LLM és Retrieval-Augmented Generation (RAG) rendszerek haladó szintű alkalmazása és optimalizációja workshop
Képzés kód:
LLM és Retrieval-Augmented Generation (RAG) rendszerek haladó szintű alkalmazása és optimalizációja workshop - Időpontok és jelentkezés
Első oktatási nap: 2026. június 2., további oktatási napok: 3.
Első oktatási nap: 2026. szeptember 9., további oktatási napok: 10.
Első oktatási nap: 2026. december 8., további oktatási napok: 9.
Zártcsoportos képzésre jelentkezem
Jelentkezés időpont nélkül
Képzésünk haladó szinten foglalkozik a retrieval-augmented generation (RAG) rendszerekkel, különös tekintettel a tudásgráf-alapú keresésre, hibrid architektúrákra és vállalati skálázhatóságra. Résztvevőként megismered, hogyan kombinálható a gráf- és vektor alapú keresés, hogyan építhető hatékony Graph RAG pipeline, és hogyan monitorozható, optimalizálható a teljes rendszer. A képzés során hands-on projekt keretében egy teljes, hibrid kereső rendszert valósítunk meg valós példák alapján.
- Fejlesztőknek, akik komplexebb keresőrendszereket szeretnének építeni LLM-ekre alapozva.
- Mérnököknek és AI-specialistáknak, akik hatékonyabb, skálázható RAG pipeline-okban gondolkodnak.
- Olyan szakembereknek, akik valós üzleti adatokkal dolgoznak, és pontosabb, kontrollálhatóbb AI-megoldásokat keresnek.
- Alapszintű szoftverfejlesztési elméleti ismeretek
- Alapszintű Python programozási ismeretek vagy más programozási nyelv mélyebb ismerete
- Alapszintű LLM promptolási technikák ismerete
- LLM-ek és RAG rendszerek alapfogalmainak ismerete
Ha még nem rendelkezel RAG pipeline fejlesztési alapismeretekkel, valamint a vektoradatbázisok és embedding technikák gyakorlatával, akkor javasoljuk a „LLM, Retrieval-Augmented Generation (RAG) rendszerek és vektor adatbázisok gyakorlati alkalmazásai” tanfolyamunk elvégzését, amely biztosítja a haladó szintű képzéshez szükséges alapokat.
A képzésen haladó ismereteket szerzel a retrieval-augmented generation (RAG) rendszerek alkalmazásáról, különösen a gráfalapú keresés, a hibrid architektúrák és a skálázás területén. Megismered a Graph RAG működését, a tudásgráfok és entitáskapcsolatok kezelésének lehetőségeit, valamint azt, hogyan lehet ezeket kombinálni vektor alapú kereséssel egy hatékony, vállalati használatra is alkalmas pipeline részeként. A képzés bemutatja a Neo4j, NetworkX és egyéb gráf adatbázisok használatát, valamint a leggyakoribb architektúramintákat és azok előnyeit és hátrányait.
Kiemelt figyelmet fordítunk a rendszer-optimalizálásra, költséghatékonyságra és skálázhatóságra, valamint a relevancia, pontosság és teljesítmény mérésére. A gyakorlatok során egy end-to-end hibrid keresőrendszert építesz, amely valós dokumentumokon és tudásgráfokon alapul. A projekt során sor kerül entitásfeloldásra, embedding generálásra, vektoradatbázis és gráf lekérdezések összekapcsolására, valamint a rendszer monitorozására és finomhangolására. A képzés célja, hogy képes legyél skálázható és megbízható AI-alapú keresőrendszereket létrehozni nagyvállalati környezetben.
A képzés tematikája:
1. Graph RAG és hibrid architektúrák
1.1 Mi az a Graph RAG? (gráf + vektor keresés együttes használata)
1.2 Tudásgráf, entitáskapcsolatok, entitásfeloldás (entity resolution) technikák
1.3 Gráf adatbázisok (Neo4j, NetworkX, ArangoDB)
1.4 Alapvető gráf műveletek: node/edge létrehozás, lekérdezés, traverzálás
1.5 Gráf + vektor keresés hibrid pipeline: mikor jobb, mint a sima vektor keresés?
1.6 Példák és hands-on: tudásgráf építés, kapcsolatháló elemzés, pipeline integráció
2. Architektúra optimalizáció, skálázás
2.1 Nagyvállalati RAG architektúra minták (összehasonlítás, trade-offok)
2.2 Skálázás, sharding, load balancing alapok
2.3 Költségoptimalizálás: cache-elés, batching, token limit, futtatási költségek
3. Monitoring, drift, feedback loop-ok
3.1 Metrikák: advanced relevancia, custom metrikák, A/B tesztelés
3.2 Drift detektálás (adat- és modellváltozás követése, figyelmeztetések)
3.3 Felhasználói feedback loop-ok, human-in-the-loop workflow-k
4. Gyakorlati labor: End-to-end Graph RAG pipeline építés
4.1 Tudásgráf építés Pythonban (NetworkX vagy Neo4j)
4.2 Entitások, kapcsolatok kinyerése mintaadatból, node/edge létrehozás
4.3 Gráf traverzálási feladatok (legrövidebb út, szomszédság, kapcsolatkeresés)
4.4 Embedding pipeline: szöveges chunking, embedding generálás, vektor DB feltöltés
4.5 Hibrid keresés összeállítása: vektoros előszűrés + gráf-alapú kontextusbővítés
4.6 Hands-on mini-projekt:
- konkrét kérdésekre válaszadás a hibrid pipeline-nal
- relevancia és pontosság értékelése
- monitoring és naplózás beépítése
Minden nagyon profi volt.
Test Analyst résztvevő