Már 2023-ban is meghívást kaptam a Gerilla Karrier Podcast egyik felvételére, hogy osszam meg tapasztalataimat a felhő technológiák kapcsán. A mesterséges intelligencia elterjedésével, a felhőben is megjelentek az AI alapú megoldások. Ma már ezeket ugyanúgy használhatjuk, mint egy virtuális gépet vagy egy webalkalmazást. A Gerilla Karrier Podcast-ban most erről is beszélgettük:
Mit jelent a felhőalapú technológia?
Kik a legnagyobb felhőszolgáltatók, és mit kínálnak?
Hogyan működik együtt a mesterséges intelligencia és a felhő?
Miként kapcsolódhatnak be kisebb vállalkozások is a felhőalapú AI világába?
Miért olyan keresettek ma a Cloud szakemberek?
Hogyan kezdj bele egy felhő technológiai karrierbe?
Milyen tudásra van szükség az egyes munkakörökhöz?
Miként alakítja át a mesterséges intelligencia a Cloud területén dolgozók munkáját?
Mit érdemes tanulnod, ha gyorsan szeretnél előrelépni ezen a területen?
Nagyon kellemes beszélgetésünk volt ezekben a témákban Andrással, ahol remélhetőleg számotokra is érdekes információkat hallhattatok.
A podcast epizódot itt tekinthetitek meg:
Ha szeretnél még több hasznos témát szeretnél tanulni, akkor ajánlom neked a Mentor Klub többi képzését is. A Mentor Klub egy olyan közösség, ahol a tagok soft- és hard skilleket egyaránt tanulhatnak, ráadásul otthonról vagy akár külföldről is.
Emellett olvassátok a Gerilla Önéletrajz Műhely cikkeit is. Ezekből csupán néhány, ami segít elindulni:
Cégünk életében nagyon sok olyan folyamatot kell valamilyen informatikai rendszeren megvalósítani, amely valamilyen előre meghatározott lépéssorozatot követ minden esetben amikor szükség van rá. Ilyen például bármilyen jóváhagyási munkafolyamat (workflow), amivel szerintem Te is sűrűn találkozol. Ha egy jogosultságra van szükséged vagy valamilyen tanfolyamra jelentkezel, akkor kitöltöd a szükséges űrlapot, majd rákattintasz az „Igény elküldésre” és a háttérben elindul a megfelelő workflow. Egy ilyen workflow esetén habár előre meghatározott lépeseket követ a munkafolyamat, a lépések a megadott paraméterek alapján rugalmasan változnak. (Pl.: neked más a jóváhagyó felettesed, mint egy másik részlegen dolgozó kollégádnak) Korábban egy cég külön pályázaton keresztül kereste meg a megfelelő „workflow motor”-t, azaz azt a külső alkalmazást, amellyel rugalmasan, megbízhatóan és felhasználóbarát módon lehet munkafolyamatokat integrálni a cég életébe.
Azure esetén márt írtam nektek a Logic Apps megoldásról, amely lehetővé teszi, hogy összekapcsoljuk a különböző alkalmazásokat és adatforrásokat egy-egy folyamatban. Ezt szinte végtelen módon megtehetjük, attól függően, mire is van szükségünk.
Mind az SWF, mind a Step Functions olyan szolgáltatások az AWS-ben, amelyek munkafolyamatok (workflow) automatizálására és kezelhetőbbé tételére szolgálnak. Azonban a céljuk, működésük és felhasználási eseteik eltérőek. Ha gyorsan és könnyen szeretnél munkafolyamatokat létrehozni, akkor a Step Functions amire szükséged van. Ezzel foglalkozunk ma.
Mi az AWS Step Functions?
Az AWS Step Functions egy munkafolyamat-orkesztrációs szolgáltatás, amely állapotgépek használatával kapcsolja össze és irányítja a különböző AWS-szolgáltatásokat. Ez a szolgáltatás lehetővé teszi, hogy az egyes folyamatlépéseket (például adatfeldolgozás, API-hívás, várakozási idő, döntéshozatal) könnyen definiáld, vizualizáld és karbantartsd. Tehát összetett munkafolyamatokat lehet vele könnyen létrehozni.
Az AWS Step Functions működésének kulcselemei:
Állapotgép (State Machine): Egy olyan folyamatleírás, amely az alkalmazás vagy a rendszer működésének lépéseit és állapotait definiálja.
JSON alapú definíció: A munkafolyamatokat Amazon States Language (ASL) segítségével lehet definiálni, amely egy JSON-alapú szintaxis.
Integráció más AWS-szolgáltatásokkal: Közvetlenül együttműködik olyan szolgáltatásokkal, mint az AWS Lambda, Amazon S3, Amazon DynamoDB, és még sok más, amire szükségünk lehet a mindennapi üzleti életben.
Főbb jellemzői
Vizuális munkafolyamat-tervezés: Az AWS Management Console lehetőséget nyújt a munkafolyamatok vizuális szerkesztésére és monitorozására. Ez megkönnyíti a hibák felismerését és az átláthatóságot.
Hibatűrés és újrapróbálkozás (Retry): Beépített hibatűrési mechanizmusok, amelyek lehetővé teszik a folyamatlépések automatikus újrapróbálkozását meghatározott szabályok szerint.
Auditálhatóság és naplózás: Az egyes lépések részletes naplózása az Amazon CloudWatch segítségével történik, amely segíti a hibakeresést és a teljesítmény optimalizálását.
Skálázhatóság: Az AWS Step Functions a háttérben automatikusan kezeli a skálázást, így az alkalmazások mindig a szükséges teljesítményt nyújtják.
Integráció az AWS SDK-val: Könnyen kombinálható különböző AWS-szolgáltatásokkal és egyéni API-hívásokkal is.
Mikor érdemes az AWS Step Functions-t használni?
Az AWS Step Functions használata akkor érdemes, ha olyan összetett munkafolyamatokat kell kezelni, amelyek több különböző összetevő integrációját igénylik. Például adatfeldolgozási folyamatok során, ahol az adatok összegyűjtése, transzformációja (átalakítása) és tárolása több lépésben történik, a Step Functions lehetővé teszi a lépések logikai sorrendjének meghatározását és automatikus végrehajtását. Emellett kiválóan használható mikroszolgáltatások közötti kommunikációhoz.
Az időzített vagy párhuzamosan futó folyamatok kezelésére is ideális megoldást nyújt, hiszen lehetőséget biztosít az automatizációra és a skálázhatóságra. Ha mesterséges intelligencia alkalmazásokhoz, például gépi tanulási modellek betanításához, validálásához vagy telepítéséhez keresünk eszközt, az AWS Step Functions segítségével a különböző lépések könnyen kezelhetők és monitorozhatók.
Röviden, olyan helyzetekben érdemes használni, ahol a munkafolyamatok vizuális ábrázolása, automatizációja és hibatűrővé tétele egyaránt fontos, miközben minimalizálni szeretnénk a manuális beavatkozást és maximalizálni a folyamatok hatékonyságát.
AWS Step Functions előnyei
Egyszerűség és rugalmasság: Nem szükséges egyedi kódot írni a munkafolyamatok irányításához.
Automatizált hibakezelés: Csökkenti az manuális beavatkozás szükségességét, ami gyorsabb és költséghatékonyabb működést eredményez.
Költséghatékonyság: Fizetni csak a végrehajtott tranzakciókért kell, nincsenek állandó költségek.
Biztonság: Az AWS IAM segítségével részletes hozzáférés-kezelési lehetőségek biztosítottak.
Példák a Step Functions használatára
Adatok feldolgozása: Például, ha egy weboldalra feltöltött képeket át kell méretezni vagy elemezni, a folyamat minden lépését automatizálhatod.
Rendelési folyamatok kezelése: Egy webshopban a rendelés fogadása, fizetés ellenőrzése és kiszállítási adatok feldolgozása egyszerűen megvalósítható.
Jóváhagyási folyamatok: Ha például egy alkalmazottnak szabadságot kell kérnie, a kérelmet automatikusan ellenőrizheted, majd egy vezető dönthet róla.
Időzített feladatok: Nap végén automatikusan összefoglalhatod az értékesítési adatokat és e-mailben elküldheted.
Hibakezelés: Ha egy lépés nem sikerül (például egy API-hívás), a rendszer automatikusan újrapróbálkozik.
Értesítések küldése: Ha valami fontos történik, például egy új rendelés érkezik, a rendszer e-mailt vagy SMS-t küldhet róla.
Egyszerű eseményvezérlés: Ha valaki feltölt egy fájlt egy tárhelyre, a rendszer automatikusan feldolgozhatja azt.
Gépi tanulási modellek kezelése: Ha mesterséges intelligencia modellel dolgozol, segít a tanítási és elemzési lépések automatizálásában.
Weboldal adatok frissítése: Például egy hírportálon éjszaka lefutó folyamat, ami az új híreket betölti a rendszerbe.
Rendszerek közti kapcsolódás: Ha több különböző szolgáltatás használatával dolgozol, például fizetési rendszerekkel és adatbázisokkal, ezek közötti munkát könnyen összehangolhatod.
Összegezve
Az AWS Step Functions egy hatékony eszköz, amely lehetővé teszi, hogy bonyolult folyamatokat egyszerűen és gyorsan valósítsunk meg az AWS-en belül. Legyen szó adatfeldolgozásról, mikroszolgáltatások integrációjáról vagy gépi tanulásról, a Step Functions kiváló választás a munkafolyamatok egyszerűsítésére és optimalizálására.
Ugye milyen jól hangzik? Remélem Te is kipróbálod. 🙂
Mindig nagy örömmel osztom meg tudásom és tapasztalataim azokkal, akik érdeklődnek a felhő technológia iránt. 2023-ban meghívást kaptam a Gerilla Karrier Podcast egyik felvételére, hogy osszam meg tapasztalataimat az alábbi témákban:
Mi a felhő technológia?
Mi köze az Amazonnak a felhőkhöz?
Hogyan hozza el a Cloud a jövőt? – aki kimarad, lemarad?
Mit és hogyan tanulj, ha érdekel a felhő?
5 tipikus felhő munkakör
Miért éri meg ebbe az irányba képezni magad?
Mennyit keres egy felhő szakember?
Hogy kapcsolódik a Mesterséges Intelligencia a Cloud-hoz?
Örömmel és lelkesen fogadtam el a meghívást, ahol Andrással egy nagyon jó kedélyű és kellemes beszélgetést folytattunk.
Barát Andárssal, már évek óta ápolunk nagyon jó kapcsolatot mind a magánéletben, mind a szakmai életben. Ez nem csak annak köszönhető, hogy én vagyok a Mentor Klub egyik mentora, hanem annak is, hogy hasonló a személyiségünk és az érdeklődési körünk.
A Mentor Klub egy olyan közösség, ahol a tagok soft- és hard skilleket egyaránt tanulhatnak, ráadásul otthonról vagy akár külföldről is. Rengeteg oktatóanyag érhető el itt, amelyek mind azon céllal készültek, hogy bárki sikeresen kezdjen új karrierbe, vagy erősítse meg pozícióját az álláspiacon. Személyes tapasztalatom szerint, aki itt tag, már egy lépéssel közelebb jár a sikeres és felfelé ívelő karrierhez.
A podcast epizódot itt tekinthetitek meg:
Aki szeretne még hasonló érdekes, naprakész és aktuális témákat. hallgatni, annak javaslom, hogy kövesse a Gerilla Mentor Klub YouTube csatornáját, ahol megtalálja az összes Podcast epizódot. Higgyétek el, nem fogtok unatkozni, és már ezekből a kötetlen, mégis tematikus beszélgetésekből is rengeteget lehet tanulni.
És figyeljetek, mert lehet, hogy hamarosan újra találkozhattok velem egy hasonló beszélgetésben. 🙂
Manapság egyre többet hallhatunk az infrastruktúra automatizálásáról és a DevOps megközelítés fontosságáról az informatikai projektekben. Ebben a világban az egyik legnépszerűbb eszköz a Terraform, amely segít a felhőinfrastruktúra kezelésében és üzemeltetésében.A mai cikkben arra vállalkozok, hogy megismertessem az érdeklődőkkel a Terraform alapjait, és bemutassam, miért lehet hasznos az IT szakemberek és a vállalkozások számára.
Mi az a Terraform?
A Terraform egy nyílt forráskódú eszköz, amelyet a HashiCorp fejlesztett. Lehetővé teszi az infrastruktúra deklaratív módon történő leírását és kezelését kódként, vagyis az úgynevezett Infrastructure as Code (IaC) megközelítést alkalmazza. Ez azt jelenti, hogy a felhőszolgáltatások, mint például az AWS, Azure, Google Cloud vagy akár saját adatközpontok erőforrásait egyetlen kódbázis segítségével lehet létrehozni, frissíteni vagy törölni.
Hogyan működik a Terraform?
A Terraform az infrastruktúra komponenseit ún. konfigurációs fájlokban írja le, amelyeket a .tf kiterjesztésű fájlokban tárol. Ezekben a fájlokban megadhatjuk, hogy milyen erőforrásokat szeretnénk létrehozni (pl. virtuális gépeket, tárolókat, adatbázisokat stb.). A legnagyobb előnye, hogy a folyamat deklaratív: nem az utasítások végrehajtási sorrendjét kell megadni, hanem hogy milyen állapotot szeretnénk elérni. A Terraform ezt követően elvégzi a szükséges lépéseket az infrastruktúra kialakításához vagy módosításához.
Miben segíthet nekünk az IaC és aTerraform?
A Terraform és az Infrastructure as Code (IaC) alkalmazásának számos előnye van, különösen a felhőinfrastruktúra kezelésében. Ezek közül a legfontosabbakat össze is foglaltam:
Automatizálás és hatékonyság: A Terraform és az IaC lehetővé teszi az infrastruktúra teljes automatizálását, így elkerülhető a kézi beavatkozás, ami gyorsabbá és megbízhatóbbá teszi az infrastruktúra létrehozását, módosítását vagy törlését. Ez csökkenti az hibák esélyét, és jelentősen növeli a hatékonyságot.
Következetesség: Az infrastruktúra kódban van megadva, ami biztosítja, hogy az infrastruktúra újratelepítése vagy bővítése mindig ugyanazokat a lépéseket és beállításokat kövesse. Ez garantálja a következetességet a fejlesztői, tesztelési és éles környezetek között, és minimalizálja az eltérések lehetőségét.
Verziókövetés: Mivel a Terraform konfigurációs fájlok szöveges formátumban vannak, ugyanúgy verziókövető rendszerekben (pl. Git) tárolhatók, mint a szoftverek kódjai. Ez lehetővé teszi, hogy visszatérjünk egy korábbi infrastruktúra állapothoz, ha szükséges, vagy megnézzük, milyen változások történtek az idők során.
Skálázhatóság: Az IaC megkönnyíti az infrastruktúra skálázását, mivel egyszerűen módosíthatjuk a konfigurációs fájlokat, és a Terraform automatikusan végrehajtja a szükséges változtatásokat. Például, ha több szervert szeretnénk hozzáadni egy alkalmazás kiszolgálásához, csak a konfigurációban kell megadni a kívánt erőforrásszámot.
Multicloud (több felhős) támogatás: A Terraform különösen előnyös, mivel több különböző felhőszolgáltatót támogat (AWS, Azure, Google Cloud stb.), valamint helyi adatközpontokat is kezelhet. Ez lehetővé teszi, hogy egyszerre több felhőplatformon futtatunk erőforrásokat, anélkül hogy mindegyikhez külön eszközöket vagy manuális beállításokat kellene használnunk.
Deklaratív megközelítés: Mint már korábban említettem, a Terraform deklaratív módon működik, ami azt jelenti, hogy a felhasználó csak azt mondja meg, milyen állapotot szeretne elérni az infrastruktúrában (pl.: hány darab szerver, milyen tűzfal beállítások, stb.). A Terraform gondoskodik a szükséges lépésekről, így nem kell aggódnunk a végrehajtás konkrét részletei miatt.
Költséghatékonyság: Az automatizálásnak és az optimalizált erőforrás-kezelésnek köszönhetően a Terraform és az IaC használata csökkentheti az infrastruktúra kezeléséhez szükséges időt és erőforrásokat, így hosszú távon költséghatékonyabbá válik.
Gyors visszaállítás: Ha valami rosszul sül el (pl. hibás konfiguráció vagy nem kívánt infrastruktúra-változás), a Terraform segítségével gyorsan vissza lehet állítani az infrastruktúrát egy korábbi verzióra (állapotra), így minimalizálva a leállások vagy hibák okozta károkat/kieséseket.
Modularitás és újrafelhasználhatóság: A Terraform lehetővé teszi modulok létrehozását, amelyek sablonként szolgálhatnak különböző projektekhez. Ez azt jelenti, hogy egyszer létrehozott konfigurációkat könnyen újra lehet használni más projektekben, ami jelentős időmegtakarítást jelent.
Miért érdemes használni a Terraform-ot?
Multicloud támogatás: A Terraform lehetővé teszi több felhőszolgáltató egyidejű kezelését, ami nagy előny, ha különböző felhőkön futtatunk szolgáltatásokat.
Átláthatóság és verziókezelés: Mivel az infrastruktúra kódként van leírva, egyszerűbb követni a változtatásokat és verziókat használni, hasonlóan a szoftverfejlesztésben használt verziókezelő rendszerekhez.
Automatizálás: Az infrastruktúra kézi kezelése helyett a Terraformmal automatizálhatjuk a folyamatokat, ami gyorsabbá és megbízhatóbbá teszi az üzemeltetést.
Közösség és bővítmények: A Terraformhoz számos modul és bővítmény érhető el, amelyeket a közösség fejlesztett, így könnyedén bővíthetjük a képességeit.
A Terraform alapfogalmai
1. Konfigurációk
A Terraform konfigurációk írásával határozzuk meg, hogy milyen erőforrásokat szeretnénk létrehozni. Ezek a konfigurációk egyszerű szöveges fájlokban tárolódnak.
2. Erőforrások (Resources)
Az erőforrások a felhő vagy adatközpont komponenseit jelentik, például virtuális gépeket, hálózatokat, tárhelyeket.
3. Állapot (State)
A Terraform minden egyes futás után tárolja az infrastruktúra aktuális állapotát egy állapotfájlban. Ez segít abban, hogy mindig naprakész információnk legyen arról, hogy milyen erőforrások léteznek.
4. Plan és Apply
Amikor módosítjuk a konfigurációkat, először a plan parancsot futtatjuk, amely megmutatja, hogy milyen változtatásokat fog végrehajtani a Terraform. Ha minden rendben van, az apply parancs végrehajtja a konfigurált változtatásokat.
Példa konfiguráció
Lássunk egy egyszerű példát arra, hogyan lehet egy virtuális gépet létrehozni az AWS-ben a Terraform segítségével:
provider "aws" {
region = "eu-central-1"
}
resource "aws_instance" "elsogepem" {
ami = "ami-0592c673f0b1e7665"
instance_type = "t2.micro"
tags = {
Name = "Első AWS gépem"
}
}
Ebben a példában egy t2.micro típusú virtuális gépet hozunk létre az AWS egy adott régiójában. Ez a konfiguráció egyszerű, de a lehetőségek szinte végtelenek, hiszen a Terraform segítségével bármilyen felhőalapú erőforrást kezelhetünk.
Természetesen a fenti kód önmagában nem működik, hiszen biztosítanunk kell a kód futtatásához szükséges hozzáférést az AWS fiókunkhoz is. Ezt majd egy következő cikkben mutatom meg részletesen.
Összegzés
A Terraform egy rendkívül erőteljes eszköz, amely lehetővé teszi az infrastruktúra könnyű kezelését és skálázását. Nem csak kis rendszerek építésében és kezelésében hatékony, hanem a hatalmas, akár ezer erőforrást tartalmazó ökoszisztémák esetén is kifogástalanul teljesít.
Ha érdekel ez a terület, akkor az első lépés lehet a konfigurációk megismerése és néhány egyszerű projekt kipróbálása. Ahogy elmélyedsz a Terraform világában, gyorsan rájössz majd, hogy mennyire megkönnyíti a felhőalapú rendszerek kezelését és karbantartását. Természetesen a következő cikkekben én is azon leszek, hogy számodra hasznos és használható tudást adjak át.
Reméljük, hogy ez a rövid bevezető segít az elindulásban! 🙂
Elsőre a felhőszolgáltatások bonyolultnak tűnnek és sokan megrémülnek tőle. Ez részben igaz is, de mint minden területén az életnek vannak olyan lehetőségek, amelyek segítenek nekünk a könnyed elindulásban. Így van ez az AWS esetén is. Az Amazon már régen felismerte, hogy szükség van olyam megoldásokra, amelyekhez nem szükséges felhő- vagy informatikai előképzettség.
Ez az Amazon Lightsail, amely könnyedén vezet be minket a felhő világába úgy, hogy közben igazi felhő rajongókká válhatunk.
Mi az a Lightsail?
Az Amazon Lightsail egy egyszerűsített felhőszolgáltatás, amelyet az Amazon Web Services (AWS) kínál kezdőknek vagy kisebb projekteket futtatóknak. A LightSail célja, hogy könnyen használható megoldásokat (szerverek, alkalmazások, adatbázisok, stb.) biztosítson, minimalizálva a komplexitást, amely a nagyobb AWS szolgáltatásokkal jár.
A szolgáltatás lehetővé teszi, hogy néhány kattintással indíts szolgáltatásokat előre konfigurált beállításokkal, mint például a WordPress weboldalak, adatbázisok, vagy fejlesztői környezetek. Minden Lightsail csomag tartalmazza a szükséges erőforrásokat: CPU-t, memóriát, tárhelyet és adatforgalmat, így egyszerűbbé teszi a használatot.
Főbb előnyei:
Egyszerű indítás: Nem szükséges mély technikai tudás a szerverek elindításához.
Fix havidíjas csomagok: Könnyen kalkulálható költségek, nincs rejtett költség.
Integráció AWS-szolgáltatásokkal: Ha később nagyobb rugalmasságra lenne szükséged, át lehet térni az AWS komplexebb megoldásaira.
Az Amazon Lightsail ideális választás lehet kisebb weboldalak, fejlesztési projektek vagy egyszerű alkalmazások futtatásához, miközben biztosítja a felhő előnyeit anélkül, hogy túlzottan bonyolult beállításokat igényelne.
Ugye milyen érdekesen hangzik?
WordPress
Most pedig megmutatom, hogyan tudsz WordPress weboldalt létrehozni néhány perc alatt. (biztonsági mentéssel együtt)
Hogyan is jutunk el a Lightsail felületére AWS-en?
Egyre többet tudunk már a mesterséges intelligenciáról (AI), de ennek a területnek sok összetevője, illetve alágazata van. Ilyen a gépi tanulásról (Machine Learning) is, amely talán hallomásból ismerős lehet. Így felmerül a kérdés, hogy pontosan mi a különbség közöttük, és hogyan kapcsolódnak össze? Ebben a cikkben szeretném tisztázni ezt a viszonyt, és bemutatom, hogyan működik együtt ez a két technológia.
Mi is az a mesterséges intelligencia (AI)?
A mesterséges intelligencia kifejezés olyan rendszerekre vagy gépekre utal, amelyek képesek „intelligens” viselkedést mutatni, ahogy ezt korábban már olvashattátok. Ez magában foglalja a különféle feladatok végrehajtását, amelyek jellemzően emberi intelligenciát igényelnének. Például a döntéshozatal, a problémamegoldás, a beszéd- és képfelismerés, vagy akár a természetes nyelv megértése. Az AI célja olyan algoritmusok és rendszerek létrehozása, amelyek képesek tanulni és alkalmazkodni a környezetükhöz, így hatékonyabbá téve a gépeket különböző feladatok végrehajtásában.
Mi az a gépi tanulás (ML)?
A gépi tanulás az AI egyik legfontosabb alágazata, amely a minták és adatok alapján történő automatikus tanulási folyamatra összpontosít. Míg a mesterséges intelligencia általános célja az emberi intelligencia modellezése, a gépi tanulás konkrétan arra összpontosít, hogy a számítógépek hogyan tudnak anélkül tanulni, hogy explicit módon (programozók által) programoznánk őket.
A gépi tanulás során a rendszerek adatokat kapnak, elemzik azokat, és ezek alapján meghozzák a megfelelő döntéseket vagy előrejelzéseket. Az ilyen rendszerek egyik legnagyobb előnye, hogy a tapasztalatokból képesek javítani teljesítményüket.
Hogyan kapcsolódik össze az AI és a gépi tanulás?
A gépi tanulás az AI egyik legfontosabb hajtóereje. Az AI rendszerek az ML algoritmusokat használják annak érdekében, hogy képesek legyenek tanulni és fejlődni az idő során. A gépi tanulás biztosítja az AI számára azt a rugalmasságot, amely lehetővé teszi, hogy az adatok alapján javuljon, és új megoldásokat találjon ki.
Az AI rendszerek gépi tanulási modellek révén képesek felismerni a mintákat az adatokban, és azokat alkalmazni különböző problémák megoldására. Például az önvezető autók AI rendszerei ML modelleken keresztül képesek felismerni az úton lévő objektumokat, és megfelelő döntéseket hozni a vezetés során. Ezen felismerésre kifejezetten fejlesztenek AI modelleket is.
Gépi tanulás típusai
A gépi tanulásnak három fő típusa van:
Felügyelt tanulás (Supervised Learning): Ebben a módszerben a rendszer „felcímkézett” adatokat kap, azaz az adatpontokhoz társítva van a helyes válasz. A gépi tanulás célja, hogy megtanulja, hogyan kapcsolódnak ezek az adatok a kimenetekhez, hogy később ismeretlen adatokra is alkalmazni tudja a megtanult mintákat.
Felhügyelet nélküli tanulás (Unsupervised Learning): Itt nincsenek felcímkézve az adatok, és a gép feladata az, hogy magától találjon mintákat vagy struktúrákat az adatokban. Ezt gyakran használják például klaszterezésre vagy dimenziócsökkentésre.
Megerősítéses tanulás (Reinforcement Learning): Ez egy olyan tanulási folyamat, ahol a rendszer egy környezettel lép kölcsönhatásba, és jutalmazzák vagy büntetik a különböző cselekedetei alapján. A cél az, hogy a rendszer megtanulja, melyik cselekvések vezetnek a legjobb eredményekhez.
AI és ML gyakorlati alkalmazásai
A mesterséges intelligenciát és a gépi tanulást ma már számos területen használják, például:
Kép- és hangfelismerés: AI rendszerek felismerhetik az embereket, tárgyakat, hangokat képekből vagy videókból.
Természetes nyelvfeldolgozás (NLP): Olyan alkalmazások, mint a Google Translate vagy a chatbotok, gépi tanulási modelleket használnak a nyelvi adat feldolgozására és megértésére.
Önvezető autók: A gépi tanulás segíti az önvezető rendszereket abban, hogy biztonságosan navigáljanak az úton.
Ha te is szeretnéd kipróbálni a gépi tanulást, játékos módon, akkor a Teachable Machine neked való. 🙂
Természetesen a felhőben is elérhetők a gépi tanuláshoz kapcsolódó szolgáltatások. Néhány példa ezekből:
A mesterséges intelligencia és a gépi tanulás szoros kapcsolatban áll egymással. Az AI az az összefoglaló megnevezés (technológia), amely magába foglalja a gépi tanulást is, mint az egyik legfontosabb technikát a gépek intelligenssé tételére. A gépi tanulás azon képessége, hogy tapasztalatok alapján tanuljon és fejlődjön, az AI egyik legnagyobb ereje, és ez az, ami miatt egyre szélesebb körben alkalmazzák ezt a technológiát.
A mesterséges intelligencia (AI) gyors ütemben fejlődik, és számos területen jelentős áttöréseket ér el. Mint tudjátok, én erre pozitívan gondolok és szeretném nektek mindig ennek a világnak a fényes oldalát megmutatni. Ma sem lesz ez másképp.
Ebben a cikkben áttekintjük a legfontosabb AI modelleket, amelyek a különböző alkalmazási területeken kiemelkednek. Mindegyik modell rövid leírást kap, beleértve annak alkalmazási területét, erősségeit, fejlesztőit, elérhetőségét és néhány példát a felhasználási lehetőségekről.
Mi is az az AI modell?
Az AI (mesterséges intelligencia) modell egy olyan számítógépes rendszer vagy algoritmus, amelyet nagy mennyiségű adat alapján képeznek ki (tanítanak meg), hogy automatikusan felismerjen mintákat, tanuljon, döntéseket hozzon és végrehajtson feladatokat anélkül, hogy konkrét programozott utasításokat követne.
Tehát nem csupán „if-else” utasítások sorozata, hanem eseményekre adott valódi válaszok és reakciók.
Egy AI modell általában három alapvető lépésen megy keresztül:
Tanulás: A modell a nagy mennyiségű bemeneti adatot elemzi és megtanulja a közöttük lévő összefüggéseket. Ezt a folyamatot „tréningnek” nevezik.
Általánosítás: A tanulás során megszerzett tudás alapján a modell képes új, eddig nem látott adatokra alkalmazni az általa megértett szabályokat és összefüggéseket.
Predikció vagy döntéshozatal: Az új adatok alapján a modell előrejelzéseket készít vagy döntéseket hoz, amelyeket gyakran különféle alkalmazásokban, például képfelismerésben, természetes nyelv feldolgozásában vagy robotikában használnak.
Az AI modellek lehetnek különböző típusúak, például felügyelt tanulási modellek (ahol az adatokhoz megfelelő címkék tartoznak), felügyelet nélküli tanulási modellek (ahol a modell maga keres mintákat az adatokban), vagy megerősítéses tanulási modellek (ahol a modell folyamatos visszajelzést kap a döntéseiről).
Mint látjuk a tanítás (tréning) egy kritikus fázis és igen, sok esetben előfordulhat a félretanítás. Ez az egyik legnagyobb nehézsége és kockázata is ennek a világnak.
Mesterséges intelligencia (AI) modellek
Most térjünk rá a modellekre. Ezek közül lesznek olyanok, amelyeket mindenki ismer, és tudja mire is alkalmas, de biztos vagyok benne, hogy lesznek kevésbé ismert, mégis érdekes modellek.
Mindegyik modellre igaz, hogy alapvetően ingyenesen kipróbálhatjuk, de ahhoz hogy a valódi képességeit kiaknázzuk, ahhoz bizonyos összeget kell fizetnünk a használatért ( havidíj, vagy program hívások száma alapján)
1. Természetes nyelv feldolgozás (NLP)
GPT-4
Mire alkalmazható?: Szöveggenerálás, fordítás, chatbotok, szöveges összefoglalók készítése.
Erőssége: Rendkívül pontos szöveggenerálás, széleskörű alkalmazási lehetőségek.
Új előadók és zenék felfedezése a felhasználói adatok alapján.
Suno AI
Mire alkalmazható?: Suno AI elsődlegesen két területen működik: zenegenerálás és beszédgenerálás. A felhasználók egyszerű utasítások alapján hozhatnak létre zenei darabokat, valamint természetes hangzású szövegből beszédet (text-to-speech).
Erőssége: Képes gyorsan és magas minőségű zenei vagy hangfelvételeket generálni természetes nyelvi parancsok alapján. Támogatja a felhasználók zenei alkotásainak személyre szabását, és kiváló a beszédgenerálásban.
Zenei ötletek generálása producereknek és zenészeknek különféle stílusokban.
Szövegből beszéd generálása reklámok, narrációk vagy virtuális asszisztensek számára.
Interaktív hangos alkalmazások fejlesztése természetes beszédhanggal.
A Suno AI egyre nagyobb figyelmet kap, mivel különösen hasznos lehet zenészeknek, producereknek, valamint tartalomkészítőknek, akik hangos alkalmazásokat vagy beszédszintetizálást igényelnek. Ha további részleteket szeretnél, jelezd nyugodtan!
Ez az a lista, amit érdemes ismerni 2024-ben. Természetesen a fenti lista, egy kivonat, a teljesség igénye nélkül. Folyamatosan bővül napól-napra, hiszen ahogy növekszik egyre több és több speciális területre alkalmazható modell jelenik meg.
Érdemes megkeresni azt a területet, amely érdekel Téged, mert egy új, ismeretlen és izgalmas világ vár ott Rád. 🙂
Az egyszerű, gyors és költséghatékony weboldalhosztolás egyik legjobb módja, ha statikus weboldalunkat az AWS-re helyezzük. Ebben a bejegyzésben videóban lépésre bemutatom, hogyan lehet egy statikus weboldalt S3-ban tárolni, a publikus elérést beállítani. Ideális megoldás portfóliók, dokumentációk vagy egyszerű céges oldalak számára.
Ráadásul a weboldal fejlesztésében ChatGPT is a segítségünkre lesz.
Hogyan készítsd el a weboldaladat (index.html és error.html fájlokkal) ChatGPT segítségével
Hozz létre egy felhasználói fiókot ChatGPT-ben, majd nyiss egy új beszélgetést és add meg neki a következő prompt-ot. (Kedved szerint módosítsd a számodra fontos adatokat. Pl.: Milyen legyen a kinézet és a stílus, mi legyen a domain név, mi legyen a cég neve és profilja)
Szia,
Segíts nekem. Te egy webfejlesztő vagy.
AWS S3 static website-ot szeretnék létrehozni. Ehhez kérlek készíts egy index.html fájlt és egy error.html fájlt. Emellett hozd létre a szükséges bucket policy-t is. A bucket neve a domain neve legyen.
Az index.htm egy komplex, modern, letisztult, színes (fekete, ezüst, mélyzöld), egylapos weboldal legyen ami egy magyar startup cég weboldala lesz.
Cég neve: LignumArt
Iparág: Faipar, luxus bútorok egyedi megrendelésre
Domain név: lignumart.mentorcloud.hu
Előre is köszönöm.
Ez alapján legenerálásra kerül 3 fájl tartalma (index.html, error.html, bucket-policy.json) A számítógépeken hozd létre ezeket a fájlokat és másold bele a megfelelő tartalmakat.
S3 bucket konfiguráció és bucket policy beállítása
Hozz létre egy bucketet az S3 felületén a Create bucket gombra kattintva
A bucket adatai:
Név: a te domain-ed neve. Mi esetünkben lignumart.mentorcloud.hu
Block all public access részből vedd ki az összes jelölőt
Nyugtázd, hogy elfogadod a nyilvános fájlokkal kapcsolatos kockázatokat
Kattints a lapalján a Create bucket gombra
Megnyitjuk a bucket-et
Properties fülre megyünk és legörgetünk a lap aljára
Static website hosting részt szerkesszük és engedélyezzük
Adjuk meg a megfelelő helyen az index.html és error.html fájlok nevét
Mentsük el a változásokat
Permission fülre menjünk át
Keressük meg a Bucket policy részt
Edit gomb megnyomásával szerkeszthetjük is
Az itt szereplő mezőbe másoljuk be a bucket-policy.json fájl tartalmát, majd mentsük el
Görgessünk a lap aljára és mentsük el a változásokat
Fájlok feltöltése S3 bucket-be
Menjünk a Objects fülre
Upload gombra kattintva kezdjük el a fá ljok feltöltését (Add files)
Amikor a fájlok feltöltésre kerültek navigáljunk át a Properties fülre és görgessünk a lap aljára
És ott találjuk a weboldalunk linkjét. (formátum: http://<bucket neve>.s3-website.<aws régió neve>.amazonaws.com)
Ha ezt megnyitjuk, akkor láthatjuk a weboldalunkat
Ezzel gyakorlatilag készen vagyunk 🙂
Saját domain használata a weboldalhoz
Itt a Route 53 szolgáltatást fogjuk használni egyéni domain rendeléssel. A példánkban feltételezzük, hogy AWS.ben már beállítottuk a domain zónánkat (Route 53 hosted zone).
Az alábbi lépéseket kell követned:
Jelentkezz be az AWS fiókodba.
Keresőben keresd meg az Route 53-at
Lépjünk be a domain zónába, ami a domain nevünkhöz tartozik
Create record gombra kattintva elkezem a dns bejezés létrehozását
Átváltunk a varázsló nézetre, a Switch to wizard linkre kattintva
Válasszuk a Simple routing lehetőséget, majd Next gomb
Define simple record gombra kattintva folytatjuk a beálltást
Itt az alábbiakat állítjuk be
Record name: az általunk választott aldomain neve (mi esetünkben: lignumart), ha a fő domain nevünket akarjuk itt beállítani, akkor ezt hagyjuk üresen
Record type: A
Value/Route traffic to: Amazon S3 website endpoint
Régió: az a régió ahová a bucket-ünket létrehoztuk
Végpont neve: a legördülő menüben megjelenik a mi S3 bucket-ünk
Define simple record gombra kattintva elmentjük a változásokat
A teljes véglegesítéshez kattintsunk a Create record gombra
Ezzel létrejött a domainhez tartozó DNS bejegyzés, és használatba is vehetjük azt.
Nyissuk meg böngészőnkben a megfelelő linket: http://<én domain nevem amit használtam> (mi példánkban: http://lignumart.mentorcloud.hu)
Ezzel elérhetővé vált mindenki számára a weboldalunk, az általunk beállított saját domain nevén.
Az AWS használata során kiemelten fontos, hogy költségeinket nyomon tudjuk követni, és időben reagálhassunk az esetleges túlköltésekre. Éppen ezért ebben a bejegyzésben egy rövid videón keresztül mutatom be, hogyan lehet gyorsan és egyszerűen költségkeretet beállítani az AWS Management Console felületén.
A bemutató lépésről lépésre végigvezet a beállítás folyamatán, így akár kezdőként is könnyedén elvégezheted a szükséges konfigurációt. A költségkeret nemcsak figyelmeztetéseket küld, hanem segít tudatosan és kontrolláltan használni a felhőszolgáltatásokat – legyen szó tesztkörnyezetről, éles alkalmazásról vagy akár csak egy rövid projektről.
AWS költségkeret beállítása könnyen és gyorsan az AWS Management Console-on. Ez a funkció segít elkerülni a költségtúllépéseket, mielőtt a pénztárcád bánná.
Nézd meg a videót, és állítsd be Te is a saját költségkereted néhány perc alatt!
Az alábbi helyen találod: AWS Management Console > Billing and Cost Management > Budgets and Planning > Budgets
Létrehozás:
Create a Budget gombra kattintasz.
Budget setup: Use a template (simplified).
Templates: Monthly cost budget.
Budget name: Havi keretem (vagy amilyen nevet gondolsz).
Enter your budgeted amount: Add meg azt a a számot amely a kereted (Pl.: 50 USD).
Email recipients: Itt add meg azon email címeket, amelyekre a riasztást szeretnéd kiküldeni. Ezeket vesszővel válasszuk el. Legyenek létező email címek.
Mentéshez kattints a Create budget gombra.
Használd minden fiókon, és tartsd kézben a kiadásokat!
Ha érdekelnek a felhő szolgáltatók, – mint például: AWS, Azure, GCP – akkor jó helyen jársz.
Egy sorozatot szeretnék indítani, amelyben minden a felhőben elérhető szolgáltatásról leírom nektek a legfontosabbakat, hogy könnyebben eligazodjatok a felhők között. Ez jól hangzik, igaz?
Rendszeresen hozok cikkeket a témában, hogy a végén egy gyűjtemény legyen neked/nektek.
