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 Software 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 Engineer 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 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
2026.09.30.
Élő konzultációk a mentorral szerda esténként
290 000 Ft
Hamarosan indul!
2027.02.03.
Élő konzultációk a mentorral szerda esténként
290 000 Ft
Jelentkezési határidő: 2027.01.29.
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
Ezek a képzések a GraphRAG előfeltételeit alapozzák meg, és 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?
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.