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 nyújt a GraphRAG rendszerek tanfolyam?
- 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, amely utóbbi az előzőek kombinációjával 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 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 dátumok
2026.09.30.
Mentorált alkalmak szerda esténként
290 000 Ft
Jelentkezési határidő: 2026.09.30.
Jelentkezem2027.02.03.
Mentorált alkalmak szerda esténként
290 000 Ft
Jelentkezési határidő: 2027.02.03.
JelentkezemMás 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
A bankkártyás fizetést a Stripe biztosítja, a világ egyik legelterjedtebb online fizetési szolgáltatója, gyors és biztonságos fizetési folyamattal.
Kamatmentes részletfizetés
Nem szeretnénk, ha a fizetési nehézségek akadályoznák a szakmai fejlődésedet, ezért a részvételi díjat teljesen kamatmentesen, havi részletekben is kifizetheted. Annyi részletre bontjuk a díjat, ahány naptári hónapot a képzés érint, tehát egy hathetes képzésnél jellemzően két, egy tízhetesnél három részlettel számolj.
Fizetés banki átutalással, egy összegben
Ha bankkártya helyett átutalással fizetnél, a jelentkezési űrlapon ezt is kiválaszthatod. A számlát ezután e-mailben küldjük, az utalás közleményébe pedig kizárólag a számla sorszámát írd, hogy be tudjuk azonosítani a befizetésedet.
Készen állsz a jelentkezésre?
Jelentkezz most, és kezdd el a fejlődést!
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?
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
Gyakran Ismételt Kérdések
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.
Mit tegyek, ha nem vagyok biztos az előfeltételekben?
Ha az alapok bizonytalanok, javasolt előzetesen elvégezni a Python Programozás Alapok képzést, mielőtt jelentkezel.
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.
Szükséges-e gráfadatbázis-szakértőnek lenni?
Nem, de előnyt jelent, ha már találkoztál vektoradatbázisokkal, Neo4j-vel, NetworkX-szel vagy hasonló technológiákkal.
Milyen tanúsítványt kapok?
Sikeres vizsga vagy záróprojekt után névre szóló, LinkedIn-barát tanúsítványt kapsz.