Mesterképzés technikai NLP-mérnöki és mérnöki asszisztensek területén
Online mesterképzés technikai NLP-mérnöki és mérnöki asszisztensek területén, 1 900 órában: 12 modul, amely a számítógépes nyelvészetet, a Transformer-modelleket, a műszaki dokumentációra épülő RAG-rendszereket, az információkinyerést, a finomhangolást, az ügynököket, az LLMOps-t és az MI-irányítást öleli fel az MI-rendeletnek (EU AI Act), az ISO/IEC 42001 szabványnak és a NIST AI RMF keretrendszernek megfelelően, kijelölt szakmai tutorral.
Mesterképzés technikai NLP-mérnöki és mérnöki asszisztensek területén — tanulás innen: Magyarország
Az adatvezérelt mérnöki megoldások, a mesterséges intelligencia és a szimulációs módszerek alkalmazása egyre több iparágban terjed el Magyarországon. A bankszektor, a gyártóipar és az energiaszektor egyaránt keresi az adatelemző és modellezési kompetenciákat. Budapest a régió egyik jelentős informatikai központjává vált.
Díjak ide: Magyarország 3 640 000 Ft (magyar forint), részletfizetéssel és vállalati támogatással.
Illetékes szervek: Magyarország
Jellemző munkakörök
Kérdések innen: Magyarország
Milyen szabályozás vonatkozik az AI- és adatelemzési munkára Magyarországon, és elismeri-e ezt a képzést valaki?
Magyarországon az adatvédelmet a Nemzeti Adatvédelmi és Információszabadság Hatóság (NAIH) és az általános adatvédelmi rendelet (GDPR) szabályozza, az AI-ra pedig az EU-s AI-rendelet vonatkozik. Nincs külön hazai AI-mérnöki védjegy. A SEIUM magán-végzettsége nem állami, elismerését a munkáltató dönti el.
Mely munkáltatók alkalmaznak adatelemzőket és AI-mérnököket Magyarországon?
Magyarországon a bankszektor, a telekommunikáció, az e-kereskedelem, az ipari gyártás és számos szoftverfejlesztő cég keres adatelemzési és AI-szakembereket. A munkaadók főként a gyakorlati projekteket, a programozási és statisztikai tudást, valamint a portfóliót értékelik a bizonyítvány mellett.
Lehet-e munka mellett tanulni, és milyen angol nyelvtudás kell hozzá?
A képzés 100%-ban online, így munka mellett, otthonról is tanulható, a tempó egyénileg tervezhető. Az oktatás angol nyelvű, ezért jó írott és szóbeli angol szint szükséges. A díj részletfizetéssel rendezhető, és munkáltatói támogatás is szóba jöhet.
Vegye kézbe az irányítást.
Run a real engineering trade-off from this field. Move the sliders, watch the model react in real time and beat the challenge.
Mit lesz képes elvégezni
Műszaki dokumentációhoz szánt nyelvfeldolgozó folyamatok tervezése.
Olyan RAG-asszisztensek építése, amelyek szabványokra és kézikönyvekre visszavezethető hivatkozásokat adnak.
Követelmények, táblázatok és alkatrészjegyzékek kinyerése strukturálatlan dokumentumokból.
Nyelvi modellek tartományi adaptálása hatékony finomhangolással.
Számítási, CAD- és PLM-eszközöket használó ügynökök összehangolása.
Asszisztensek megbízhatóságának, biztonságának és torzításainak értékelése éles környezetben.
Mérnöki asszisztensek telepítése az európai MI-rendeletnek (AI Act) megfelelően.
Kinek szól
- NLP-mérnökök, akik a műszaki dokumentáció és a mérnöki asszisztensek felé fordulnak.
- LLMOps-mérnökök, akik nyelvi modellek éles környezetben történő üzemeltetéséért felelnek.
- Műszaki asszisztensek fejlesztői mérnöki csapatok számára.
- Műszaki tudásmenedzsment szakemberek.
- Generatív MI-megoldások architektjei.
- MI-irányítási vezetők ipari szervezetekben.
- Mérnöki vagy természettudományi diplomával rendelkezők, akik mérnöki és műszaki tanácsadói pályán szeretnének elhelyezkedni.
Amivel dolgozni fog
- (EU) 2024/1689 rendelet (az Európai Unió mesterséges intelligenciáról szóló rendelete)
- ISO/IEC 42001:2023 (mesterséges intelligencia irányítási rendszerek)
- NIST AI RMF 1.0 (mesterséges intelligenciával kapcsolatos kockázatkezelési keretrendszer)
- ISO/IEC 23894:2023 (mesterséges intelligenciával kapcsolatos kockázatkezelési útmutató)
- (EU) 2016/679 rendelet – GDPR (személyes adatok védelme)
- ISO/IEC 22989:2022 (mesterséges intelligencia fogalmai és terminológiája)
- ISO/IEC 27001:2022 (információbiztonsági irányítási rendszerek)
- Hugging Face Transformers
- spaCy
- LangChain
- vLLM
- Qdrant
12 modules · 1900 h
1.1Műszaki dokumentáció és mértékegységek tokenizálása1.2Morfológia, lemmatizálás és szakterminológia1.3Írott követelmények függőségi elemzése1.4Megnevezett entitások felismerése szabványokban és adatlapokon1.5Vektoros reprezentációk: word2vec, fastText és GloVe1.6Műszaki korpuszok: kézikönyvek, specifikációk és hibajegyek1.7Korpuszannotálás és annotátorok közötti egyetértés1.8Szabályalapú kinyerés és reguláris kifejezések1.9Értékelési mutatók: precizitás, felidézés és F11.10Labor: spaCy-feldolgozósor karbantartási kézikönyveken
2.1Figyelemmechanizmus és többfejes önfigyelem2.2BERT-típusú kódolók és GPT-típusú dekódolók2.3Maszkolt és kauzális előtanítási célok2.4BPE, WordPiece és SentencePiece tokenizálók2.5Kontextusablak és RoPE pozicionális kódolás2.6Skálatörvények és a modellméret megválasztása2.7Nyílt modellek: Llama, Mistral és Qwen2.8GPTQ- és AWQ-kvantálás, valamint a GGUF formátum2.9Hatékony következtetés vLLM-mel és KV-cache-sel2.10Gyakorlat: nyílt modell kiszolgálása helyi GPU-n
3.1Zero-shot, few-shot és lépésenkénti gondolkodás promptolása3.2Rendszerüzenetek és stílusszabályozás3.3Pydantic sémákkal validált JSON-kimenetek3.4Függvényhívás és eszközhasználat3.5Mértékegységek és mennyiségek kezelése a válaszokban3.6Hallucinációk csökkentése explicit korlátozásokkal3.7Promptverziózás és regressziós tesztelés3.8Promptinjektálás és alapvető védekezési módok3.9Tokenköltség és késleltetés optimalizálása3.10Műhelymunka: követelménykinyerő, amely validált JSON-t állít elő
4.1PDF-ek, rajzok és adatlapok betöltése4.2Szemantikus és dokumentumszerkezeten alapuló darabolás4.3Beágyazó modellek és tartományspecifikus kiválasztásuk4.4Vektoradatbázisok: FAISS, Qdrant és pgvector4.5Hibrid BM25-keresés sűrű lekérdezéssel kombinálva4.6Részletek újrarangsorolása keresztkódolókkal4.7Pontra és oldalszámra visszavezethető hivatkozások4.8A dokumentumindex inkrementális frissítése4.9RAG-értékelés Ragas-szal: hűség és relevancia4.10Labor: belső szabványokra épülő RAG-asszisztens
5.1Követelmények osztályozása EARS szintaxissal5.2PDF-táblázatok: Camelot, pdfplumber és OCR5.3Címtáblák és alkatrészjegyzékek értelmezése5.4Fizikai mértékegységek normalizálása Pint-tel5.5Műszaki specifikációk kétértelműségének felismerése5.6Alkatrészek közötti kapcsolatok és tudásgráfok5.7Műszaki ontológiák és kontrollált szótárak5.8Összekapcsolás PLM-cikkszámokkal5.9Emberi validálás és javítási ciklusok5.10Esettanulmány: strukturált BOM beolvasott specifikációkból
6.1Mikor érdemes finomhangolni a modellt, és mikor lekérdezni6.2Utasításadatkészletek műszaki jelentésekből6.3LoRA- és QLoRA-adapterek a PEFT segítségével6.4Felügyelt finomhangolás és csevegősablonok6.5Preferenciaillesztés DPO módszerrel6.6Szintetikus adatok és szennyeződés-ellenőrzés6.7Katasztrofális felejtés és regressziós értékelés6.8Desztilláció kis, telepíthető modellekbe6.9Kísérletkövetés MLflow-val6.10Gyakorlat: QLoRA hibajelentéseken
7.1ReAct- és tervező-végrehajtó minták7.2Integráció számológépekkel és numerikus megoldókkal7.3Generált SQL-lekérdezések műszaki adatbázisokon7.4Kapcsolódás CAD- és PLM-API-khoz7.5MCP-protokoll eszközök közzétételére7.6Beszélgetési memória és feladatállapot7.7Az autonómia korlátai és emberi jóváhagyás7.8Nyomkövetés és megfigyelhetőség Langfuse-zal7.9Hibakezelés és eszközök újrapróbálása7.10Műhelymunka: ügynök, amely egy alkatrészt méretez és dokumentál
8.1Python-szkriptek generálása CAE-előfeldolgozáshoz8.2Makrók FreeCAD-hez és CAD-API-khoz8.3PLC-programozás támogatása az IEC 61131-3 szerint8.4Generált egységtesztek és kódellenőrzés8.5Statikus elemzés és nem biztonságos kód felismerése8.6Kódból generált műszaki dokumentáció8.7Kódlicencek és szellemi tulajdon8.8Integráció IDE-kbe és felülvizsgálati folyamatokba8.9Termelékenységi és kódminőségi mutatók8.10Gyakorlat: hálógenerálás automatizálása LLM-mel
9.1Saját tartományi értékelő adathalmazok9.2LLM-as-a-judge módszer és torzításai9.3Magabiztosság kalibrálása és szabályozott tartózkodás9.4Ellenséges tesztelés és red teaming9.5Adatszivárgás és dokumentumok adatvédelme9.6Az LLM-ekre vonatkozó OWASP Top 10 kockázatok9.7Kockázatkezelés a NIST AI RMF szerint9.8Driftfigyelés éles környezetben9.9Nyomon követhetőség szabályozott ágazatokban9.10Esettanulmány: karbantartási asszisztens auditálása
10.1Felhőalapú és helyi (on-premise) architektúra10.2Konténerek, Kubernetes és GPU-skálázás10.3Modellátjárók és költségalapú útválasztás10.4Szemantikus gyorsítótárazás és késleltetés-szabályozás10.5Titkos adatok kezelése és hozzáférés-szabályozás10.6Canary-telepítés és A/B-tesztelés10.7Interakciók naplózása auditálási célból10.8Az asszisztens teljes üzemeltetési költsége10.9A következtetés energiafogyasztása10.10Labor: telepítés vLLM-mel és Kubernetes-szel
11.1Az európai MI-rendelet (AI Act) és a kockázati szintek11.2MI-irányítási rendszerek az ISO/IEC 42001 szerint11.3Személyes adatok védelme az asszisztensekben11.4Szabványok és kézikönyvek szerzői joga11.5Interakciótervezés és a felhasználói bizalom11.6Változásmenedzsment műszaki irodákban11.7MI-műveltség mérnökök számára11.8Megtérülés és üzleti terv11.9Modellkártyák és rendszerdokumentáció11.10Esettanulmány: bevezetési terv egy mérnöki cégnél
12.1A felhasználási eset és a hatókör meghatározása12.2A műszaki korpusz gyűjtése és licencelése12.3Az asszisztens architektúrájának tervezése12.4A működő prototípus megvalósítása12.5Értékelési terv és sikermutatók12.6Tesztelés valódi mérnöki felhasználókkal12.7Kockázatelemzés és jogszabályi megfelelés12.8Kóddokumentáció és reprodukálhatóság12.9Mesterszakdolgozat-jelentés12.10Mesterszakdolgozat: védés bizottság előtt
Hogyan fog tanulni
100%-ban online képzés a SEIUM campusán, letölthető anyagokkal, rögzített órákkal és kijelölt szakmai tutorral. Nincsenek rögzített órarendek: mindenki a saját tempójában halad az adott évfolyamon belül, így a képzés munka mellett is teljesíthető.
Minden modul elméletet, az eredeti szabvány irányított feldolgozását és alkalmazott gyakorlatokat ötvöz. A használt szoftverek a Hugging Face Transformers, a spaCy, a LangChain, a vLLM és a Qdrant, ingyenes, akadémiai vagy kiértékelő verzióban. A tesztelés valós eljárások mentén történik: asszisztensek értékelése valódi műszaki korpuszokon, kísérletek mérnökökkel műszaki irodákban, valamint a válaszok auditálása a hivatkozott szabványok alapján. Az értékelés modulonként folyamatos, a záró mesterszakdolgozattal együtt.
Lefedett szabványok: a mesterséges intelligenciáról szóló 2024/1689 (EU) rendelet, ISO/IEC 42001:2023, NIST AI RMF 1.0, ISO/IEC 23894:2023, 2016/679 (EU) rendelet (GDPR), ISO/IEC 22989:2022, ISO/IEC 27001:2022.
Építse meg a teljes rendszert
A záró projekt a valós mérnöki munkafolyamatot követi, lépésről lépésre, a tutor felülvizsgálatával.
Hová vezethet
Követelmények
- Mérnöki, természettudományi vagy építészeti egyetemi diploma, vagy azzal egyenértékű, igazolható szakmai gyakorlat.
- Internetkapcsolat és a képzés szoftvereit futtatni képes számítógép.
- A műszaki szabványok olvasásához elegendő angol nyelvtudás.
Készen áll a kezdésre?
Küldd el a jelentkezésedet még ma. Felvételi csapatunk 72 órán belül válaszol, a tanulási tervvel és a finanszírozási lehetőségekkel együtt.
Gyakran ismételt kérdések
A képzés összesen 1900 órából áll, és 12–14 hónap alatt teljesíthető. Minden indítás keretein belül saját tempóját választhatja meg, oktatója pedig segít úgy beosztani a tanulnivalót, hogy az összeegyeztethető legyen a munkájával.
Hugging Face Transformers, spaCy, LangChain, vLLM és Qdrant eszközökkel dolgozol, ingyenes, akadémiai vagy értékelési verziókat használva. A tutor minden esetben megjelöli az ingyenes alternatívát, ahol van ilyen.
A SEIUM Institute oklevele, amelyet a folyamatos értékelés és a mesterszakdolgozat sikeres teljesítése után kapsz. Ez a SEIUM saját képesítése, nem hivatalos állami diploma; elismerése a teljesített programtól és az egyes országok szabályozásától függ.
Igen. Az ugyanazon a területen elvégzett tanfolyamon vagy szakirányú továbbképzőn teljesített modulokat a magasabb szintű programban elismerjük. Beiratkozáskor kérdezd meg az elismerési szabályzatot.
Mérnöki, természettudományi vagy építészeti egyetemi diploma (vagy azzal egyenértékű szakmai tapasztalat), a szoftverek futtatására alkalmas számítógép, valamint az angol nyelv olyan szintű ismerete, amely elegendő a műszaki szabványok olvasásához.
A kezdési időpontokat a SEIUM oktatói testülete határozza meg minden beiratkozási időszakra. Jelentkezésekor felvételi csapatunk megerősíti a következő elérhető dátumot.
Kapcsolódó programok
More in Data, AI, Simulation & Analytics
All Data, AI, Simulation & Analytics programmes → · Jelentkezés menete · Díjak és finanszírozás · Ösztöndíjak