Az MI-ről ma már nehéz úgy olvasni, hogy ne jöjjön szembe néhány angol rövidítés vagy technikai fogalom. LLM, token, prompt, MI-ügynök, MCP, hallucináció — ezek lassan a hétköznapi munka nyelvéhez tartoznak. Ez a rövid szótár abban segít, hogy értsd, miről van szó, amikor ezek a kifejezések előkerülnek.
Állítsd be a mivagyunk.hu-t kedvenc forrásként a Google-benMiért érdemes érteni az MI alapfogalmait?
Az MI nyelve gyorsan beszivárgott a munkába. Egy cégvezető ma már MI-ügynökökről hall. Egy marketinges tokenalapú árazással találkozik. Egy tanár vagy jogász hallucináló modellekről olvas. Aki szoftvert választ, hamar szembejön vele az MCP, a finomhangolás vagy a nyílt forrású modell kifejezés.
Ezek a szavak elsőre távolinak tűnhetnek, mégis gyakorlati döntésekhez kapcsolódnak. Milyen eszközt használj? Mennyibe kerül a rendszer? Rábízhatsz-e céges dokumentumot? Elég egy általános chatbot, vagy speciális megoldás kell?
Az MI-szókincs döntési segítség. Ha érted az alapokat, könnyebben kérdezel, pontosabban értékeled az eszközöket, és gyorsabban felismered a túlzó ígéreteket.
Nagy nyelvi modell
A nagy nyelvi modell, angol rövidítéssel LLM, a legismertebb MI-asszisztensek alapja. Ilyen rendszer működik például a ChatGPT, a Claude, a Gemini vagy a Microsoft Copilot mögött.
Egy nagy nyelvi modell hatalmas mennyiségű szövegből tanul mintázatokat. A kapott utasítás alapján olyan választ állít elő, amely statisztikailag odaillőnek tűnik. Ettől tud jól fogalmazni, fordítani, összefoglalni, ötletelni és magyarázni.
A lényeg a korlátoknál kezdődik. Egy LLM meggyőzően írhat pontatlan állítást is. Fontos ügyekben ezért a válasz ellenőrzése a használat része.
Prompt
A prompt az az utasítás, kérés vagy feladatleírás, amelyet az MI-eszköznek adsz. Lehet rövid kérdés, de lehet részletes munkautasítás is céllal, háttérrel, elvárt formátummal és stílussal.
A jó prompt pontos munkakiosztás. Megmondja, milyen szerepben válaszoljon a rendszer, kinek készül az anyag, milyen hosszban írjon, mire figyeljen, és milyen hibákat kerüljön.
Gyenge promptból gyakran általános válasz születik. Egy erősebb utasítás jobb első változatot ad, kevesebb utómunkával.
Token
A token az MI-rendszerek egyik alapegysége. Szövegrészletként érdemes elképzelni. Lehet teljes szó, szórész, írásjel vagy karaktercsoport.
A token azért fontos, mert sok MI-szolgáltatás részben tokenalapon áraz. Minél hosszabb anyagot töltesz fel, és minél részletesebb választ kérsz, annál több tokent használ a rendszer.
Céges környezetben ez gyorsan költségkérdéssé válik. Más terhelést jelent egy rövid ügyfélszolgálati válasz, és mást több száz oldalnyi dokumentum feldolgozása.
Generatív MI
A generatív MI olyan mesterséges intelligencia, amely új tartalmat állít elő. Írhat szöveget, készíthet képet, hangot, videót, kódot, prezentációt vagy adatstruktúrát.
Ezt használod akkor, amikor cikkvázlatot kérsz, képet generáltatsz, e-mailt fogalmaztatsz, kampányötleteket gyűjtesz vagy kódot javíttatsz. Az ereje a gyors előállításban és átalakításban van.
A szép forma könnyen túlzott bizalmat kelt. Egy jól megírt mondat tartalmazhat hibás állítást, ezért fontos témában mindig kell ellenőrzés.
Hallucináció
A hallucináció azt jelenti, hogy az MI valótlan vagy pontatlan információt állít elő. Ez lehet rossz dátum, kitalált forrás, nem létező jogszabály, hibás név vagy félreértett adat.
A veszélyt a hihető forma adja. Az MI sokszor magabiztosan fogalmaz akkor is, amikor téved. Ettől egy pontatlan válasz könnyen szakmainak tűnhet.
Jogi, pénzügyi, egészségügyi, HR- vagy üzleti döntés előtt az MI-válasz csak kiindulópont. A felelős döntéshez forrás, szakmai kontroll és józan ítélet kell.
MI-ügynök
Az MI-ügynök olyan rendszer, amely több lépésből álló feladatot végez el. Képes információt keresni, fájlt megnyitni, adatot rendezni, e-mailt előkészíteni, időpontot egyeztetni vagy más szoftverekkel együtt dolgozni.
Itt az MI már közelebb kerül a cselekvéshez. Egy egyszerű chatbot választ ad, de az ügynök a beállításoktól függően műveleteket is elindíthat.
Ez kényelmes, közben felelősségi kérdés is. Minél több hozzáférést kap egy MI-ügynök, annál fontosabb a jogosultságkezelés, a naplózás és az emberi kontroll.
API-végpont
Az API-végpont egy szoftver kapcsolódási pontja. Más programok ezen keresztül kérhetnek adatot, indíthatnak műveletet vagy használhatnak egy szolgáltatást.
Hétköznapi hasonlattal olyan háttérgomb, amelyet egy másik rendszer nyom meg. Egy időpontfoglaló, fizetési rendszer vagy ügyféladatbázis sok ilyen kapcsolódási ponton keresztül működik.
Az MI-ügynökök miatt ez a fogalom különösen fontos. Ha egy MI-rendszer hozzáfér API-végpontokhoz, akkor a beszélgetésből valódi művelet lehet.
MCP
A Model Context Protocol, röviden MCP, olyan szabvány, amely segíti az MI-modelleket külső eszközökhöz és adatokhoz kapcsolódni. Ilyen külső környezet lehet például egy dokumentumtár, adatbázis, Slack, Google Drive vagy vállalati rendszer.
Az MCP lényege az egyszerűbb összekapcsolás. Egy vállalatnak kevesebb egyedi integrációt kell építenie, ha az MI-t több belső rendszerrel akarja használni.
A hozzáférés itt kulcskérdés. Egy hasznos integráció és egy adatvédelmi probléma között gyakran a jogosultsági beállítások minősége dönt.
Tanítás
A tanítás az a folyamat, amikor egy MI-modell nagy mennyiségű adatból mintázatokat tanul. Szövegek, képek, hangok, kódok vagy egyéb adatok alapján alakul ki, hogy a rendszer milyen bemenethez milyen választ társít.
Ez drága és erőforrás-igényes munka. Sok adat, számítási kapacitás és mérnöki tudás kell hozzá. Emiatt a legtöbb cég meglévő modelleket használ, majd azokat építi be saját folyamataiba.
A tanítás minősége később minden válaszban megjelenik. Hiányos vagy torz adatokból gyengébb rendszer születik.
Következtetés
A következtetés, angolul inference, akkor történik, amikor a már betanított modell válaszol egy konkrét kérésre. Beírsz egy promptot, a rendszer feldolgozza, majd előállítja az eredményt.
Felhasználóként ezt látod a mindennapi működésben. Milyen gyorsan érkezik a válasz? Mekkora szöveget tud kezelni? Mennyibe kerül egy adott feladat lefuttatása?
A háttérben ilyenkor számítási kapacitás dolgozik. Nagyobb modellnél a válasz sok esetben erősebb lehet, de a futtatás lassabb és drágább is lehet.
Finomhangolás
A finomhangolás azt jelenti, hogy egy meglévő MI-modellt tovább tanítanak egy szűkebb feladatra vagy szakterületre. Ilyen lehet jogi dokumentumok kezelése, ügyfélszolgálati válaszok írása, orvosi szövegek elemzése vagy belső céges tudásanyag feldolgozása.
Ez akkor működik jól, ha a cél pontos, az adat jó minőségű, a használati környezet pedig ellenőrzött. Rossz adatokkal a finomhangolás csak drágábban termeli a hibákat.
Magyar cégeknek először azt érdemes tisztázniuk, hogy valóban modellfinomhangolás kell-e. Sok esetben elég egy jól felépített tudástáras megoldás.
Nyílt forrású modell
A nyílt forrású MI-modell olyan modell, amelynek kódja, súlyai vagy működésének egyes részei nyilvánosan hozzáférhetők. Ez lehetőséget ad vizsgálatra, módosításra és saját rendszerbe építésre.
A nyílt megközelítés előnye az átláthatóság és a rugalmasság. Fejlesztők, kutatók és cégek jobban megérthetik, mire építenek.
A zárt modellek sokszor kényelmesebb szolgáltatási környezetet adnak. A választás attól függ, milyen célra, milyen adatokkal és milyen kockázati szinten használod az eszközt.
Mit vigyél magaddal ebből?
A napi használathoz három fogalom különösen fontos:
prompt, token és hallucináció.
Ezek megmutatják, hogyan adj jobb feladatot, miért kerül pénzbe az MI-használat, és hol kell ellenőrizni a választ.
Céges döntéseknél más fogalmak kerülnek előtérbe. Az MI-ügynök, az API-végpont, az MCP, a finomhangolás és a nyílt forrású modell már bevezetési, adatvédelmi és felelősségi kérdéseket is érint.
Az MI-szótár nem bemagolandó technikai lista. Inkább kapaszkodó ahhoz, hogy pontosabban kérdezz, jobb eszközt válassz, és időben észrevedd, amikor egy technológiai ígéret több figyelmet igényel.
