellett is végezheted, hiszen a tananyag elsajátítása heti 8-12 óra elfoglaltságot igényel összesen, amelyet saját időbeosztás szerint dolgozhatsz fel.
Visszanézhető LIVE alkalmak
Akkor sincs semmi baj, ha egy élő konzultációs alkalmon nem tudsz részt venni, hiszen a kérdéseid előre is elküldheted írásban, a válaszokat és az egész LIVE-ot pedig visszanézheted másnap 16:00 órától.
Minőségbiztosított képzések
Képzéseink szakmai minőségbiztosítását az iparági vezető technológiai vállalatok és a Budapesti Műszaki és Gazdaságtudományi Egyetem végzi.
- Tanúsítványt kapsz, amelyet önéletrajzodhoz és LinkedIn profilodhoz csatolhatsz
- Bizonyítja, hogy elsajátítottad az adott ismereteket
- Segíti a szakmai előmeneteledet és karriered fejlődését
Jó társaságban leszel!
Már több mint 150 hazai és nemzetközi cég munkatársa képezte magát tovább nálunk.
Tudtad?
A munkáltatók 83%-a finanszírozza a munkatársak képzését, ne felejtsd el megkérdezni a tiédet!
Következő indulási dátum
Más időpont érdekel?
Add meg az e-mail címed, és szólunk, ha új időpontot hirdetünk meg.
Fizetési lehetőségek
Többféle fizetési lehetőséget biztosítunk, hogy a legmegfelelőbb opciót válaszd.
Online fizetés bankkártyával
Az OTP SimplePay az egyik legelterjedtebb online fizetési megoldás — gyors és biztonságos fizetési folyamatáról ismert.
Kamatmentes részletfizetés
Nem szeretnénk, ha a fizetési nehézségek akadályoznák a szakmai fejlődésedet, ezért a részvételi díjat több részletben, teljesen kamatmentesen is kifizetheted.
Fizetés banki átutalással, egy összegben
Ha online kártyás fizetés helyett banki átutalással szeretnél fizetni, az sem probléma — írj nekünk, és ebben is segítünk.
Készen állsz a jelentkezésre?
Jelentkezz most, és kezdd el a fejlődést!
Gyakran Ismételt Kérdések
Szükséges-e gráfadatbázis-szakértőnek lenni?
Nem, de előnyt jelent, ha már találkoztál vektoradatbázisokkal, Neo4j-vel, NetworkX-szel vagy hasonló technológiákkal.
Hány órát kell hetente szánnom a képzésre?
Az ajánlott ráfordítás heti 8-12 óra, rugalmas ütemezéssel, így munka mellett is végezhető.
Részt vehetek a LIVE alkalmaktól eltérő időben?
Igen, a heti élő konzultációk visszanézhetők, így akkor is hozzáférsz a tartalmukhoz, ha élőben nem tudsz csatlakozni.
Milyen tanúsítványt kapok?
Sikeres vizsga vagy záróprojekt után névre szóló, LinkedIn-barát tanúsítványt kapsz.
Mit tegyek, ha nem vagyok biztos az előfeltételekben?
Ha az alapok bizonytalanok, javasolt előzetesen elvégezni a Python Programozás Alapok képzést, mielőtt jelentkezel.