AIOps & MLOps - AI üzemeltetés és biztonság
Mit nyújt az AIOps és MLOps tanfolyam?
- Megismered az AIOps és az MLOps elméleti alapjait, és az ehhez kapcsolódó rendszerek fejlesztésének legfontosabb, legnépszerűbb eszközeit.
- Átfogó képet kapsz arról, hogyan néz ki egy DevOps és MLOps eszközöket használó ML projekt, és milyen szervezeti, folyamati és technológiai problémákra tud megoldást nyújtani.
- Megérted az LLM-ek és Foundation modellek (például GPT, Llama) vállalati környezetben történő alkalmazásának üzemeltetési sajátosságait, különös tekintettel az adatbiztonságra, a modellek felügyeletére és a specifikus deployment kihívásokra.
- Megtanulsz production-ready kódot írni, PyCaretben néhány sor kóddal machine learning prototípusokat létrehozni, és azokat REST API meg Docker segítségével deployolni.
- Felépítesz egy olyan környezetet MLflow segítségével, amelyben folyamatosan tudod logolni és összehasonlítani a machine learning algoritmusok eredményeit és az azokhoz tartozó artifacteket.
- Elkészítesz egy Python alapú dashboard webalkalmazást Streamlit és Evidently alkalmazásával, amely automatikusan megjeleníti a legfontosabb hibaüzeneteket, a szoftverkörnyezethez kapcsolódó terhelésjelzőket és az egyéb MLOps szempontból releváns információkat.
- Létrehozol egy trigger-vezérelt automata rendszert AirFlow segítségével.
Miért érdemes belevágnod?
Az elmúlt 1-2 év AI-hype-jában rengeteg cég vágott bele fejlesztésbe, a projektek 85-90%-a mégis megreked a prototípus fázisban: soha nem jut el az éles üzembe, mert a fejlesztői és üzemeltetési háttér nincs rendesen kialakítva. A piac türelme közben fogy, kísérletezgetés helyett ma már kézzelfogható megtérülést (ROI) várnak el.
Az AIOps és az MLOps pontosan erre a résre épít: az AI-projektek teljes életciklusát kezeli, olyan DevOps eszközökkel és módszertanokkal, amelyekkel a kísérleti prototípusokból stabil, skálázható, valódi üzleti értéket termelő szolgáltatás lesz.
A képzés nemcsak a hagyományos modellek üzemeltetésében ad magabiztos tudást, hanem felkészít az LLM-ek és a Foundation modellek biztonságos üzemeltetésére (LLMOps) is: ez ma még ritka, de hamarosan elengedhetetlen kompetencia. Így a csapatodra nehezedő nyomás csökken, a sikerarány nő, a modellfejlesztés felgyorsul, és kevesebb éles hiba fordul elő.
- Munka mellett végezheted, rugalmas időbeosztással
- Gyakorlati projekteken keresztül, oktatói mentorálással
- LinkedIn profilodba beágyazható tanúsítvány
Ismerd meg oktatódat
Boros Gerzson Dávid
AI Architect, Lead Machine Learning Engineer
Több mint egy évtizede fejlesztek egyedi gépi tanulás és mesterséges intelligencia megoldásokat, ez idő alatt több mint 40 AI/ML projektet vittem sikerre. Dolgoztam ML Engineerként, Architectként és Data Scientistként multinacionális vállalatoknál, szabadúszóként és saját tanácsadó cégemen keresztül is.
Jelenleg a Redivivum technológiai startup társalapítója és technológiai vezetője vagyok, ahol a mesterséges intelligencia, a számítógépes látás és a szoftverfejlesztés irányításáért felelek. Egyetemi oktatóként az Óbudai Egyetem adattudományi mesterképzésén saját tantárgyam van, és posztgraduális képzésen tanítottam ML/DL fejlesztést és MLOps-ot.
Kinek ajánlott?
- DevOps és üzemeltetési szakembereknek, akik AI/ML rendszerek éles üzemeltetésével bővítenék tudásukat
- ML engineereknek és data scientisteknek, akik modelljeiket biztonságosan vinnék éles környezetbe
- Backend fejlesztőknek, akik AI-alapú rendszerek megbízható működtetéséért felelnek
- IT biztonsági szakembereknek, akik az AI rendszerek kockázataival foglalkoznak
Kinek nem ajánlott?
- Akik még nem találkoztak sem üzemeltetési, sem gépi tanulási alapokkal
- Akik kódolás nélküli, üzleti szintű AI-áttekintést keresnek
- Akik modellek fejlesztését tanulnák, itt a hangsúly az üzemeltetésen és a biztonságon van
- Akik nem terveznek éles AI/ML rendszerekkel dolgozni
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 képzés sikeres teljesítéséhez szükséges tudást digitális tananyagok és vezetett kódolások formájában adjuk át, amelyeket saját időbeosztásod szerint, akár munka mellett is feldolgozhatod és egy évig korlátlan alkalommal visszanézheted.
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.
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, 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.
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: AIOps & MLOps – AI üzemeltetés és biztonság
„A képzés önmagában is nagyon értékes tudásanyagot ad át, de a Machine Learning modellek fejlesztése tanfolyammal kiegészítve szerintem rendkívül értékes tudásanyaghoz tud hozzájutni az, aki beleteszi az időt és az energiát mindkét képzésbe. Nagyon sokat jelentett az is, hogy az oktatókhoz bátran lehetett fordulni kérdésekkel, és végig segítőkészek, támogatók voltak. A megszerzett tudás és a gyakorlati tapasztalat önmagában is nagyon értékes volt. Köszönöm a lehetőséget és a szakmai támogatást!"
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
2026.09.24.
Mentorált alkalmak csütörtök esténként
245 000 Ft
Jelentkezési határidő: 2026.09.21.
Jelentkezem2027.01.07.
Mentorált alkalmak csütörtök esténként
245 000 Ft
Jelentkezési határidő: 2027.01.04.
Jelentkezem2027.07.15.
Mentorált alkalmak csütörtök esténként
245 000 Ft
Jelentkezési határidő: 2027.07.12.
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
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?
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?
9 hét alatt az MLOps alapelveitől a Docker, MLflow és Airflow eszközökön át a felhőalapú üzemeltetésig és az MLSecOps biztonsági gyakorlatokig építed fel a tudásodat.
1 Üzemeltetés és üzembe helyezés: DevOps és MLOps elvek Pythonban Az MLOps motivációja, szerepkörei és életciklusa, valamint a production ready Python kód alapjai.
- MLOps alapok
- Motiváció az MLOps mögött
- Szerepkörök
- Machine Learning röviden
- MLOps ciklus
- Az MLOps előnyei
- Production ready kód Pythonban
2 ML experiment tracking és az MLOps kapcsolódási pontjai Adat- és modellmenedzsment, feature store, valamint a PyCaret és az MLflow bemutatása.
- Projektmenedzsment
- Adattal kapcsolatos kérdések
- Az adat minősége
- Adatmenedzsment, Feature Store
- Model és metadata menedzsment
- Technológiai és emberi aspektusok
- A PyCaret bemutatása
- Az MLflow bemutatása
3 Production ready kód, ML pipeline-ok és REST API PEP8 szerinti kód, ML pipeline-ok építése és tesztelése, valamint a modellek kiszolgálása REST API-n.
- PEP8 és ML pipeline-ok
- ML pipeline-ok tesztelése
- REST API
4 DevOps alapok, MLOps szintek és MLflow a gyakorlatban Termékérettségi szintek, technikai adósság, CI/CD és deployment stratégiák, MLflow gyakorlattal.
- MLflow a gyakorlatban
- DevOps, termékérettségi szint, technikai adósság, tesztelés
- CI/CD és MLOps szintek
- Deployment stratégiák
5 Konténerizáció Dockerrel, monitorozás és dashboard Docker alapok, valamint modellmonitorozás Evidently AI-jal és Streamlit dashboarddal.
- Docker
- Docker a gyakorlatban (forráskód)
- Monitorozás, Evidently AI, Streamlit
- Evidently és Streamlit a gyakorlatban
6 Automatizálás és ütemezés Airflow-val Trigger-vezérelt, automatizált ML folyamatok tervezése és ütemezése.
- Automatizálás, ütemezés, Airflow
- Airflow a gyakorlatban
7 MLOps a Google Cloud Platformon: automatizálás, CI/CD, tesztelés Felhőalapú üzemeltetés Cloud Runnal és GitHub Actions CI/CD pipeline-nal.
- Microservice és monolit architektúra
- Google Cloud Platform, Cloud Run, GitHub Actions
- GCP beállítások a felületen
- Pipeline futtatása Cloud Runban
- Terminálparancsok
- A GitHub konfigurációs YAML fájl megismerése
8 DevSecOps és ML biztonság: sérülékenységek, támadások, elhárítás A modelleket és az MLOps rendszert érintő támadások, valamint a gyakorlati védekezési technikák.
- DevSecOps, támadások és elhárítási technikák
- A DevSecOps folyamat áttekintése
- Open source és cloud biztonsági eszközök
- Modelleket érintő támadások és elhárítási technikák
- MLOps rendszert érintő támadások és elhárítási technikák
- Az MLSecOps jövője
- ModelScan és Safety CLI
- ModelScan és Safety CLI kódjának megismerése
- Adversarial Robustness Testing
- Az Adversarial Robustness Testing eredményeinek elemzése
9 Keretrendszerek, AI etika és MLSecOps rendszertervezés AI etikai és jogi keretek (GDPR, EU AI Act), valamint AISecOps/MLSecOps rendszertervezés.
- AI etika
- GDPR, EU AI Act
- AISecOps/MLSecOps rendszertervezés
10 Záróprojekt A képzés során megszerzett MLOps és MLSecOps tudás alkalmazása egy komplex, önálló projektfeladatban.
- Záró projektfeladat
Gyakran Ismételt Kérdések
Milyen témákat dolgoz fel a képzés?
A DevOps és MLOps elvektől indulsz Pythonban, majd jön az ML experiment tracking, a production ready kód, az ML pipeline-ok és a REST API. Megtanulod az MLflow gyakorlati használatát, a Dockeres konténerizációt, a monitorozást és a dashboard építését, az Airflow-val való automatizálást és ütemezést, valamint az MLOps-ot a Google Cloud Platformon. A záró blokkokban a DevSecOps és az ML biztonság, a keretrendszerek, az AI etika és az MLSecOps rendszertervezés következik, végül egy záróprojekt.
Kinek ajánljuk ezt a képzést?
DevOps és üzemeltetési szakembereknek, akik AI és ML rendszerek éles üzemeltetésével bővítenék a tudásukat, valamint ML engineereknek és data scientisteknek, akik a modelljeiket biztonságosan vinnék éles környezetbe. Backend fejlesztőknek is hasznos, ha AI alapú rendszerek megbízható működtetéséért felelsz, illetve IT biztonsági szakembereknek, akik az AI rendszerek kockázataival foglalkoznak.
Kinek nem való a tanfolyam?
Ha még sem üzemeltetési, sem gépi tanulási alapokkal nem találkoztál, ez a képzés nem a legjobb belépő. Szintén nem ajánljuk, ha kódolás nélküli, üzleti szintű AI áttekintést keresel, vagy ha a modellek fejlesztését tanulnád, mert itt a hangsúly az üzemeltetésen és a biztonságon van. Ugyanez igaz akkor is, ha nem tervezel éles AI és ML rendszerekkel dolgozni.
Mennyi időt vesz igénybe, és hogyan tudom munka mellett végezni?
A képzés 9 hét, és heti átlagosan 8-12 óra ráfordítást igényel, amit saját időbeosztásod szerint oszthatsz be. A tudást digitális tananyagok és vezetett kódolások formájában kapod meg, ezeket egy évig korlátlan alkalommal visszanézheted, így a tanulás munka mellett is beilleszthető.
Milyen támogatást kapok tanulás közben?
A képzés ideje alatt az oktató folyamatosan a rendelkezésedre áll, bármikor kérdezhetsz tőle, ha elakadtál, és rendszeresen visszajelzést ad a feladataidra. Minden tanegység végén élő konzultációt is szervezünk, ahol élőben felteheted a kérdéseidet, és közösen kiértékelitek az elkészített projekteket. A létszám korlátozott, hogy biztosan jusson mindenkire idő.
Kapok igazolást a képzés végén?
Igen, a képzés elvégzése után tanúsítványt kapsz, amelyet az önéletrajzodhoz csatolhatsz és a LinkedIn profilodba is beágyazhatsz. Ez bizonyítja, hogy elsajátítottad az ismereteket, és segíti a szakmai előmeneteledet. Képzéseink szakmai minőségbiztosítását iparági vezető technológiai vállalatok és a Budapesti Műszaki és Gazdaságtudományi Egyetem végzi.
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.