Frontiers of AI: intenzív, gyakorlatorientált képzéssorozat a HUN-REN-ben

A 2026. január 19–23. között tartott első modulon Szabados Levente, mesterséges intelligencia szakember tolmácsolásában átfogó bevezetést kaphattak a résztvevők a neurális hálózatok működésébe, a fő architektúráiba és a gyakorlati alkalmazásába. A modul célja az volt, hogy a résztvevők megértsék a neurális hálók alapelveit, képesek legyenek deep learning modelleket alkalmazni különböző problémákra, és átlássák, hogyan alapozzák meg ezek a technológiák a nagy nyelvi modellek (LLM-ek) és intelligens AI-rendszerek működését. 

A képzés tematikája végigvitte a mélytanulás „alapmechanikáját” és a legfontosabb modelleket: a legegyszerűbb neurális hálóktól (perceptron, XOR mint klasszikus korlát) indulva megértettük a tanítás kulcslépését (backpropagation), az aktivációs függvények szerepét (ReLU, sigmoid, tanh), és a stabil tanulást akadályozó jelenségeket (vanishing/exploding gradient). A résztvevők foglalkoztak a hatékony tanítással (SGD és modern optimalizálók), valamint azzal, hogyan lehet elkerülni a túlilleszkedést és javítani az általánosítást (dropout, batch norm, weight decay). Mindezt a leggyakrabban használt architektúrákon keresztül: CNN-ek képi feladatokra, RNN/LSTM-ek szekvenciákra/idősorokra, és attention/transformer modellekre, amelyek a mai LLM-ek alapját adják. 

Hamarosan indulnak az első modulhoz kapcsolódó képzések, haladó specializációk 

A szervezők kiemelik, fontos, hogy az Agentic AI és a Deep Modeling specializáció egymástól függetlenül is elvégezhető, ugyanakkor mindkettő a Deep Learning modulban megszerezhető alapokra épít, így erre azokat várják a szervezők, akik vagy részt vettek a képzésen, vagy birtokában vannak annak a tudásanyagnak. A program célja, hogy a résztvevők ne csak eszközhasználati szinten, hanem módszertani és rendszerszintű megértéssel tudják alkalmazni a modern AI-t kutatási és fejlesztési környezetben. 

Deep Modeling specializáció – modern neurális architektúrák fejlesztői/kutatói mélységben 

A képzés külön blokkban foglalkozik a training és hatékonysági kérdésekkel: új optimalizációs algoritmusok és memóriaigény (RAM), parameter-efficient fine-tuning, quantization, valamint a modellfejlesztés új irányaival (post-training). Kitekintést ad a multimodalitás felé is (VLM-ek), a képi modellezés irányaira (diffúziós és autoregresszív megközelítések), illetve a nyelven túli alapmodellekre (idősoros és táblázatos adatok). 

Agentic AI specializáció – LLM-ek gyakorlati használata, ágensek és intelligens workflow-k 

Kiemelt fókusz a megbízhatóság és a „hallucinációkezelés”: RAG (Retrieval-Augmented Generation) és CoT (Chain of Thought) megközelítések, a CoT különböző változatai, valamint a ReAct, tool use és MCP (eszközhasználat komplex feladatok megoldásához). A modul részletesen tárgyalja az „ágens” fogalmát és felépítését (egy ágens rendszer „anatómiája”), a workflow-k és ágensek közti különbséget, és eljut az egyszerűtől a multi-agens rendszerekig, beleértve az együttműködési szerepeket, tervezési elveket és az A2A (Agent-to-Agent) protokoll (és újabb változatai) kérdéskörét. A képzés záró eleme az értékelési módszertan: promptok, RAG-rendszerek és ágens rendszerek validálása.