LLM alkalmazás fejlesztése saját adatforrásból (RAG): Megtanulod, hogyan építs olyan alkalmazást, ami a saját céges dokumentumaitokból, tudásbázisotokból ad pontos válaszokat, nem csak az internetről összeszedett általános információkból.
Haladó prompt engineering a gyakorlatban: Elsajátítod, hogyan adj pontos, hatékony utasításokat egy nyelvi modellnek az egyszerű kérdésektől a több lépéses, összetett feladatokig, egészen az éles rendszerekben használt, gondosan megtervezett prompt-sablonokig.
Vektoradatbázisok kezelése (Chroma, FAISS, Weaviate): Megtanulod, hogyan tárold és keresd vissza a szöveges tartalmakat úgy, hogy a rendszer a leginkább releváns információt találja meg. Ez az, ami az alkalmazás válaszainak pontosságát alapvetően meghatározza.
Evaluációs pipeline építése: Kialakítasz egy tesztelési rendszert, amivel mérheted, hogy az alkalmazásod mennyire ad pontos és releváns válaszokat mind automatizált tesztekkel, mind emberi értékeléssel.
Evaluációs eszköztár (Promptfoo, Braintrust, Arize Phoenix): Megismered azokat az iparban használt eszközöket, amelyekkel nyomon követheted az alkalmazásod minőségét, és automatikusan jelezheted, ha valami romlik - mindezt akár a fejlesztési folyamatba (CI/CD) beépítve.
Monitoring és dashboard (Streamlit, Grafana): Felépítesz egy kezelőfelületet, ahol valós időben látod, hogyan teljesít az alkalmazásod élesben, és a felhasználói visszajelzéseket közvetlenül beépíted a fejlesztésbe.
Fontos: ez a képzés elsősorban az LLM-ekre épülő alkalmazások fejlesztésére és evaluációjára fókuszál, nem a modellek betanítására. Ha saját gépi tanulási modellek fejlesztése, fine-tuning vagy MLOps pipeline kiépítése érdekel, nézd meg a Machine Learning Engineer képzésünket, amely a klasszikus ML algoritmusoktól a deep learningen át az éles üzemeltetésig lefedi a teljes életciklust.
