Generatív AI - Tudatosság és gyakorlat képzés fejlesztőknek

A generatív mesterséges intelligencia nem a jövő – sokkal inkább a jelen.

Képzésünk célja, hogy a résztvevőket gyakorlati úton vezessük be a generatív AI világába, megismertetve őket azokkal az eszközökkel, módszerekkel és gondolkodásmóddal, amelyekre már ma és holnap is szükségük van. A PwC generatív AI laborja által kidolgozott képzés hands-on tapasztalatokra épül, és tapasztalt PwC AI engineerek tartják, akik rendszeresen dolgoznak nagyvállalati generatív AI projekteken, így valós, azonnal használható tudást adnak át a résztvevőknek.

A képzés moduláris felépítésű, minden modul négy egymásra épülő, szünetekkel tagolt fél napos (4 órás) alkalomból áll. Egy modul tipikus felépítése:

Bevezető elméleti ismertető (30 perc): Rövid, célzott bemutató az adott modul főbb témáiról, amely segíti a gyakorlati feladatok megértését.

Interaktív, vezetett gyakorlati rész (1 óra): PwC AI engineer-ek által vezetett, lépésről lépésre végig kísért, gyakorlatközpontú foglalkozás.

Mentorált egyéni vagy csapatmunka (1 óra): Önálló vagy csoportos munka, amely során PwC-s mentorok támogatják a résztvevőket, lehetőséget adva a tanultak alkalmazására és mélyítésére.

Záró prezentáció és visszacsatolás (30 perc): A résztvevők bemutatják elkészült munkájukat, majd szakértői visszajelzést kapnak.

A képzés során az alábbi technológiákkal és eszközökkel dolgozunk: Python, LangChain, LangGraph, LangSmith, OpenAI API, Claude, n8n, valamint multimodális modellek és modern AI-architektúrák.

Kinek szól a képzés?

Mindazoknak, akik gyakorlati oldalról szeretnék megérteni, és a munkájuk során alkalmazni a generatív AI lehetőségeit – legyen szó fejlesztőkről, adatelemzőkről, kutatókról, startup alapítókról vagy tech iránt érdeklődő szakemberekről. A résztvevők fejlesztőből AI-fejlesztővé válhatnak, ahol pedig hiányoznak kompetenciák, ott segítünk azokat megteremteni, hogy a résztvevők saját fejlesztéseikkel magabiztosan haladhassanak tovább.

A célunk nem az, hogy minden résztvevő AI-kutató legyen, hanem az, hogy világosan lássák, merre induljanak tovább, ha egy adott területen mélyebben szeretnének elmerülni.

Ajánlott szakmai tapasztalat/tudás: alap Phyton ismeretek

1. modul – Bevezetés a Generatív AI világába

1. alkalom – Nagy nyelvi modellek 1. (Modellek felépítése, tanítás, fine tuning) Megismerjük a nagy nyelvi modellek (LLM-ek) alapjait, felépítését, működésük logikáját és a finomhangolás alapvető technikáit. Cél a technológia átfogó megértése és a gyakorlati alkalmazás lehetőségeinek feltérképezése.

2. alkalom – Nagy nyelvi modellek 2. (Fine tuning módszerek, optimalizálás)

Mélyebb betekintés a finomhangolás módszereibe és a modellek optimalizálási lehetőségeibe. A résztvevők gyakorlati példákon keresztül tanulják meg a hatékony és gazdaságos modellfinomítás lépéseit.

3. alkalom – Hangmodellek, Videó modellek, Kép modellek

Bemutatjuk a generatív AI alkalmazásait különböző modalitásokra, beleértve a hang-, videó- és képmodelleket. A résztvevők gyakorlati projekteken keresztül ismerik meg ezek felhasználási lehetőségeit.

4. alkalom – Multimodális modellek

Integrált modellek, amelyek többféle adattípust (szöveg, kép, hang stb.) kezelnek egyszerre. Megmutatjuk, hogyan lehet ezeket alkalmazni összetett üzleti problémák megoldására

2. modul – Retrieval Augmented Generation (RAG)

1. alkalom – Naív RAG

Bevezetés a Retrieval Augmented Generation (RAG) alapjaiba: hogyan adhatunk át nyelvi modelleknek naprakész tudást és saját tudásbázisunkat külön tanítás nélkül, minimalizálva ezzel a hallucinációkat és maximalizálva az információ pontosságát és relevanciáját. Emellett áttekintjük a RAG rendszerek kiértékelésének alapjait is: milyen módszerekkel és mérőszámokkal mérhető a válaszok minősége, és hogyan támogatható már a kezdetektől a megbízható működés.

2. alkalom – Advanced RAG

Haladó technikák a RAG rendszerekben: optimalizáció, fejlettebb adatszerkezetek és keresési technikák alkalmazása, valamint teljesítményjavítás.

3. alkalom – Tudásgráf RAG

A tudásgráfok integrációja a RAG rendszerekbe, amely lehetővé teszi strukturált tudás hatékony használatát. Gyakorlatokon keresztül mutatjuk be ezek üzleti alkalmazhatóságát.

4. alkalom – Multimodal RAG

Multimodális adatok integrálása RAG rendszerekbe: képek, videók és hanganyagok használata információ visszakeresésére, további gazdagítva az AI-modellek képességeit.

3. modul – Ágensek (GenAI Agents)

1. alkalom – Agent-ek bevezető

Alapfogalmak és működési mechanizmusok: hogyan készíthetünk intelligens AI-agenteket, amelyek önállóan végeznek feladatokat összetett környezetben.

2. alkalom – Agent orchestration (Multi-Agent Systems)

Több agent együttes működésének összehangolása. Megtanuljuk, hogyan hozható létre együttműködő AI-agent rendszerek, amelyek komplex feladatokat képesek megoldani. Bevezetés az Agent-to-Agent (A2A) kommunikációs protokollba, amely lehetővé teszi az agentek közötti hatékony együttműködést és információmegosztást.

3. alkalom – Multimodal Agent rendszerek

Különböző modalitások (pl. kép, szöveg, hang) együttes használata AI-agentek működésében. Gyakorlati példákon keresztül mutatjuk be, hogyan építhetők multimodális agentek, amelyek képesek komplex, többféle inputot igénylő feladatokat kezelni. Bemutatjuk a Model Context Protocol (MCP) használatát is, amely támogatja a multimodális információk strukturált feldolgozását az agentek közötti kommunikációban.

4. alkalom – Low Code No Code (LCNC) eszközök

Az LCNC platformok alkalmazása az agent rendszerek fejlesztésében. Bemutatjuk, hogyan készíthetők AI-agentek minimális programozási tudással, gyorsan és hatékonyan