Sovereign AI rendszerek építése és üzemeltetése vállalati környezetben
Open source LLM-ek finomhangolása, optimalizálása és biztonságos futtatása saját infrastruktúrán: lokális AI építés a költséges, adatvédelmi kockázatot hordozó publikus API-k kiváltására.
Mit nyújt a Sovereign AI és LLM finomhangolás tanfolyam?
- Megérted a helyi AI szolgáltatások koncepcióját: milyen használati esetek tartoznak ide, milyen kockázatokat kezelhetsz vele és milyen korlátai vannak.
- Megismered a helyi AI ökoszisztéma elemeit: a modellkiszolgálókat (inferencia szerverek), az AI gateway megoldásokat, a vektoradatbázisokat, az MCP szervereket, valamint a RAG és workflow megoldásokat.
- Megtanulsz pontos hardver-erőforrás becslést végezni, a VRAM igény számításától a sávszélesség-tervezésig, hogy tudd, milyen GPU, CPU és memória szükséges egy adott modell futtatásához, és mikor éri meg a saját infrastruktúra a felhős AI szolgáltatásokkal szemben.
- Megtanulsz nagy terhelést bíró production inferencia szervereket (vLLM, SGLang, Llama.cpp) hardveroptimalizáltan fordítani és konténerizáltan telepíteni helyi szerverekre és a felhőbe is, sőt betekintést kapsz a felhőszolgáltatók inferencia megoldásaiba is.
- Megismered, hogyan futtathatsz hatékonyan modelleket laptopon és otthoni PC-n, helyi kódolási asszisztensekhez és hangfelvétel átírásához.
- Elsajátítod a kvantálási eljárásokat (GGUF, AWQ, GPTQ), amelyekkel drasztikusan csökkentheted a nyílt forráskódú modellek memóriaigényét, így akár consumer hardveren vagy CPU-n is futtathatod őket, és megismered a modellkiszolgálás optimalizálási technikáit, például a speculative decodingot, a continuous batchinget és a MOE modellek használatát.
- Megismered, hogyan futtathatod hatékonyan a helyi AI megoldásokat, és hogyan tesztelheted a teljesítményüket szöveges, vizuális és hang adatok feldolgozásánál, hogyan méred a perplexity-t (PPL), és hogyan illesztheted az AI futtató környezetet a szabványos vállalati monitorozási megoldásokba.
- Megtanulod a PEFT (Parameter-Efficient Fine-Tuning) és LoRA módszereket, amelyekkel nem nulláról, hanem kevés erőforrással taníthatsz be modelleket saját feladatokra, olyan helyi megoldásokkal, mint a Red Hat AI vagy az Unsloth Studio.
- Képes leszel nyers vállalati adatokból tanító adatbázist készíteni, megérted a Chat Template-eket, valamint a strukturált adatbeviteli formátumok (JSONL, TOON) fontosságát a modell hatékony működéséhez.
- Megszerzed a tudást a rendszerek Docker konténerbe csomagolásához (NVIDIA Container Toolkit), így biztosítod a fejlesztői és éles környezet közötti hordozhatóságot és skálázhatóságot.
- Képessé válsz internetkapcsolat nélküli, offline környezetbe telepíteni AI rendszereket, integrálva a lokális AI ökoszisztéma elemeivel (agentek, LLM gateway, vektoradatbázisok, MCP), így garantálod az adatszuverenitást, közben pedig megismered az alkalmazásbiztonsági kockázatokat is (OWASP LLM Top 10).
- Megismered az AI szolgáltatók token felhasználási és költségmodelljeit, a token caching technikákat, és azt, hogyan használhatod költséghatékonyan az AI agenteket a helyi AI megoldások segítségével.
- Mélyreható ismereteket szerzel a Hugging Face platform használatáról és a különböző nyílt modellek (Qwen, Gemma, Mistral, Llama, DeepSeek, GLM) architektúrájának összehasonlításáról (Dense, MOE, MTP), valamint licenszelési módozatairól.
Miért érdemes belevágnod?
Rengeteg vállalat érzi ugyanazt a szorítást: a versenyképességhez kellene a mesterséges intelligencia, ugyanakkor a szigorú adatvédelmi szabályok (GDPR, üzleti titok, banktitok) miatt nem tölthetik fel az érzékeny adataikat egy nyilvános, „Black Box” működésű AI szolgáltatóhoz. Ráadásul a publikus AI API-k token alapú árazása lineárisan növekvő, hosszú távon fenntarthatatlan költséget jelent.
A válasz erre a Sovereign AI: a saját infrastruktúrán futtatott, nyílt modellek ma már számos vállalati use case-ben versenyképes alternatívát adnak a zárt rendszerekkel szemben, ott, ahol az adatszuverenitás, a költségkontroll és a testreszabhatóság számít. És pont most van itt az ideje: az új kvantálási eljárások (például a GGUF) miatt, amihez tavaly még szuperszámítógép kellett, az ma lefut egy erős gamer PC-n vagy egyetlen bérelt GPU-n. Emellett a saját modell megszünteti a függőséget a nagy tech cégektől, az AI Engineer pedig ma az egyik legkeresettebb IT pozíció, mert a cégek olyan szakembert keresnek, aki képes összerakni ezeket a rendszereket.
- Munka mellett végezheted, rugalmas időbeosztással
- Gyakorlati projekteken keresztül, oktatói mentorálással
- LinkedIn profilodba beágyazható tanúsítvány
Ismerd meg oktatódat
Jagusztin László
Chief Technology Architect, Alerant
Jagusztin László vagyok, Architect az Alerant Zrt.-nél. Az elmúlt 20-30 évben mint vezető dolgoztam telekommunikációs és energetikai cégeknél. A munkám nagy részét a DevOps bevezetési projekteknek a vezetése vagy tanácsadása töltötte ki.
Kinek ajánlott?
- Backend fejlesztők, akik AI-integrációval és LLM-alapú alkalmazásfejlesztéssel bővítenék az eszköztárukat
- DevOps és MLOps mérnökök, akik AI modellek biztonságos üzemeltetésével foglalkoznak
- Tech Lead-ek és CTO-k, akik stratégiai döntéseket hoznak az AI bevezetéséről és infrastruktúrájáról
Kinek nem ajánlott?
- Akiknek nincs fejlesztői vagy üzemeltetési tapasztalatuk
- Akik felhős API-kkal (OpenAI, Claude) való integrációt tanulnának, arra az AI asszisztensek képzésünk való
- Akik no-code AI eszközöket keresnek
- Akik üzleti, stratégiai AI-áttekintést várnak technikai mélység nélkül
Mik a képzés előkövetelményei?
Mélyreható LLM-előismeretre nincs szükséged, a képzés minden koncepciót nulláról épít fel. Ha van már tapasztalatod AI-integrációban, DevOps vagy MLOps területen, az előny, de nem feltétel. Hasonlóan előny, ha hozzáférsz erősebb NVIDIA GPU-hoz (pl. RTX 4090, A100), de nem kötelező: a kvantálási eljárásokkal gyengébb gépen vagy akár CPU-n is haladhatsz, és a képzés megtanít a hardverbecslésre is.
Hogyan fogsz tanulni?
Gyakorlatorientált oktatás
Minden héten izgalmas gyakorló feladatokat kapsz majd, amelyek keretében már menetközben is konkrét lekérdezéseket 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.
Oktatói mentoring
A képzés ideje alatt az oktató folyamatosan a rendelkezésre 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!
Következő indulási dátumok
2026.10.26.
Mentorált alkalmak hétfő esténként
290 000 Ft
Jelentkezési határidő: 2026.10.26.
Jelentkezem2027.02.15.
Mentorált alkalmak hétfő esténként
290 000 Ft
Jelentkezési határidő: 2027.02.15.
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?
10 hét alatt a hardvertervezéstől a modellkvantáláson, finomhangoláson és RAG-rendszereken át a biztonságos, air-gapped deploymentig.
1 A Sovereign AI alapjai és hardvertervezés Az alapvető koncepciók és a hardver-választási kritériumok megértése.
- Nyílt vs. zárt ökoszisztémák
- Hugging Face Hub mérnöki szemmel
- Hardverbecslés: GPU választás, memória matek (VRAM, sávszélesség)
2 Modell optimalizáció és kvantálás A modellek memóriaigényének drasztikus csökkentése kvantálási eljárásokkal.
- Hogyan fér el a modell a memóriában? (FP16 vs INT4)
- Kvantálási eszközök a gyakorlatban (llama.cpp, AutoGPTQ)
- CPU vs GPU inferencia optimalizálás
3 Hatékony finomhangolás (Efficient Fine-Tuning) Saját feladatokra specializált modellek készítése minimális erőforrással.
- PEFT és LoRA technológiák mélyfúrása
- Saját adathalmaz készítése (Dataset Engineering, Chat Template, JSONL)
- Tanítás felügyelete és kiértékelése (Loss curves, Overfitting)
4 Lokális inferencia és RAG rendszerek Vállalati szintű production szerverek üzemeltetése és tudásbázis csatolása.
- Vállalati szintű szerverek beüzemelése (vLLM, Ollama, PagedAttention)
- Saját tudásbázis csatolása (RAG architektúra, lokális vektoradatbázis)
- API végpontok készítése és integrációja
5 AI biztonság és deployment Biztonságos, offline rendszerek telepítése és üzemeltetése.
- Prompt Injection elleni védelem
- Air-gapped (offline) telepítési stratégiák
- A kész rendszer konténerizálása és átadása (Docker, NVIDIA Container Toolkit)
Gyakran Ismételt Kérdések
Milyen hardverre van szükségem a kurzus elvégzéséhez?
Az ideális egy NVIDIA GPU (pl. RTX 4090, A100), de a kvantálási eljárások lehetővé teszik a futtatást gyengébb PC-n vagy akár CPU-n is. A kurzus megtanít hardverbecslésre, hogy meghatározd az igényeidhez szükséges eszközöket.
Szükséges-e a képzés előtt mélyrehatóan ismerni az LLM-eket?
Nem, elég a középhaladó Python-tudás és az alapszintű Terminal-jártasság. A képzés minden koncepciót nulláról építkezve tanít.
Mit jelent az "air-gapped" szó a képzés kontextusában?
Internetkapcsolat nélküli telepítést jelent: a rendszer offline környezetben működik, garantálva az adatszuverenitást és minimalizálva a biztonsági kockázatokat.
Hány hét alatt lehet befejezni a képzést?
A képzés 10 hét hosszú, de a digitális tananyaghoz 1 évig korlátlan hozzáférést kapsz, így saját tempóban is haladhatsz.
Mi történik, ha nem vagyok elégedett a képzéssel?
100%-os pénzvisszafizetési garanciát vállalunk az indulástól számított 8 napon belül.
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.