Alkalmazott Mesterséges Intelligencia modellek a gyakorlatban

Applied Artifical Inteligence Models in Practice

A tantárgyleírás hatályossága

Hatályosság kezdete:

2026. March 21.

Hatályosság vége:

—

Tantárgy neve (magyarul, angolul)

Alkalmazott Mesterséges Intelligencia modellek a gyakorlatban

Applied Artifical Inteligence Models in Practice

Tantárgykód

BMEVITMAV78

Tantárgyjelleg

—

Képzési szint

—

Kurzustípusok és óraszámok (heti/féléves)

Kurzustípus	elmélet	gyakorlat	laboratóriumi gyakorlat
óraszám (heti)	1	0	1
jelleg (kapcsolt/önálló)	—	—	kapcsolt

Tanulmányi teljesítmény/értékelés típusa

félévközi érdemjegy

Tantárgy kreditértéke

Tantárgyfelelős

DR. Varga Pál

beosztás: egyetemi docens

elérhetőség: varga.pal@vik.bme.hu

Tantárgyat gondozó oktatási szervezeti egység

Távközlési és Mesterséges Intelligencia Tanszék

Kar

Villamosmérnöki és Informatikai Kar

Tantárgy weboldala

—

Tantárgy elsődleges mintatantervi jellege

—

Közvetlen előkövetelmények – Erős előkövetelmény

nincs

Közvetlen előkövetelmények – Gyenge előkövetelmény

nincs

Közvetlen előkövetelmények – Párhuzamos előkövetelmény

nincs

Közvetlen előkövetelmények – Mérföldkő előkövetelmény

nincs

Közvetlen előkövetelmények – Kizáró feltétel

nincs

Célkitűzés

Tantárgyprogram

Minden héten egy, tematikailag összeillő előadás és gyakorlat van; kivéve az első alkalom (dupla előadás) és az utolsó alkalom (dupla gyakorlat)

1. Bevezetés, tematika ismertetése, gazdasági és társadalmi hatások áttekintése. Legújabb technikai és technológiai megoldások bemutatása; AI alapú szoftverek áttekintése.
2. Gépi tanulás és a deep learning alapjai, sequence-to-sequence modellek, transzformer hálózatok, reinforcement learning, generatív modellek, milliárd paraméterű modellek tanítása.
3. Nagy nyelvi modellek, és a ChatGPT működésének és illesztésének alapjai. Fine-tuning, Multimodális megközelítés; a ChatGPT API használata.
4. A ChatGPT működésének kiterjesztése. Angol nyelvű interfész-kiterjesztés, Többnyelvűség, Modern neurális beszéd- és audiotechnológiák, szoftvereszközök (pl. Beszédfelismerés és szintézis, hang klónozás, zenegenerálás).
5. Dokumentum szerkesztés és szoftverfejlesztés-támogatás előtanított nagy nyelvi modellek segítségével. Prompt engineering alapok. Algoritmusok és módszerek.
6. Félévi feladat kiválasztása, ismertetése, ehhez tartozó egyeztetések lefolytatása, keretrendszerek kiválasztása, hallgatói verseny hirdetése.
7. AI megoldások a fejlesztési folyamatokban, az AI-támogatott fejlesztés kihívásai és buktatói. Szoftver-kód verifikáció és validáció, kapcsolódó szoftverek és szolgáltatások, esettanulmányok (pl. Co-pilot, pipeline, stb.)
8. Legújabb generatív modellek, eszközök és API-k (pl. feliratozás, tartalomgyártás, UX tervezés, stb.)
9. Képi világ generálása és megértése, MI alapú képszerkesztés, generatív művészet, esettanulmányok (pl. DALL-E 2, Midjourney
10. Üzleti és kereskedelmi felhasználások - eszközök, eszközláncok és esettanulmányok, általános ("foundational") modellek
11. Modell stabilitás és hallucináció, időbeli érvényesség, a modellek költség oldala és futtatásuk gazdaságossága és fenntarthatósága,
12. AI-által generált tartalmak (képek, szövegek, hang) automatikus azonosítása, kapcsolódó szoftverek, etikai kérdések, jogi aspektusok
13. Hallgatói beszámolók, háziverseny eredményhirdetés

A tárgy tágan értelmezett célja, hogy megmutassa: hogyan alakítja át a mérnökök életét az AI. A tárgy szűkebben vett célja, hogy a hallgatók megismerjék a legújabb, elsősorban nagy nyelvi modelleken alapuló AI megoldások alkalmazásának lehetőségeit, valamint gyakorlatot szerezzenek projekt alapú AI megoldások fejlesztésében, fejlesszék a "prompt engineer" készségeiket. A félév során betekintést nyernek aktuális AI megoldások (pl. OpenAI ChatGPT, Meta AI LLaMA, Stable Diffusion, GitHub Copilot, stb. valamint újabb generációk és megoldások) használatába, majd ezek segítségével a hallgatók kis csoportokban projektmunkát valósítanak meg. A tárgy célja részben az is, hogy a hallgatói együttműködést és a projekt-szemléletet erősítse, jelen esetben a gyorsított fejlesztést AI-támogatású eszköz-környezetben.

Tanulmányi eredmények

Ez a tantárgy a KKK rendeletben meghatározott, következő kompetenciák fejlesztését szolgálja:

Tudás

Nincsenek rögzített tanulási eredmények.

Képességek

Nincsenek rögzített tanulási eredmények.

Attitűd

Nincsenek rögzített tanulási eredmények.

Autonómia és felelősség

Nincsenek rögzített tanulási eredmények.

Oktatási módszertan

Előadás és laboratórium. A tárgy minden hetében előadás és gyakorlat is van, utóbbin a hallgatók valódi programozási feladatokat oldanak meg a gyakorlatvezetők támogatásával.

Tanulástámogató anyagok

Online források

A tantárgy témaköreinek elmélyítését segítő szakirodalmak:; - Andrew Ng: Deep Learning Tutorial, Computer Science Department, Stanford University, 2016 - Online: http://ufldl.stanford.edu/tutorial/; Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press. https://www.deeplearningbook.org/; - OpenAI: ChatGPT Documentation, 2023 - Online: https://platform.openai.com/docs/quickstart; - GitHub Copilot, 2023 - Online: https://docs.github.com/en/copilot; - Ouyang, Long, et al. "Training language models to follow instructions with human feedback." Advances in Neural Information Processing Systems 35 (2022): 27730-27744., https://arxiv.org/abs/2203.02155

A tantárgy teljesítéséhez ajánlott előzetes ismeretek

Tudás típusú kompetenciák

(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)

Alapvető programozási ismeretek, API-k használatának módja

Képesség típusú kompetenciák

(azon előzetes képességek és készségek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)

nincs

Ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák

(azon ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák összessége, amelyek jelentősen hozzájárulnak a tantárgy eredményes teljesítéséhez)

Alapvető programozási ismeretek, API-k használatának módja

Általános szabályok

Követelmények: A félévközi jegy megszerzésnek feltételei a hatályos BME Tanulmányi és Vizsgaszabályzatával (TVSz) összhangban a következők: ● Gyakorlati feladat: A félév közepén a gyakorlati feladat státuszáról beszámolót kell készíteni. A félév végén a gyakorlati projektmunka eredményét be kell mutatni. A gyakorlati feladatra érdemjegyet kapnak. Gyakorlati feladat példák: - Chatrobot és egy szűkített tudásbázis összekötése célzott témában releváns beszélgetésekhez. - Adatbázismodellre épített pipeline szöveges kérdésből generálható diagrammokhoz. Pótlási lehetőségek: ● Gyakorlati feladat: A projekt-feladat beadására az erre kijelölt pótlási időpontban (a szorgalmi időszakban vagy a pótlási héten) van lehetőség.

Teljesítményértékelési módszerek

Szorgalmi időszakban végzett teljesítményértékelések részletes leírása

Nincs megadva részletes értékelés.

Szorgalmi időszakban végzett teljesítményértékelések részaránya

Nincs megadva részarány.

Vizsgaidőszakban végzett teljesítményértékelések részletes leírása

Nincs megadva részletes értékelés.

Vizsgarészek részaránya

Nincs megadva részarány.

Érdemjegy megállapítása

Nincs megadva érdemjegy határ.

Jelenléti és részvételi követelmények

Nincs megadva jelenléti követelmény.

Javítás, ismétlés és pótlás különös szabályai

Nincs megadva.

Rövid leírás

Nincs megadva.

Részletes leírás

Nincs megadva.

Ajánlott tantárgyak

Kötelező: - Ajánlott: - Programozási alapismeretek

A tantárgy elvégzéséhez szükséges tanulmányi munka

Nincs megadva munkaidő bontás.

Tantárgykövetelmények hatályossága

Tantárgykövetelmények hatályosságának kezdete:

—

Tantárgykövetelmények hatályosságának vége:

—

Tantervi elhelyezés

Nincsenek rögzített tantervi elhelyezések ehhez a tárgyverzióhoz.