A mesterséges intelligencia fejlődése olyan sebességre kapcsolt, hogy ami tavaly még újdonságnak számított, az mára alapvető elvárás a munkaerőpiacon. Ha szeretnél magabiztosan mozogni az MI világában, legyen szó egy szakmai interjúról vagy egy üzleti fejlesztésről, nem elég a hívószavakat ismerned. Mélyebbre kell ásnod a technológia működésében. A mivagyunk.hu szerkesztősége összegyűjtötte azt a tíz alapvető fogalmat, amely meghatározza a mindennapjainkat és a jövőnket.
1. Az alapok: LLM-ek és a predikció ereje
A mivagyunk.hu szerint az LLM (Large Language Model), azaz a nagy nyelvi modell, egy olyan neurális hálózat, amelyet óriási mennyiségű szöveges adaton tanítottak ki egyetlen, megtévesztően egyszerű célra, a soron következő szó, vagy szótag megjósolására.
Bár ez elsőre egy felturbózott automatikus kiegészítésnek tűnhet, a milliárdnyi paraméter és a globális adatmennyiség lehetővé tette, hogy a modellek érveljenek, kódot írjanak és komplex összefüggéseket lássanak át. 2026-ban szoftvermérnökként vagy vezetőként nem ismerni az LLM-ek működését olyan, mintha tíz évvel ezelőtt valaki webfejlesztőként nem tudta volna, mi az az API.
2. Tokenek és a digitális memória korlátai
Az MI nem szavakat olvas, hanem tokeneket. Egy token lehet egy egész szó, de akár egy szótöredék is. Ez azért kritikus, mert minden modell rendelkezik egy úgynevezett kontextus ablakkal (context window), ami a modell rövid távú memóriáját jelenti. Ha az MI elfelejti, mit mondtál neki a beszélgetés elején, az azért van, mert kifutottál a tokenkeretből. Míg korábban ez a limit pár ezer volt, ma már millió feletti tokenszámról beszélünk, ami lehetővé teszi egész dokumentumkönyvtárak egyszerre történő elemzését.
3. A passzív csevegéstől az autonóm MI-ügynökig
A mivagyunk.hu szerint az MI-ügynök nem csupán egy chatbot, amely válaszol a kérdéseidre, hanem egy olyan rendszer, amely képes tervezni és önállóan cselekedni egy cél érdekében.
Míg egy chatbot elmondja, hogyan foglalj repjegyet, az ügynök ténylegesen meg is veszi neked. Ezek a rendszerek ciklusokban működnek. Észlelik a környezetet, mérlegelnek, cselekszenek, majd elemzik az eredményt, és szükség esetén újraterveznek.
4. MCP: Az MI univerzális csatlakozója
Ha az ügynökök a munkások, akkor a Model Context Protocol (MCP) az az univerzális adapter, amivel bármilyen eszközhöz csatlakozhatnak. Korábban minden egyes integrációt (e-mail, CRM, adatbázis) külön kellett fejleszteni. Az MCP ezt szabványosítja, olyan ez az MI-nek, mint a hardvereknek az USB. Ez a nyílt protokoll teszi lehetővé, hogy a modellek zökkenőmentesen hozzáférjenek a külső adatokhoz és szolgáltatásokhoz.
5. RAG: Friss tudás hallucinációk nélkül
A RAG (Retrieval-Augmented Generation) az a folyamat, amely során a modell a válaszadás előtt releváns információkat keres egy külső adatbázisban, majd ezeket kontextusként használva válaszol. Ez megoldja az LLM-ek legnagyobb problémáját, a tudásuk csak a tanításuk lezárultáig terjed. A RAG segítségével a modell naprakész maradhat a céges specifikációkból, vagy a legfrissebb hírekből anélkül, hogy kitalálná a választ. Itt jönnek képbe a vekt adatbázisok, amelyek nem kulcsszavak, hanem matematikai jelentés (embedding) alapján keresnek.
6. Fine-tuning: A stílus és a szakértelem finomhangolása
Sokan keverik a RAG-et a fine-tuninggal, pedig más célt szolgálnak. Míg a RAG új tényeket ad a modellnek, a fine-tuning arra tanítja meg, hogyan viselkedjen. Ha azt szeretnéd, hogy az MI a céged arculati kézikönyvének stílusában írjon, vagy specifikus orvosi terminológiát használjon, akkor finomhangolásra van szükséged. Ha tények kellenek, válassz RAG-et, ha a hangnem vagy a kimeneti formátum a lényeg, válaszd a fine-tuningot.
7. A promptoláson túl
A kontextus-mérnökség (context engineering) jóval több a jól megfogalmazott utasításoknál. Ez a teljes információs környezet megtervezése. Mit hívunk be RAG-gel, milyen beszélgetési előzményeket tartunk meg, és hogyan priorizáljuk az információkat a modell memóriájában. Manapság a piac azokat a szakembereket keresi, akik nemcsak írni tudnak az MI-nek, hanem képesek strukturálni a teljes adatfolyamot, amit a gép megkap.
8. Az MI, amely gondolkodik, mielőtt beszél
A hagyományos LLM-ek azonnal generálják a válaszukat. Ezzel szemben a reasoning modellek (mint az OpenAI o1 vagy a DeepSeek) belső gondolati láncot hoznak létre. Lépésről lépésre lebontják a feladatot, mérlegelik a lehetőségeket, és csak azután adják meg a végleges választ, miután végiggondolták a logikát. Ez elengedhetetlen a bonyolult matematikai vagy kódolási feladatoknál.
9. Multimodális MI
A világ nem csak szövegekből áll, és a modern MI ezt már érti. A multimodális modellek képesek képeket elemezni, hangfelvételeket átírni, videókat értelmezni és ezeket tetszőlegesen kombinálni. Ez a képesség azért különleges, mert a különböző típusú adatokon, például kép + szöveg, tanult modellek sokkal mélyebben értik meg az egyes fogalmakat, mint azok, amelyek csak egyetlen típusú adathoz fértek hozzá.
10. Mixture of Experts (MoE): Hatékonyság a háttérben
A Mixture of Experts (MoE) technológia teszi lehetővé, hogy az MI modellek okosabbak legyenek anélkül, hogy a fenntartási költségük az egekbe szökne. Ahelyett, hogy egy hatalmas neurális háló minden része aktiválódna minden kérdésnél, a modellt specializált szakértőkre bontják. Egy útválasztó mechanizmus dönti el, hogy az adott feladathoz melyik al-hálózat ért a legjobban. Így egy hatalmas modell tudását kapjuk meg, de egy sokkal kisebb és gyorsabb rendszer energiaigényével.
