Sovereign AI rendszerek építése és üzemeltetése vállalati környezetben
Open source LLM-ek finomhangolása, optimalizálása és biztonságos futtatása saját infrastruktúrán: lokális AI építés a költséges, adatvédelmi kockázatot hordozó publikus API-k kiváltására.
Mit nyújt a Sovereign AI és LLM finomhangolás tanfolyam?
- Megérted a helyi AI szolgáltatások koncepcióját: milyen használati esetek tartoznak ide, milyen kockázatokat kezelhetsz vele és milyen korlátai vannak.
- Megismered a helyi AI ökoszisztéma elemeit: a modellkiszolgálókat (inferencia szerverek), az AI gateway megoldásokat, a vektoradatbázisokat, az MCP szervereket, valamint a RAG és workflow megoldásokat.
- Megtanulsz pontos hardver-erőforrás becslést végezni, a VRAM igény számításától a sávszélesség-tervezésig, hogy tudd, milyen GPU, CPU és memória szükséges egy adott modell futtatásához, és mikor éri meg a saját infrastruktúra a felhős AI szolgáltatásokkal szemben.
- Megtanulsz nagy terhelést bíró production inferencia szervereket (vLLM, SGLang, Llama.cpp) hardveroptimalizáltan fordítani és konténerizáltan telepíteni helyi szerverekre és a felhőbe is, sőt betekintést kapsz a felhőszolgáltatók inferencia megoldásaiba is.
- Megismered, hogyan futtathatsz hatékonyan modelleket laptopon és otthoni PC-n, helyi kódolási asszisztensekhez és hangfelvétel átírásához.
- Elsajátítod a kvantálási eljárásokat (GGUF, AWQ, GPTQ), amelyekkel drasztikusan csökkentheted a nyílt forráskódú modellek memóriaigényét, így akár consumer hardveren vagy CPU-n is futtathatod őket, és megismered a modellkiszolgálás optimalizálási technikáit, például a speculative decodingot, a continuous batchinget és a MOE modellek használatát.
- Megismered, hogyan futtathatod hatékonyan a helyi AI megoldásokat, és hogyan tesztelheted a teljesítményüket szöveges, vizuális és hang adatok feldolgozásánál, hogyan méred a perplexity-t (PPL), és hogyan illesztheted az AI futtató környezetet a szabványos vállalati monitorozási megoldásokba.
- Megtanulod a PEFT (Parameter-Efficient Fine-Tuning) és LoRA módszereket, amelyekkel nem nulláról, hanem kevés erőforrással taníthatsz be modelleket saját feladatokra, olyan helyi megoldásokkal, mint a Red Hat AI vagy az Unsloth Studio.
- Képes leszel nyers vállalati adatokból tanító adatbázist készíteni, megérted a Chat Template-eket, valamint a strukturált adatbeviteli formátumok (JSONL, TOON) fontosságát a modell hatékony működéséhez.
- Megszerzed a tudást a rendszerek Docker konténerbe csomagolásához (NVIDIA Container Toolkit), így biztosítod a fejlesztői és éles környezet közötti hordozhatóságot és skálázhatóságot.
- Képessé válsz internetkapcsolat nélküli, offline környezetbe telepíteni AI rendszereket, integrálva a lokális AI ökoszisztéma elemeivel (agentek, LLM gateway, vektoradatbázisok, MCP), így garantálod az adatszuverenitást, közben pedig megismered az alkalmazásbiztonsági kockázatokat is (OWASP LLM Top 10).
- Megismered az AI szolgáltatók token felhasználási és költségmodelljeit, a token caching technikákat, és azt, hogyan használhatod költséghatékonyan az AI agenteket a helyi AI megoldások segítségével.
- Mélyreható ismereteket szerzel a Hugging Face platform használatáról és a különböző nyílt modellek (Qwen, Gemma, Mistral, Llama, DeepSeek, GLM) architektúrájának összehasonlításáról (Dense, MOE, MTP), valamint licenszelési módozatairól.
Miért érdemes belevágnod?
Rengeteg vállalat érzi ugyanazt a szorítást: a versenyképességhez kellene a mesterséges intelligencia, ugyanakkor a szigorú adatvédelmi szabályok (GDPR, üzleti titok, banktitok) miatt nem tölthetik fel az érzékeny adataikat egy nyilvános, „Black Box” működésű AI szolgáltatóhoz. Ráadásul a publikus AI API-k token alapú árazása lineárisan növekvő, hosszú távon fenntarthatatlan költséget jelent.
A válasz erre a Sovereign AI: a saját infrastruktúrán futtatott, nyílt modellek ma már számos vállalati use case-ben versenyképes alternatívát adnak a zárt rendszerekkel szemben, ott, ahol az adatszuverenitás, a költségkontroll és a testreszabhatóság számít. És pont most van itt az ideje: az új kvantálási eljárások (például a GGUF) miatt, amihez tavaly még szuperszámítógép kellett, az ma lefut egy erős gamer PC-n vagy egyetlen bérelt GPU-n. Emellett a saját modell megszünteti a függőséget a nagy tech cégektől, az AI Engineer pedig ma az egyik legkeresettebb IT pozíció, mert a cégek olyan szakembert keresnek, aki képes összerakni ezeket a rendszereket.
- Munka mellett végezheted, rugalmas időbeosztással
- Gyakorlati projekteken keresztül, oktatói mentorálással
- LinkedIn profilodba beágyazható tanúsítvány
Ismerd meg oktatódat
Jagusztin László
Chief Technology Architect, Alerant
Jagusztin László vagyok, Architect az Alerant Zrt.-nél. Az elmúlt 20-30 évben mint vezető dolgoztam telekommunikációs és energetikai cégeknél. A munkám nagy részét a DevOps bevezetési projekteknek a vezetése vagy tanácsadása töltötte ki.
Kinek ajánlott?
- Backend fejlesztők, akik AI-integrációval és LLM-alapú alkalmazásfejlesztéssel bővítenék az eszköztárukat
- DevOps és MLOps mérnökök, akik AI modellek biztonságos üzemeltetésével foglalkoznak
- Tech Lead-ek és CTO-k, akik stratégiai döntéseket hoznak az AI bevezetéséről és infrastruktúrájáról
Kinek nem ajánlott?
- Akiknek nincs fejlesztői vagy üzemeltetési tapasztalatuk
- Akik felhős API-kkal (OpenAI, Claude) való integrációt tanulnának, arra az AI Engineer képzésünk való
- Akik no-code AI eszközöket keresnek
- Akik üzleti, stratégiai AI-áttekintést várnak technikai mélység nélkül
Mik a képzés előkövetelményei?
Mélyreható LLM-előismeretre nincs szükséged, a képzés minden koncepciót nulláról épít fel. Ha van már tapasztalatod AI-integrációban, DevOps vagy MLOps területen, az előny, de nem feltétel. Hasonlóan előny, ha hozzáférsz erősebb NVIDIA GPU-hoz (pl. RTX 4090, A100), de nem kötelező: a kvantálási eljárásokkal gyengébb gépen vagy akár CPU-n is haladhatsz, és a képzés megtanít a hardverbecslésre is.
Hogyan fogsz tanulni?
Gyakorlatorientált oktatás
Minden héten izgalmas gyakorló feladatokat kapsz majd, amelyek keretében már menetközben is konkrét lekérdezéseket fogsz megvalósítani
Interaktív digitális tananyag
A gyakorlati feladatok elvégzéséhez és a képzés sikeres teljesítéséhez szükséges tudást digitális tananyagok és vezetett kódolások formájában adjuk át, amelyeket saját időbeosztásod szerint, akár munka mellett is feldolgozhatod és egy évig korlátlan alkalommal visszanézheted.
Oktatói mentoring
A képzés ideje alatt az oktató folyamatosan a rendelkezésre 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, 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.
Minőségbiztosított képzések
Képzéseink szakmai minőségbiztosítását iparági vezető technológiai vállalatok végzik. Szakmai partnerünk a Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kara.
- 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 dátumok
2026.10.26.
Élő konzultációk a mentorral hétfő esténként
290 000 Ft
Jelentkezési határidő: 2026.10.23.
2027.02.15.
Élő konzultációk a mentorral hétfő esténként
290 000 Ft
Jelentkezési határidő: 2027.02.12.
Más időpont érdekel?
Add meg az e-mail címed, és szólunk, ha új időpontot hirdetünk meg.
Fizetési lehetőségek
Biztosak vagyunk a képzés tartalmát és minőségét illetően, ezért a képzés indulásától 8 napig 100%-os pénzvisszafizetési garanciát vállalunk, melyhez többféle fizetési lehetőséget is biztosítunk, hogy a számodra legmegfelelőbb opciót választhasd.
Online fizetés bankkártyával
A Stripe az egyik legelterjedtebb online fizetési megoldás nemzetközileg, gyors és biztonságos fizetési folyamatáról ismert.
Fizetés banki átutalással, egy összegben
Ha online kártyás fizetés helyett banki átutalással szeretnél fizetni, az sem probléma, lent található jelentkezési űrlapunkon ezt is választhatod.
Kamatmentes részletfizetés
Nem szeretnénk, ha a fizetési nehézségek akadályoznák a szakmai fejlődésedet, ezért a részvételi díjat több részletben, teljesen kamatmentesen is kifizetheted.
Kapcsolódó képzések
A lokális AI-fejlesztés mellé az AI-üzemeltetés, az ágensfejlesztés és a vállalati adatok AI-hoz kötése is jól jön. Bármelyik hozzáadható a jelentkezésedhez.
Készen állsz a jelentkezésre?
Könnyítendő magánszemélyként résztvevő hallgatóink helyzetét, a feltüntetett ár számukra a ténylegesen fizetendő végösszeg. Céges megrendelés esetén az adott összeg tekintendő a nettó árnak.
Mit fogsz tanulni?
10 hét alatt a hardvertervezéstől a modellkvantáláson, finomhangoláson és RAG-rendszereken át a biztonságos, air-gapped deploymentig.
1 A Sovereign AI alapjai és hardvertervezés Az alapvető koncepciók és a hardver-választási kritériumok megértése.
- Nyílt vs. zárt ökoszisztémák
- Hugging Face Hub mérnöki szemmel
- Hardverbecslés: GPU választás, memória matek (VRAM, sávszélesség)
2 Modell optimalizáció és kvantálás A modellek memóriaigényének drasztikus csökkentése kvantálási eljárásokkal.
- Hogyan fér el a modell a memóriában? (FP16 vs INT4)
- Kvantálási eszközök a gyakorlatban (llama.cpp, AutoGPTQ)
- CPU vs GPU inferencia optimalizálás
3 Hatékony finomhangolás (Efficient Fine-Tuning) Saját feladatokra specializált modellek készítése minimális erőforrással.
- PEFT és LoRA technológiák mélyfúrása
- Saját adathalmaz készítése (Dataset Engineering, Chat Template, JSONL)
- Tanítás felügyelete és kiértékelése (Loss curves, Overfitting)
4 Lokális inferencia és RAG rendszerek Vállalati szintű production szerverek üzemeltetése és tudásbázis csatolása.
- Vállalati szintű szerverek beüzemelése (vLLM, Ollama, PagedAttention)
- Saját tudásbázis csatolása (RAG architektúra, lokális vektoradatbázis)
- API végpontok készítése és integrációja
5 AI biztonság és deployment Biztonságos, offline rendszerek telepítése és üzemeltetése.
- Prompt Injection elleni védelem
- Air-gapped (offline) telepítési stratégiák
- A kész rendszer konténerizálása és átadása (Docker, NVIDIA Container Toolkit)
Gyakran Ismételt Kérdések
Milyen hardverre van szükségem a kurzus elvégzéséhez?
Az ideális egy NVIDIA GPU (pl. RTX 4090, A100), de a kvantálási eljárások lehetővé teszik a futtatást gyengébb PC-n vagy akár CPU-n is. A kurzus megtanít hardverbecslésre, hogy meghatározd az igényeidhez szükséges eszközöket.
Szükséges-e a képzés előtt mélyrehatóan ismerni az LLM-eket?
Nem, elég a középhaladó Python-tudás és az alapszintű Terminal-jártasság. A képzés minden koncepciót nulláról építkezve tanít.
Mit jelent az "air-gapped" szó a képzés kontextusában?
Internetkapcsolat nélküli telepítést jelent: a rendszer offline környezetben működik, garantálva az adatszuverenitást és minimalizálva a biztonsági kockázatokat.
Hány hét alatt lehet befejezni a képzést?
A képzés 10 hét hosszú, de a digitális tananyaghoz 1 évig korlátlan hozzáférést kapsz, így saját tempóban is haladhatsz.
Mi történik, ha nem vagyok elégedett a képzéssel?
100%-os pénzvisszafizetési garanciát vállalunk az indulástól számított 8 napon belül.
Mi történik azután, hogy jelentkeztem?
A jelentkezésedet e-mailben visszaigazoljuk, és megküldjük az első számlát. Ha átutalással fizetsz, a közleménybe kizárólag a számla sorszáma kerüljön, mert így tudjuk beazonosítani a befizetésedet. Ezen túl nincs más teendőd: az indulás előtt hozzárendeljük a kurzust a tanulói fiókodhoz, a kezdés előtti napon pedig küldünk egy összefoglaló, eligazító levelet. Részletfizetésnél a további számlákat mindig az esedékességük előtt küldjük ki.
Mi van, ha egyik meghirdetett indulás sem jó nekem?
A meghirdetett csoportokat az adatlapon, a „Következő indulási dátumok” szekcióban találod. Ha egyik időpont sem fér bele az időbeosztásodba, add meg az e-mail címed ugyanott, a „Más időpont érdekel?” résznél, és szólunk, amint új időpontot hirdetünk. Ha a jelentkezésed után derül ki, hogy mégis egy másik csoport lenne jobb, írj az info@cubixedu.com címre, és átvezetünk. Ha már kaptál számlát, azt ilyenkor sztornózzuk, így nem marad nyitott tételed.
Be tudom íratni a munkatársaimat, vagy fizetheti a munkáltatóm?
Igen, mindkettő megoldható. A jelentkezés „Számlázás” lépésénél válaszd a „Munkatársnak vásárolok” lehetőséget, több fő esetén pedig a „Több munkatársat szeretnél beíratni?” gombot. Ha inkább írnál, vagy a munkáltatódnak hivatalos árajánlatra van szüksége a döntéshez, keress minket az info@cubixedu.com címen, és összeállítjuk. Ha a cégnél elhúzódik a jóváhagyás, az sem gond, a képzéseinket rendszeresen újraindítjuk, így egy későbbi csoportra is tudsz jelentkezni.
Hogyan tudom felhasználni a kedvezménykuponomat?
A kuponkódot a jelentkezési űrlap „Fizetés” lépésénél tudod megadni: írd be a Kuponkód mezőbe, kattints a Beváltás gombra, és a rendelési összegző rögtön a kedvezményes végösszeget mutatja. A kuponok érvényessége kódonként eltér, ezért ha a tiéd nem működne ennél a képzésnél, írj nekünk az info@cubixedu.com címre, és megnézzük.
Kapok kedvezményt, ha mást is beajánlok a képzésre?
Igen, ajánlásért 5% kedvezményt adunk, amit az ajánló és az ajánlott is megkap, és a nálad lévő egyéb kedvezmény mellett is érvényesíthető. Írj nekünk az info@cubixedu.com címre az általad ajánlott jelentkezők nevével, amint biztos a részvételük, és mindenkinek külön kupont küldünk. A kupont a jelentkezési űrlap „Fizetés” lépésénél tudod beváltani.
Össze tudok állítani több képzésből egy csomagot?
Igen, több képzésből kérhetsz csomagot, amit a külön megvásárolt kurzusoknál kedvezőbb csomagáron adunk. Írd meg az info@cubixedu.com címre, mely képzések érdekelnek, és összeállítjuk. Küldünk hozzá egy áttekintést a képzések formátumáról, a tervezett indulásokról és a javasolt tanulási időről, valamint egy naptárnézetet, amiből látod az esetleges átfedéseket. Az összeállítás csak kiindulópont, a csomag bármelyik képzésünkből összerakható, és az ütemezés menet közben is rugalmasan alakítható.