Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics

Hét

Előadás anyaga

1.

Bevezetés, alkalmazás és szolgáltatás típusok áttekintése, esettanulmányok. Mesterséges intelligencia szolgáltatások kategóriái, aktuális technológiai trendek.

2.

Alkalmazás és szolgáltatás fejlesztési alapelvek, integrációs alapelvek, modern fejlesztési folyamatok áttekintése, felhő és egyéb integrációs lehetőségek áttekintése. Tipikus API-k áttekintése. API integrációs lehetőségek objektum orientált nyelveken és scriptnyelvi környezetben. Scriptek futtatása objektum orientált környezetekből és ismert keretrendszerekből, pl. Spring Boot stb.

3.

Egyszerű mesterséges intelligencia alapú alkalmazások és szolgáltatások fejlesztése, bevezető megoldások vizsgálata, egyszerűbb modellek felhasználása és integrálása mobil és webes alkalmazásokba, alapfogalmak és alapelvek áttekintése a fejlesztési folyamatokban.

4.

DevOps és MLOps elvek részletes ismertetése. Az MLOps céljai és előnyei, GIT alkalmazása AI alapú alkalmazások és szolgáltatások fejlesztése esetén, modellek verziókezelése, függőségek hatékony kezelése, modellek konténerizálása, monitorozás és metrikák elemzése. CI/CD az MLOps-ban, MLOps eszközök, például MLflow, Kubeflow, TensorFlow Serving, Vertex AI stb.

5.

Mesterséges intelligencia szolgáltatások mobil platformokon. Google és Apple MI alapú SDK-inak és szolgáltatásainak integrálása. MI szolgáltatások karbantartható integrálása modern alkalmazás architektúrákba. MI szolgáltatások MVVM és MVI architektúrák esetén.

6.

Mobil alkalmazások integrációja külső mesterséges intelligencia szolgáltatásokkal. Nyílt forráskódú/publikus modellek használata mobil platformon. Modellek optimalizálása mobil környezetben. Komplex alkalmazás szolgáltatások, háttér szolgáltatások és MI funkciók integrációja.

7.

FullStack alkalmazások tipikus felépítése és bővítési, valamint integrációs felületeink bemutatása. FullStack és asztali alkalmazások közti különbségek és hasonlóságok. Gyakorlati példák mesterséges intelligencia szolgáltatások integrálására FullStack alkalmazásokba. Processzek indítási lehetőségei FullStack környezetben, aszinkron, hosszabb ideig tartó és akár párhuzamosan futó AI folyamatok és szolgáltatások felügyelete, az eredmények felhasználási lehetőségei.

8.

A relációs és nem relációs adatbázisok mellett speciális adatbázisokat is alkalmazhatunk az MI különböző területein alkalmazások és szolgáltatások fejlesztése kapcsán. Ismertetjük a különböző adatbázis technológiák erősségeit és gyengeségeit MI szolgáltatások fejlesztése és használata szempontjából. Áttekintésre kerülnek a különféle új adatbázis technológiák is, melyek túl mutatnak a klasszikus megoldásokon és ismertetjük azok integrációs lehetőségeit.

9.

Gépi látás alapfogalmak, karakterfelismerés, objektum felismerés, mozgás felismerés, arc felismerés és hasonló gépi látás szolgáltatások használata és fejlesztése. OpenCV lehetőségei és szolgáltatásai, használata más eszközökkel.

10.

Gépi látás funkciók integrációja webes, asztali és mobil alkalmazások számára. Integrációs kihívások fullstack, asztali és mobil alkalmazásokban, az asztali és a mobil kamera használata gépi látási feladatokhoz. Egyedi szolgáltatások fejlesztése és azok integrációja skálázható módon. MI modulok monitorozása, performancia vizsgálat, visszacsatolási lehetőségek, dinamikus modell frissítés.

11.

Felhő alapú Mesterséges Intelligencia Szolgáltatások. Bevezetés, alapok. Áttekintjük a felhőszolgáltatások és mesterséges intelligencia (MI) közötti kapcsolatot. Kiemeljük a felhő alapú MI szolgáltatások előnyeit és kihívásait, valamint bemutatjuk a legnépszerűbb felhőszolgáltatók által kínált MI eszközöket és platformokat. Részletesen megvizsgáljuk az MI alapú gépi tanulás és adatelemzés felhasználását az üzleti és technológiai területeken felhő környezetben, és megvitatjuk azokat az eszközöket és stratégiákat, amelyekkel a saját MI projektek indíthatók felhő alapú környezetben.

12.

Felhőszolgáltatások által támogatott mesterséges intelligencia alkalmazások és üzleti stratégiák. Felhő alapú MI szolgáltatások hatékony integrációja különböző üzleti környezetekbe. Megvizsgáljuk az üzleti alkalmazásokat, például az értékesítési előrejelzést, az ügyfélszolgálatot és a termékfejlesztést, és bemutatjuk, hogyan lehet ezeket az alkalmazásokat felhő alapú MI platformok segítségével optimalizálni és skálázni, de további tipikus használati esetekre is kitérünk. Különös figyelmet fordítunk az etikai és adatvédelmi kérdésekre, amelyek felmerülhetnek az MI alapú felhőszolgáltatások használata során, valamint megvitatjuk a legújabb trendeket és jövőbeli kilátásokat ezen a területen.

13.

Üzleti intelligencia és mesterséges intelligencia kapcsolata. Adatvizualizációs lehetőségek mesterséges intelligencia szolgáltatások használata esetén. Klasszikus üzleti intelligencia határai és adatbányászat, valamint mesterséges intelligencia által nyújtható kiegészítő szolgáltatások. Predikciós modellek, idősoros és egyéb előrejelzési megoldások, csalás detekció MI segítségével.

14.

Nagy nyelvi modellek felhasználása alkalmazás és szolgáltatás fejlesztése céljából. Elérhető legújabb nyelvi modellek, valamint nagy szolgáltatások használata technikai és üzleti szempontból. LLM-ek desktop/backend szolgáltatások fejlesztéséhez. Ismert AI API-k, előnyök, hátrányok, fizetési modellek. Kitekintés, jövőbeli várható trendek és technológiák.