Új Mesterséges intelligencia fejlesztőknek - specifikációvezérelt gyakorlattal

Az új, frissített tartalmú kétnapos intenzív program átfogó, de ugyanakkor gyakorlati bevezetést nyújt a modern, vállalati AI-támogatott szoftverfejlesztésbe. A képzés bemutatja, hogyan használhatók hatékonyan a generatív AI-modellek és fejlesztői asszisztensek a mindennapi fejlesztési folyamatban, és hogyan lehet ezek használatát csapatszinten szabványosítani, biztonságossá tenni, mérni és költségkontroll alatt tartani.

Az AI-alapok, a modellválasztás, a token- és kreditlogika, valamint a vállalati AI-governance áttekintését követően a résztvevők megismerkednek a GitHub Copilot korszerű, szervezeti használatával. A képzés kitér a repository-szintű instrukciókra, az agentic workflow-kra, a code review támogatásra, az MCP-eszközkapcsolatokra, a használati metrikákra és a költségkeretek tudatos kezelésére.

A második nap során egy egész napos, specifikációvezérelt gyakorlati projekt keretében a résztvevők AI-val támogatott módon haladnak az üzleti igénytől a review-képes megoldásig. A gyakorlat során specifikációt, acceptance criteriákat, feladatbontást, implementációs tervet, teszteket, dokumentációt, valamint biztonsági és költségellenőrzési kontrollpontokat alakítanak ki.

A képzés folytatásaként javasolt az egynapos, "Open source modellek, lokális AI, RAG és adatintenzív gyakorlatok" című tanfolyam elvégzése is, aminek fókuszában a nyílt forrású modellek, a lokális modellfuttatás, a Python-alapú kísérletezés, a RAG-megoldások, az egyszerű modellbenchmarkolás, a multimodális képfeldolgozás és a fejlesztőknek szóló machine learning / data science alapok vannak. Amennyiben cél, hogy ne csak felhős AI-eszközöket használjunk, hanem tudatosabban tudjunk dönteni a lokális és felhős modellek, LLM- és klasszikus ML-megközelítések, valamint költség-, adatvédelmi és teljesítményszempontok között, mindenképpen egy javasolt továbblépés még ez a képzés.

AKCIÓA "Mesterséges intelligencia fejlesztőknek vállalati környezetben, specifikációvezérelt gyakorlattal" képzésen résztvevők számára 10% kedvezményt biztosítunk az "Open source modellek, lokális AI, RAG és adatintenzív gyakorlatok" c. képzés díjából.

A képzést legalább 2 éves fejlesztési gyakorlattal rendelkező fejlesztőknek, szoftvertervezőknek, tech leadeknek, architekteknek, QA-szakembereknek és technikai üzleti elemzőknek ajánljuk, akik szeretnék az AI-t nem alkalmi segédeszközként, hanem vállalati fejlesztési workflow-ba integrálható eszközkészletként használni.

Különösen ajánlott azoknak a csapatoknak, amelyek már használnak vagy bevezetni készülnek GitHub Copilotot, CursorAI-t, Claude Code-ot, OpenAI Codexet, JetBrains AI-t vagy más fejlesztői AI-asszisztenst, és szeretnének egységes AI-használati keretrendszert, kódolási standardokat, review-kapukat és költségkontrollt kialakítani.

A képzés után a résztvevők:

• képesek lesznek ismertetni és összehasonlítani a vezető AI-gyártókat, modelleket, szolgáltatási szinteket és költséglogikákat;
• értelmezni tudják a token-, kredit- és usage-alapú költségmodelleket, valamint ezek fejlesztői használatra gyakorolt hatását;
• képesek lesznek a GitHub Copilotot szervezeti keretek között használni, beleértve a chatet, kódkiegészítést, code review-t, repository custom instructionöket, agentic workflow-kat és MCP-eszközkapcsolatokat;
• képesek lesznek AI-ready repository standard packot kialakítani, amely tartalmazza a Copilot-instrukciókat, agent-instrukciókat, review-elveket és csapatszintű kódolási elvárásokat;
• képesek lesznek specifikációvezérelt, AI-támogatott delivery workflow-ban dolgozni;
• megértik, hogyan lehet AI-t használni követelmények pontosítására, feladatbontásra, implementációra, tesztelésre, dokumentációra és review-előkészítésre;
• képesek lesznek alap szinten mérni az AI-használatot, biztosítani a review gate-eket és csökkenteni a felesleges AI-kreditfelhasználást;
• felismerik a tipikus AI-biztonsági kockázatokat, különösen a prompt injection, a secrets, az érzékeny adatok és a túlzott tool-jogosultságok veszélyeit;
• képesek lesznek a megszerzett sablonokat és checklistákat saját fejlesztői csapatuk működésébe beépíteni
  

1. nap - AI körkép, vállalati használati keretek és GitHub Copilot

A jelenlegi AI ökoszisztéma áttekintése

• Generatív AI és LLM alapfogalmak fejlesztői szemmel
• AI, machine learning, neurális hálók és LLM-ek kapcsolata
• Vezető gyártók, modellcsaládok és szolgáltatási szintek áttekintése
• Zárt és nyílt modellek összehasonlítása vállalati szempontból
• Kontextusablak, tokenek, limitációk és költségszámítás
• API-alapú használat, chatfelületek és fejlesztői integrációk
• Modellválasztási szempontok fejlesztési feladatokhoz
• Gyakorlat: modell- és költségösszehasonlító mini workshop

Modern AI-használat a szoftverfejlesztésben

• AI asszisztensek szerepe a szoftverfejlesztési életciklusban
• Mikor használjunk chatet, code assistantot, agentet vagy workflow automatizációt?
• Kódkiegészítés, kódgenerálás, refaktorálás, dokumentáció, tesztelés és hibakeresés támogatása
• Népszerű fejlesztői AI-eszközök összehasonlítása: GitHub Copilot, OpenAI Codex, Cursor AI, Claude Code, JetBrains AI/Junie, webes AI IDE-k
• Tipikus hibák: hiányos kontextus, hallucináció, túl nagy promptok, ellenőrizetlen outputok

Vállalati AI-használati keretek fejlesztőcsapatoknak

• AI governance alapok fejlesztői nézőpontból
• Mit szabad és mit nem szabad AI-eszközbe küldeni?
• Adatklasszifikáció, érzékeny adatok és belső kód kezelése
• Csapatszintű kódolási standardok és AI-ready repository működés
• Review gate-ek, emberi jóváhagyás és auditálhatóság
• AI usage policy rövid változatának felépítése
• Gyakorlat: rövid AI használati szabályzat és csapatstandard vázlat készítése

2. nap - Specifikációvezérelt módszer

Specifikációvezérelt projektmunka

• Miért nem elég „csak promptolni”?
• Üzleti igényből fejlesztési specifikáció
• Cél, scope, szerepkörök, elvárt outputok és acceptance criteriák
• Funkcionális és technikai specifikáció elkülönítése
• Gyakorlat: projekt briefből specifikációváz készítése

AI-támogatott felmérés

• Követelmények pontosítása és hiányzó kérdések feltárása
• User story-k és acceptance criteriák készítése
• Domainmodell és fő folyamatok azonosítása
• Technikai megvalósítási alternatívák feltárása
• Feladatbontás issue-kra és fejlesztési lépésekre
• Gyakorlat: story + task decomposition AI-támogatással

AI-asszisztált implementáció és review-képes output

• Promptok helyett standard pack és explicit konvenciók használata
• Kódgenerálás meglévő projektkontextusban
• Iteratív fejlesztés, hibajavítás és refaktorálás AI segítségével
• Tesztek generálása specifikáció alapján
• Dokumentáció és changelog készítése

Security, quality és cost gate-ek

• Review checklist AI által generált kódhoz
• Secrets és data leakage ellenőrzése
• Prompt injection és rossz tool-hozzáférés vizsgálata
• Tesztlefedettség, edge case-ek és kockázatok
• Token- és kreditfelhasználás áttekintése
• Gyakorlat: security, quality és cost review gate futtatása

Zárás és értékelés

• Csapatdemó és projektbemutató
• Elkészült artefaktok áttekintése
• Mi gyorsult AI-val, és hol volt szükség emberi kontrollra?
• Hogyan építhető be a folyamat csapatszintű működésbe?
• Elvihető sablonok, checklisták és következő lépések

A képzés során elkészülő artifaktok

• AI használati szabályzat rövid változata: mit szabad és mit nem szabad AI-ba küldeni
• Repository standard pack: Copilot instructions, agent instructions, review elvek és csapatszintű standardok
• Specifikációcsomag: cél, scope, acceptance criteria, feladatbontás és technikai döntések
• Review és költségellenőrző lap: security, quality és cost kapuk
• Modell- és eszközválasztási döntési mátrix

Legalább 2 éves korábbi fejlesztési ismeret és gyakorlat valamilyen programnyelvben (Java, C#, Python, JavaScript, Kotlin stb.). Alapvető Git- és pull request workflow-ismeret szükséges. Mivel egyes forrásanyagok és alkalmazott környezetek angol nyelvűek, ezért az angol nyelv legalább alapfokú, dokumentumolvasás-szintű ismerete javasolt. AI-előismeret nem szükséges. A képzés magyar nyelven zajlik.

Laborkörnyezetet biztosítunk, de lehetőség van saját számítógép használatára is:

• Modern notebook, legalább 16 GB RAM ajánlott
• Stabil internetkapcsolat
• VS Code vagy JetBrains fejlesztőkörnyezet
• Git, NodeJS, Python, böngésző és terminál
• GitHub-account; Copilot license javasolt, de szükség esetén tudunk biztosítani