Új Mesterséges intelligencia fejlesztőknek, gyakorlati projektfeladattal

A háromnapos intenzív program átfogó, de ugyanakkor gyakorlati bevezetést nyújt a generatív mesterséges intelligenciával (AI, LLM) támogatott szoftverfejlesztésbe. Ismerteti, hogyan használhatjuk hatékonyan az AI-t a fejlesztési folyamatokban, és hogyan indulhatunk neki generatív AI alapú alkalmazások fejlesztésének.

Az AI alapok és prompt engineering ismertetését követően a résztvevők megismerkednek a vezető AI kódolási asszisztensekkel (például GitHub Copilot, CursorAI), melyek segítségével felgyorsíthatják a napi munkafolyamataikat. A képzés bemutatja a gyakorlati szoftverfejlesztési felhasználási eseteit, a felhő szolgáltató kínálta AI megoldásokat és AI-ügynökök fejlesztését, az Open Source Modell alkotást, és kitér az AI biztonsági alapjainak áttekintésére is a szoftverfejlesztés aspektusából.

A harmadik nap során egy záró projekt keretében egy valós, generatív mesterséges intelligenciával működő alkalmazás (ZenTask) építése és biztosítása történik, ahol a résztvevők egy LLM-et integrálnak olyan funkciók, mint a chatbotok és a szemantikus keresés megépítéséhez, miközben megtanulnak védekezni az AI-specifikus biztonsági fenyegetések, például a prompt injection ellen.

A képzést legalább 2 éves fejlesztési gyakorlattal rendelkező fejlesztőknek, programozóknak, üzleti elemzőknek, architekteknek ajánljuk, akiknek szeretnének egy átfogó képet kapni az AI fejlesztési területen történő használatáról és annak alapvető integrációs lehetőségeiről.

A képzés után a résztvevők:

• képesek lesznek ismertetni és összhasonlítani a szoftverfejlesztést támogató AI megoldásokat
• képesek lesznek a fejlesztést támogató promptok készítésére és finomhangolására
• képesek lesznek különböző AI-eszközök (pl. GitHub Copilot, Codex, nyílt forráskódú modellek) alapvető használatára
• képesek lesznek AI-t alkalmazni elemzési, prototípus-készítési, kódelemzési és kódgenerálási valamint tesztelési feladatok ellátására
• képesek lesznek adatlekérdezéseket és fejlesztési feladatokat támogatni AI segítségével
• ismertetni tudják a legfontosabb felhőalapú AI-platformokat (AWS, Azure, Google Cloud) és azok sajátosságait
• alapvető ismereteket szereznek az AI-ügynökökről és a többügynökös rendszerek működéséről
• kialakul bennük a biztonságtudatos szemlélet, és képesek lesznek felismerni és kezelni az AI-specifikus fenyegetéseket
• magabiztosan és hatékonyan fogják tudják integrálni az AI-eszközöket szoftverfejlesztési projektek során

1. nap: Alapozás és AI alapú eszközkészlet

A jelenlegi AI áttekintése

• AI megoldások felfedezése
• Az LLM teljesítményének értékelése a kódolás és a különböző természetes nyelvek szemszögéből
• Demók:
  • LLM modellek képességeinek bemutatása
  • Népszerű kódolási asszisztensek bemutatása: GitHub Copilot, Codex, Cursor.ai, JetBrains AI plugins

AI a szoftverfejlesztésben

• Az AI szerepe a szoftver fejlesztés életciklusában
• Az AI hatásainak elemzése a tech szektorban
• A tech-óriások válaszai és megoldásai az AI forradalomra
• AI-vezérelt dokumentálás és minőségbiztosítás támogatás

Prompt engineering

• Az AI rendszerek alapelemei
• Alapvető promptolási technikák
• Gondolatfa (ToT) promptolás
• Láncpromptok (CoT) promptolás
• Önkonzisztencia CoT-vel (CoT-SC) promptolás
• Few-shot és zero-shot promptolás
• Instrukció promptolás
• Retrieval-Augmented Generation (RAG)
• Gyakorlat: promptolási technikák alkalmazása

The GitHub Copilot és Codex ökoszisztéma

• GitHub Copilot: bemutatás, jellemzők és esettanulmányok
• Gyakorlat: munka a Copilottal
• GitHub Codex: pull request resolution automatizálás (demo)
• AI copilotok összehasonlítása
• Tudatos választás: az AI eszközkészlet kiválasztása

2. nap: Gyakorlati alkalmazás, felhős szolgáltatások, biztonság

Szoftverfejlesztési esettanulmányok AI-al

• LLM-ek felhasználása a rendszerelemzéshez és -tervezéshez (követelmények, architektúra, alternatív megoldások)
• Örökölt kód megfejtése és megértése
• AI-alapú reverse engineering: az örökölt kódtól a specifikációkig
• Gyors prototípus- és megvalósíthatósági elemzés generálás (felhasználói felület és funkcionális prototípusok)
• Páros programozás AI-asszisztensekkel
• Komplex SQL-lekérdezések készítése AI-vel
• Az AI szerepének feltárása a termékmenedzsmentben

Nyílt forráskódú modellek

• Az alapmodellek legfontosabb tulajdonságai, típusai és felhasználási esetei
• Stratégiák a modellek használatához:
  • Modellek bérlése (Model-as-a-Service)
  • Nyílt forráskódú modellek önálló hosztolása
  • Modellek telepítése edge eszközökön
• Mélyreható ismerkedés a Meta Llama modellcsaláddal
• Gyakorlat: egy nyílt forráskódú modell helyi futtatása
• Gyakorlati útmutató a helyi és edge modelltelepítésről

A felhős megoldások áttekintése

• Az AWS AI és ML toolkit
• A Google Cloud's AI portfolio felderítése
• A Microsoft Azure AI platform bemutatása
• Összehasonlítások
• Responsible AI: Google, Microsoft és AWS alapelvek
• A Hugging Face platform (modellek, adathalmazok, terek)

Bevezetés az AI ügynökökbe (agents)

• Mik az ügynökök?
• A Context Protocol Modell használata (MCP)
• Ügynök workflow-k
• Több-ügynökös rendszerek
• Eszközök használata

3. nap: Mesterséges intelligenciával támogatott szoftverek építése

• A fejlesztési folyamat: a megfelelő modell kiválasztása
• Alapvető eszközök, könyvtárak és legjobb gyakorlatok
• A projekt kezdete: a ZenTask, a mesterséges intelligenciával támogatott feladatkezelő bemutatása
• A ZenTask 2.0 víziójának meghatározása és a fejlesztési ütemterv
• Gyakorlat: ZenTask kezdeti beállítása (klónozás és első build)
• Gyakorlat: Egy LLM-alapú chatbot integrálása a ZenTaskba (OpenAI API, context crafting, streaming)
• Gyakorlat: Az alapvető chatbot fejlesztése a feladatok létrehozásához
• Gyakorlat: Feladatjelentések létrehozására szolgáló chatbot építése
• Gyakorlat: A prompt útválasztás és hangszerelés megvalósítása
• Gyakorlat: Strukturált és formázott kimenetek biztosítása
• Gyakorlat: Szemantikus keresés megvalósítása feladatok és projektek számára
• Gyakorlat: Állapotmutáció lehetővé tétele a feladatmenedzsment számára chat-en keresztül
• Projektbeszámoló: a ZenTask következő lépéseinek megtervezése
• AI/LLM rendszerek hibakeresése: egyedi kihívások és legjobb gyakorlatok
• AI/LLM rendszerek üzemeltetése: naplózás és önkorrekció

AI biztonsági alapok a fejlesztésben

• Lehetséges biztonsági fenyegetettségek, szereplők és hatások
• Denial of Service (DoS) jellegű támadások
• Gyakorlat: végtelen prompt routing-támadás szimulálása
• Jailbreaking
• Prompt injection: definíció, hatás és példák
• Gyakorlat: prompt injection támadások a ZenBot
• Hatékony védekezés a prompt injection ellen
• Gyakorlat: a promptok visszafejtése a weboldalon keresztül

Összefoglalás, kérdések és válaszok

Legalább 2 éves korábbi fejlesztési ismeret és gyakorlat valamilyen programnyelvben (Java, C#, Python stb.). Mivel egyes forrásanyagok és alkalmazott környezet angol nyelvű, ezért az angol nyelv legalább alapfokú, dokumentumolvasás-szintű ismerete javasolt. A képzés magyar nyelven zajlik.