Képzések
Karrierutak Cégeknek Blog Kapcsolat
Mentorált

Tudásgráf alapú RAG rendszerek (GraphRAG) építése a skálázható és hallucinációmentes AI rendszerekhe

Építs összefüggéseket is értelmező AI rendszereket RAG, knowledge graph és LLM technológiákkal
Kamatmentes részletfizetés
Pénzvisszafizetési garancia
290 000 Ft
Céges ajánlatot kérek
Kívánságlistára rakom Ajándékba veszem Érdekel, de kérdeznék
Szerző: Cubix Institute of Technology
Fejlessz olyan AI alkalmazásokat, amelyek nemcsak dokumentumrészleteket keresnek vissza, hanem képesek megérteni a szövegekben szereplő fogalmak, szereplők, események és üzleti összefüggések közötti kapcsolatokat is.
 

Ebben a kurzusban lépésről lépésre megtanulod, hogyan építs GraphRAG-alapú rendszert: hogyan dolgozz fel saját dokumentumokat, hogyan nyerj ki belőlük entitásokat és kapcsolatokat, hogyan építs belőlük tudásgráfot, majd hogyan használd ezt a gráfot LLM-alapú válaszgenerálásra.

A klasszikus RAG-megoldások sok esetben jól működnek, amikor egy kérdésre néhány releváns dokumentumrészlet alapján kell választ adni. Vállalati környezetben azonban gyakran ennél összetettebb feladatok jelennek meg: több dokumentumból, több szereplőből, több folyamatból és több egymással összefüggő információból kell értelmes választ generálni.

A GraphRAG erre kínál haladóbb megközelítést. A Microsoft GraphRAG dokumentációja szerint a GraphRAG strukturált, hierarchikus RAG-megközelítés, amely nyers szövegből knowledge graph-ot épít, közösségi hierarchiákat és összegzéseket hoz létre, majd ezeket használja a válaszadás támogatására.

A képzés során olyan gyakorlati tudást szerzel, amellyel képes leszel komplexebb, jobban auditálható és üzleti környezetben is hasznosítható AI rendszerek tervezésére és fejlesztésére.

Mit nyújt ez a képzés?
 
> GraphRAG architektúra megértése: Megtanulod, miben különbözik a hagyományos RAG, a vektoros keresés és a GraphRAG egymástól, és milyen üzleti vagy technikai problémák esetén indokolt a gráfalapú megközelítés.
> Saját dokumentumokból épített tudásgráf: Elsajátítod, hogyan lehet strukturálatlan szövegekből entitásokat, kapcsolatokat, témákat és közösségeket kinyerni, majd ezekből olyan knowledge graph-ot építeni, amely később retrieval és válaszgenerálási feladatokra is használható.
> Komplexebb retrieval logikák: Megismered a Local Search, Global Search és DRIFT Search működését. A Microsoft dokumentációja szerint a DRIFT Search a local és global keresési megközelítések kombinációjaként segíti a részletes és átfogó információk feltárását.
> LLM-alapú válaszgenerálás gráfkontextussal: Megtanulod, hogyan lehet a tudásgráfból származó kontextust úgy átadni egy nagy nyelvi modellnek, hogy a válasz ne csak nyelvileg legyen jó, hanem jobban illeszkedjen a dokumentumokban szereplő kapcsolatokhoz és összefüggésekhez.
> Gyakorlati AI engineering szemlélet: Nemcsak működő demót építesz, hanem megtanulod, hogyan kell gondolkodni adatminőségről, chunkolásról, entitáskinyerésről, gráfstruktúráról, retrieval stratégiáról, költségekről és hibakeresésről.
> Saját GraphRAG projekt: A képzés végére egy saját, dokumentumtárra épülő GraphRAG mini alkalmazást készítesz, amely képes egy tudásbázisból strukturáltabb, összefüggéseket is figyelembe vevő válaszokat generálni.
Miért érdemes belevágnod?
 

A modern AI fejlesztésben egyre kevésbé elég egy egyszerű chatbotot vagy dokumentumkeresőt összerakni. A vállalatok olyan rendszereket keresnek, amelyek képesek saját adatokból dolgozni, összetett kérdésekre válaszolni, és érthető módon kezelni az információk közötti kapcsolatokat.

>A hagyományos RAG-megoldások gyakran akkor gyengülnek el, amikor a válasz nem egyetlen szövegrészletből, hanem egy teljes dokumentumhalmaz átfogó megértéséből áll össze. A GraphRAG eredeti kutatási megközelítése éppen ezt a problémát célozta: a publikáció szerint a klasszikus RAG kevésbé alkalmas globális, teljes korpuszra vonatkozó kérdésekre, például arra, hogy „melyek a fő témák ebben 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 lehet belső tudásbázisok, vállalati dokumentumtárak, compliance anyagok, kutatási dokumentumok, ügyfélszolgálati tudástárak vagy projektarchívumok feldolgozásánál.
>Ezzel a tudással stabilabb, jobban magyarázható és komplexebb AI rendszerek fejlesztésében tudsz részt venni, akár fejlesztőként, akár AI mérnökként, akár technológiai vezetőként.
Kinek ajánlott?
 
> Szoftverfejlesztőknek, adattudósoknak és AI mérnököknek, akik már találkoztak LLM-ekkel vagy RAG-megoldásokkal, és szeretnének haladóbb AI engineering irányba fejlődni.
> Backend és fullstack fejlesztőknek, akik dokumentumtárakra, belső keresőrendszerekre, ügyfélszolgálati tudásbázisokra vagy vállalati AI asszisztensekre épülő alkalmazásokat fejlesztenének.
> Data engineer-eknek és data scientist-eknek, akik szeretnék megérteni, hogyan kapcsolható össze a strukturálatlan szövegfeldolgozás, a tudásgráf-építés és az LLM-alapú válaszgenerálás.
> Tech lead-eknek és projektmenedzsereknek, akik AI-termékek end-to-end életciklusát felügyelik, és szeretnék átlátni, mikor indokolt GraphRAG architektúrában gondolkodni.
> Üzleti elemzőknek és termékmenedzsereknek, akik vállalati tudásbázisokra épülő AI megoldásokat terveznek, és szeretnék jobban érteni, milyen technológiai lehetőségek és korlátok vannak a klasszikus chatbotokon túl.
Ki lesz mindebben oktatód és mentorod?
 
Szabó Bence
Senior AI Engineer, Tech Lead - Magyar Telekom
Szabó Bence

Több mint 5 éve dolgozik különböző mesterséges intelligencia projektekben, az elmúlt 3 évben pedig kifejezetten LLM-alapú rendszerek tervezésére és implementációjára fókuszál.

Szabó Bence Tech Leadként vesz részt a Magyar Telekom ModelAI projektjében, ahol egy adatmodellezőket támogató, RAG-alapú modellező rendszer fejlesztésén dolgozik. Emellett Head of AI pozícióban a Biot-nál orvosi döntéstámogató rendszer és belső RAG tudásbázis fejlesztését vezeti.

Szakmai hátterét erős kutatási tapasztalat egészíti ki: korábban komputációs idegtudományi területen a KFKI-ban, hálózatkutatási témákban pedig a Semmelweis Egyetemen dolgozott. Kettős tudományos képzettséggel rendelkezik: 2020-ban fizikusi diplomát szerzett az ELTE-n, 2021-ben pedig orvosi diplomát a Semmelweis Egyetemen.

A képzésben ezt a kutatói, mérnöki és gyakorlati AI-fejlesztési tapasztalatot hozza be, különösen LLM-alapú rendszerek, RAG architektúrák és komplex tudásalapú AI alkalmazások tervezése területén.

Mik a képzés előkövetelményei?
 
>Alapvető programozási ismeretek, Python preferált
>Git verziókezelés alapszintű ismerete
>LLM-ek és promptolás alapfogalmainak ismerete
>RAG működésének alapszintű ismerete
>AI és gépi tanulás alapfogalmainak ismerete

Nem szükséges előzetes gráfadatbázis-szakértőnek lenned, de előnyt jelent, ha találkoztál már vektoradatbázisokkal, LangChainnel, LlamaIndexszel, Neo4j-vel, NetworkX-szel vagy hasonló technológiákkal.

Amennyiben biztosra szeretnél menni Python ismeretekkel kapcsolatban, úgy a képzés előtt ajánljuk figyelmedbe a Python Programozás Alapok című képzésünket, ahol minden ehhez a képzéshez szükséges Python ismeretet megkapsz.

Hogyan fogsz tanulni?
 
Ikon
Gyakorlatorientált oktatás: Minden héten gyakorlati feladatokat kapsz, amelyekkel lépésről lépésre építed fel a saját GraphRAG rendszeredet.
Ikon
Interaktív digitális tananyag: A gyakorlati feladatok elvégzéséhez és a tanfolyam sikeres teljesítéséhez szükséges tudást digitális tananyagok és vezetett kódolások formájában adjuk át.
Ikon
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.
Ikon
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.
Ikon
Limitált férőhely: A fent említett interakciók miatt képzéseinket korlátozott létszámmal indítjuk csak el, hogy biztosan jusson mindenkire ideje az oktatóknak.
Ikon
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.
Ikon
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.
Ikon
LinkedIn-barát tanúsítvány: Sikeres vizsga vagy záróprojekt után névre szóló, LinkedIn-barát tanúsítványt szerzel, amely igazolja, hogy a képzésen nem csak részt vettél, hanem alkalmazni is tudod a tanultakat.
Mikor indul a képzés és mennyibe kerül?
 
Képzés indulásának időpontja
2026. szeptember 28.
Részvételi díj
290.000 Ft / fő
Mit fontos még tudnod a fizetéssel kapcsolatban?
 
Pénzvisszafizetési garancia: Biztosak vagyunk a képzés tartalmát és minőségét illetően, ezért a képzés indulásától 8 napig 100%-os pénzvisszafizetési garanciát vállalunk.
Kamatmentes részletfizetés: Nem szeretnénk, ha fizetési nehézségek akadályoznák a szakmai fejlődésedet, ezért a részvételi díjat akár több részletben is fizetheted, teljesen kamatmentesen.
Céges számla igénylése: Erre is van lehetőség, ha a beiratkozom gombra kattintás után elérhető jelentkezési űrlapon kipipálod az “Áfás számla igénylés”-t.
Ha érdekel a képzés három lehetőséged is van
 
1.
Előjelentkezel a képzésre
Ha érdekel a GraphRAG képzés és szeretnéd biztosítani a helyedet, nincs más teendőd, mint az ‘Ingyenes előjelentkezés’ gombra kattintva kitölteni a jelentkezési formot, és minden részletről értesítünk, amikor tanfolyamot indítunk.
2.
Kérdezel még a képzésről
Ha szívesen előjelentkeznél, de úgy érzed, még van néhány kérdés, amire nem találtad meg a választ, kattints az ‘Érdekel, de kérdeznék’ gombra, add meg elérhetőségedet, és 48 órán belül felvesszük veled a kapcsolatot, vagy írhatsz is nekünk közvetlenül az info@cubixedu.com e-mail címre.
3.
Ismerd meg a RAG és LLM-alapú chatbotok alapjait
Ha még nem vagy biztos benne, hogy készen állsz a GraphRAG képzésre, kezdd egy kapcsolódó bevezető kurzussal, ahol megismerheted az LLM-alapú chatbotok és a RAG rendszerek működésének alapjait. Ez segít eldönteni, hogy belevágnál-e a tudásgráf-alapú, haladóbb AI alkalmazásfejlesztésbe.
Tovább a bevezető képzésre >>

Belevágnál, de még előtte szeretnél többet megtudni az adott technológiáról, vagy kíváncsi vagy a képzés részletes tematikájára?

WEBINÁROK Nézd vissza releváns webináriumainkat, ahol meghívott szakértőinktől vagy akár a képzés oktatójától tudhatsz meg még többet az adott témáról. TECH BLOG Ha pedig inkább olvasnál a témában, akkor nézz körbe releváns blogbejegyzéseink között.
Ha a képzéssel vagy webináriumokkal, esetleg a fizetési módokkal vagy akár a kedvezményekkel kapcsolatban kérdésed lenne, keress minket bátran az info@cubixedu.com e-mail címen!
 
A változtatás jogát fenntartjuk.

Tudásgráf alapú RAG rendszerek (GraphRAG) építése a skálázható és hallucinációmentes AI rendszerekhe

Építs összefüggéseket is értelmező AI rendszereket RAG, knowledge graph és LLM technológiákkal
Kamatmentes részletfizetés
Pénzvisszafizetési garancia
290 000 Ft
Céges ajánlatot kérek
Kívánságlistára rakom Ajándékba veszem Érdekel, de kérdeznék

Hasonló képzések a témában

Aszinkron
Mesterséges Intelligencia
~3 óra
29 000 Ft
Aszinkron
Mesterséges Intelligencia
~5 óra
19 000 Ft
Aszinkron
Mesterséges Intelligencia
~3 óra
9 900 Ft
Mentorált
Mesterséges Intelligencia
5 hét
2026-07-08
195 000 Ft