AI Engineering alapképzés
Vektor-adatbázis alapú chatbotok és LLM alkalmazások építése RAG technológiával, folyamatos minőségbiztosítással, a prototípustól az éles üzemeltetésig.
Mit fogsz tanulni?
8 hét alatt az LLM API integrációtól a RAG-pipeline-on át az automatizált evaluációig és monitoringig építesz fel egy éles AI alkalmazást.
1 LLM-ek és prompt-tervezés alapjai A nagy nyelvi modellek működésének megértése, prompt engineering alapelvek és az első evaluációs eszközök.
- LLM-ek működésének áttekintése: transformer, tokenizálás, kontextusablak
- LLM-ek működésének áttekintése: Reasoning modellek
- LLM-ek működésének áttekintése: API
- Prompt engineering alapelvek: zero-shot, few-shot, instrukciók
- Bevezetés az agent-szerű működésbe: láncolt promptok
- Production System prompt elemzése, részei
- AI irányelvek
- Promptfoo
- Model Context Protocol (MCP)
2 RAG technológia és vektoradatbázisok A Retrieval-Augmented Generation alapjai, dokumentumok előfeldolgozása, embedding modellek és vektoradatbázisok gyakorlati alkalmazása.
- Mi az a RAG (Retrieval-Augmented Generation) és mire jó?
- Dokumentumok előfeldolgozása (chunkolás, metaadatok)
- Embedding modellek kiválasztása és használata (OpenAI, HuggingFace, bge-m3)
- Vektoradatbázisok: Chroma, FAISS, Weaviate alapok
- Vektoradatbázis gyakorlat: Embedding feltöltése
- Vektoradatbázis gyakorlat: Keresés és a legpontosabb válasz megtalálása
3 AI asszisztens backend fejlesztése Az AI asszisztens backend architektúrájának kialakítása, API endpointok, modern framework integráció és adatbáziskezelés.
- Backend architektúra: API endpointok, request pipeline
- Next.js framework és LLM integrációja
- User Experience megismerése és fejlesztése
- RAG bekötése toolok segítségével
- Az asszisztens mögött futó adatbázis megismerése
- Modellek közti különbségek használat közben
4 Evaluációs keretrendszer kialakítása Az AI alkalmazások minőségmérésének módszertana, evaluációs szintek, LLM as Judge és A/B tesztelés.
- Mit és hogyan mérjünk? (hasznosság, pontosság, konzisztencia)
- RAG szintű mérés
- LLM as Judge
- RAG-szintű és Single-turn evaluáció implementálása
- Online evaluáció Braintrust toollal
- Automatikus vs. emberi értékelés
- Automatikus evaluáció futtatása
- Promptváltozatok összehasonlítása (A/B teszt)
5 Evaluációs toolchain használata A Promptfoo, Braintrust és Arize Phoenix eszközök gyakorlati alkalmazása, CI/CD integrációval és regressziós teszteléssel.
- Promptfoo használata: promptok validálása különböző beállításokkal
- Braintrust alapok: feedback pipeline és emberi értékelés bekötése
- Arize Phoenix: predikciók nyomon követése, hibaanalízis
- Toolchain összekapcsolása CI/CD folyamattal (pl. GitHub Actions)
- Regressziós tesztelés LLM-alapú appoknál
6 Monitoring és folyamatos tanulás Az éles alkalmazások monitorozása, metrikák gyűjtése, dashboardok és a felhasználói visszajelzések beépítése a fejlesztési ciklusba.
- Milyen adatokat figyeljünk? (latencia, sikeresség, top hibák)
- Valós idejű logolás és metrika gyűjtés (OpenTelemetry, custom logs)
- Dashboards: Streamlit, Grafana vagy egyedi front-end
- Felhasználói visszajelzések beépítése a fejlesztési ciklusba
- Fine-tuning vagy retraining triggerelése felhasználói adat alapján
7 Záró Projektfeladat Az egész kurzus során szerzett tudás alkalmazása egy komplett AI alkalmazás projektben.
- Komplett AI alkalmazás megépítése a fejlesztéstől az evaluáción át a monitoringig
Miért érdemes belevágnod?
Az AI engineer ma az egyik legkeresettebb technológiai szerepkör, a legtöbb képzés viszont megáll a prototípus szintjén: egy demó összerakása még messze van attól, hogy valaki éles rendszert tudjon üzemeltetni. Ezen a képzésen egy AI alkalmazás teljes életciklusát végigviszed, a fejlesztéstől az evaluáción át az éles üzemeltetésig.
8 hét alatt nem csak egy működő alkalmazást építesz, hanem egy tesztelési és monitoring keretrendszert is köré, amivel a bevezetés után is mérheted és karbantarthatod a rendszert. Azt a munkafolyamatot sajátítod el, amit ma egy AI engineer pozícióban elvárnak tőled: LLM API integráció, RAG-pipeline, automatizált evaluáció, minőségbiztosítás és a felhasználói visszajelzések kezelése. A RAG technológia és a folyamatos evaluáció együtt biztosítja, hogy az alkalmazásod megbízhatóan, mérhetően és karbantarthatóan működjön.
A képzés azok tudását is kiegészíti, akik már járatosak a modellépítésben: ha a Machine Learning Engineer képzésünkön vagy máshol már elsajátítottad a modell-tréninget és az MLOps alapjait, itt megtanulod, hogyan építs ezekre a modellekre megbízható, mérhető alkalmazásokat.
- Munka mellett végezheted, rugalmas időbeosztással
- Gyakorlati projekteken keresztül, oktatói mentorálással
- LinkedIn profilodba beágyazható tanúsítvány
Ismerd meg oktatódat
Virág Fausztin Asztrik
AI engineer, oktató
Több mint 7 éve fejlesztek AI-megoldásokat, főként autonóm járművek kutatás-fejlesztési csapataiban, a Boschnál. Dolgoztam AI-fókuszú butik ügynökségeknél is (Lain-Consulting, Palindrom).
Rendszeresen tartok egyetemi kurzusokat, konzulensként pedig diplomamunkákat segítek. Szakterületem a modellek teljesítménymérése, élesítése és a folyamatos fejlesztés támogatása.
Kinek ajánlott?
- Szoftverfejlesztőknek, akik AI engineering irányba akarnak specializálódni
- Backend vagy fullstack fejlesztőknek, akikre már LLM integrációs feladatokat bíznak
- Tech leadeknek és projektvezetőknek, akik AI projektet irányítanak
- Tesztelési és minőségbiztosítási szakembereknek, akik AI rendszerek validálásában vesznek részt
Kinek nem ajánlott?
- Akik még egyáltalán nem programoztak, a képzés stabil fejlesztői alaptudásra épít
- Akik kódolás nélküli (no-code) AI megoldásokat keresnek
- Akik elméleti, kutatói mélységű ML-tudásra vágynak a gyakorlati integráció helyett
- Akik saját LLM modellt szeretnének a nulláról betanítani, itt kész modellek integrációjáról lesz szó
Mik a képzés előkövetelményei?
A Python ismerete előny, de nem feltétel, más nyelvben szerzett fejlesztői rutinnal is jól boldogulsz. Hasznos, ha már találkoztál az AI vagy a gépi tanulás alapfogalmaival, és ha van backend vagy API-integrációs tapasztalatod, ezekre viszont a képzés az alapoktól épít.
Hogyan fogsz tanulni?
Gyakorlatorientált oktatás
Minden héten izgalmas gyakorló feladatokat kapsz majd, amelyek keretében már menetközben is konkrét projekteket fogsz megvalósítani.
Interaktív digitális tananyag
A gyakorlati feladatok elvégzéséhez és a tanfolyam sikeres teljesítéséhez szükséges tudást digitális tananyagok és vezetett kódolások formájában adjuk át.
Rugalmas időbeosztás
A tanfolyamot munka mellett is végezheted, hiszen a tananyag elsajátítása heti 8-12 óra elfoglaltságot igényel összesen, melyet saját időbeosztás szerint dolgozhatsz fel.
Visszanézhető LIVE alkalmak
Akkor sincs semmi baj, ha egy élő konzultációs alkalmon nem tudsz részt venni, hiszen a kérdéseidet előre is elküldheted írásban, az alkalmak pedig másnap 16:00-tól visszanézhetők.
Oktatói mentoring
A képzés ideje alatt az oktató folyamatosan a rendelkezésedre áll, bármikor kérdezhetsz tőle, ha elakadtál, és rendszeresen visszajelzést ad a feladataidra.
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 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!
Elvégzett képzés: AI asszisztensek fejlesztése LLM API-k integrációjával RAG bekötéssel
„Nagyon jól összerakott képzés, amely komoly technikai tudást ad a RAG technológiákkal kapcsolatban. Időt igényel, de teljesen megéri, mert valódi tudást lehet belőle építeni. Fuszti kiemelkedően jó és felkészült oktató, a képzés során és utána is bátran fordulhattam hozzá segítségért. A képzést csak ajánlani tudom!"
Hallgatói közösség
A több mint 9100 tagot számláló hallgatói közösségünket főként olyan, az iparágban vezető IT-cégek és szoftverfejlesztő cégek munkatársai alkotják, akik folyamatosan fejleszteni szeretnék meglévő készségeiket.
Légy Te is tagja közösségünknek!
Következő indulási dátumok
Más 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
Az OTP SimplePay az egyik legelterjedtebb online fizetési megoldás — gyors és biztonságos fizetési folyamatáról ismert.
Kamatmentes részletfizetés
Nem szeretnénk, ha a fizetési nehézségek akadályoznák a szakmai fejlődésedet, ezért a részvételi díjat több részletben, teljesen kamatmentesen is kifizetheted.
Fizetés banki átutalással, egy összegben
Ha online kártyás fizetés helyett banki átutalással szeretnél fizetni, az sem probléma — írj nekünk, és ebben is segítünk.
Készen állsz a jelentkezésre?
Jelentkezz most, és kezdd el a fejlődést!
Gyakran Ismételt Kérdések
Mit nyújt ez a képzés?
LLM alkalmazás fejlesztését saját adatforrásból (RAG), haladó prompt engineeringet, vektoradatbázisok kezelését (Chroma, FAISS, Weaviate), evaluációs pipeline építését, valamint automatizált riportok és monitoring dashboard készítését olyan eszközökkel, mint a Braintrust, Promptfoo és Arize Phoenix.
Mennyi heti időráfordítást igényel?
A képzés rugalmas időbeosztású, jellemzően heti 8-12 óra elfoglaltságot jelent. Az élő alkalmak másnap 16:00-tól visszanézhetők.
Mi a különbség a Machine Learning Engineer képzés és e között?
Ez a képzés elsősorban az LLM-ekre épülő alkalmazások fejlesztésére és evaluációjára fókuszál, nem a modellek betanítására. A Machine Learning Engineer képzés a klasszikus ML algoritmusoktól a deep learningen át az éles üzemeltetésig fedi le a teljes életciklust.
Van lehetőség részletfizetésre?
Igen, kamatmentes részletfizetés elérhető, és céges számla is igényelhető. A képzés indulásától számított 8 napig 100%-os pénzvisszafizetési garanciát biztosítunk.
Kapok tanúsítványt a képzés végén?
Igen, a kurzus sikeres teljesítése és a záró projektfeladat beadása után név szerinti tanúsítványt kapsz a megszerzett AI engineering tudásról.