Menu

mestersegesintelligencia

microsoft_openai_broken_heart_1024x1024

Microsoft Azure és OpenAI 2026: új korszak az AI-ban?

, , , , , , , ,

| Olvasási idő: 4 perc |

Amikor AI-ról beszélek, időről időre együtt említettem a Microsoft és az OpenAI nevét. A két cég együtt formálta azt, amit ma enterprise AI-nak hívunk. Azure + GPT modellek. Copilot. ChatGPT integrációk. Egy ökoszisztéma, ami nagyon gyorsan alapértelmezetté vált. Kettejük kapcsolatáról és az első lépésekről olvashattál már korábban. Abban a cikkben, nem feltétlenül ezt a jövő képet vázoltam neked, ami sok szempontból teljesül is.

Azt azonban akkor még nem lehetett megjósolni, ami most kezdődött el. Mert egy fontos stratégiai elmozdulás látszik. Egyértelműen, nem ez volt a tervük, de talán maga a piac, ami mindent megváltoztatott.

A Microsoft megerősítette, hogy hosszabb távon csökkenteni szeretné a függőségét az OpenAI modelljeitől, és saját foundation modellek fejlesztésébe fektet komoly erőforrásokat. Ez nem bulváros szakítás, hanem stratégiai érettség és reakció a többi szolgáltató (AWS, Google Cloud) által mutatott trendekre.

És habár elsőre ez sokkolóan hathat, én úgy gondolom, hogy inkább egy logikus lépés volt.

Mi történik valójában?

A Microsoft nem “kapcsolja le” az OpenAI-t. A két fél között továbbra is élnek szerződések, több évre szóló együttműködéssel. Az Azure OpenAI Service továbbra is működik.

Ami változik, az a hangsúly. A Microsoft saját AI-modell fejlesztési kapacitást épít, hiszen eddig erre nem sok energiát fordított. Inkább kényelmes pozícióból figyelte az eseményeket, miközben az OpenAI modelljeit kínálta. Most saját compute, saját kutatócsapatok, saját architektúra lesz. Ennek célja:

  • nagyobb kontroll
  • költségoptimalizálás
  • kisebb külső függőség
  • stratégiai önállóság

Enterprise világban ez teljesen logikus lépés, bár a Google-től már ebben eléggé lemaradt.

Egy nagyvállalat nem szeret egyetlen beszállítóra támaszkodni egy ennyire kritikus és gyorsan változó területen.

Miért most?

Az AI ma már nem kísérlet. Nem innovációs laborkérdés. Az AI ma „core” platform komponens.

Ahogy korábban a virtualizáció, majd a cloud, most az AI vált infrastruktúra-szintű döntéssé. És infrastruktúrában senki nem szeret 100%-ban egy partnerre építeni. Ez egy stratégiai diverzifikáció.

Mit jelent ez az AI-piacnak?

Ahogy én jelenleg látom, ez a lépés három dolgot jelez felénk.

  1. az AI verseny élesedik: Nem egy domináns modell világa jön, hanem több erős szereplőé.
  2. csökkenő különbség: A foundation modellek (pl.: GPT, Claude, Gemini, Llama) közötti különbségek egyre kevésbé jelentenek majd valódi versenyelőnyt. Ha több nagy szereplő saját modellt fejleszt, az árversenyt és innovációt hoz.
  3. AI platformokká alakulás: A cloud szolgáltatók AI-first platformmá válnak. Az AI nem kiegészítő lesz, hanem a platform része.

Ez nem csak Microsoft történet. Ugyanez látszik a Google és az Amazon oldalán is, saját modellekkel, saját AI stackkel.

És mi lesz az OpenAI-jal?

Ez egy igazán fogós kérdés. Amit látunk: az OpenAI továbbra is jelentős befektetéseket von be, masszív compute igénnyel működik, és komoly piaci jelenléte van.

Az AI modellek fejlesztése extrém költséges. GPU, adat, kutatás, energia. Ez nem egy olcsó sport, és több korábbi előrejelzés és beszámoló szerint is, az OpenAI anyagi gondokkal küszködik.

A piac most abba az irányba halad, ahol a nagy szereplők saját infrastruktúrára és saját modellekre támaszkodnak. Ez nem feltétlenül gyengíti az OpenAI-t, de átrendezi az erőviszonyokat.

Miért fontos ez neked?

Ha cloud irányba tanulsz, ha AI-ban gondolkodsz, ha karrierváltóként nézed ezt a világot, akkor ez egy nagyon fontos jel. Az AI nem egy céghez kötött technológia. Az AI egy platformréteg.

És platformrétegben mindig az nyer, aki érti az architektúrát, nem csak a konkrét API-t.

Ha ma GPT-t tanulsz, jó úton jársz.
De még jobb úton jársz, ha azt tanulod meg:

  • hogyan épül fel egy LLM-alapú rendszer
  • milyen módon működik egy RAG architektúra
  • miképp kezeljük a token költséget
  • hogyan tervezzünk modell-agnosztikus rendszert

(Modell-agnosztikus: olyan megoldás vagy rendszer, ami nem függ egy konkrét AI modelltől, és több különböző modellel is működhet – pl. GPT, Claude, Gemini, Llama)

Mert ahogy Te magad is tapasztalod a modellek jönnek-mennek és csak az architektúra állandó.

Jön a folytatás

Ebben a cikkben a stratégiai képet néztük meg: mi történik a Microsoft és az OpenAI kapcsolatában, és mit jelent ez a piac számára.

A következő részben viszont konkrétan arról fogok írni:

Mit jelent ez nekünk, Azure és OpenAI felhasználóknak?

  • Stabil marad az Azure OpenAI?
  • Kell-e újratervezni az architektúrát?
  • Változik a Copilot jövője?
  • Hogyan gondolkodjunk a vendor lock-in jelenségről 2026-ban?

Abban az esetben, ha Azure-ban vagy AI-ban építkezel, azt a részt ne hagyd ki.

Ha kíváncsi vagy, hogyan folytatódik a történet akkor ne maradj me a folytatásról, ahol már kicsit gyakorlati szemmel is nézzük a kérdést.

Érdekelnek a hasonló Cloud és AI tartalmak?

docling_xlsx_to_md_ai_1024

Docling: Így készíts tökéletes adatot bármilyen RAG-hez

, , , , , , , , , ,

| Olvasási idő: 5 perc |

Aki rendszeresen fejleszt vagy oktat AI megoldásokat – legyen szó Azure OpenAI-ról vagy bármilyen LLM integrációról –, az pontosan ismeri a problémát: a Retrieval-Augmented Generation (RAG) rendszerek lelke az adat, de az adataink többsége „halott” formátumokban csücsül. Itt jön képbe a Docling.

PDF-ek, Word dokumentumok, Excel táblák – Ezek emberi olvasásra kiválóak és látványosak, de a gépek számára gyakran emészthetetlenek.

Az Mentor Klubos Azure oktatásaim során rendszeresen bemutatom a klasszikus „Enterprise Chat” felépítést:

  1. Feltöltünk fájlokat egy Azure Storage Account-ra.
  2. Létrehozunk egy Azure AI Search indexet.
  3. Az OpenAI Foundry Studio-ban összekötjük a modellt az adatokkal.

A demó mindig látványos, de a valóságban sokszor hiányérzete van a z oktatáson résztvevőknek. Miért? Mert ha egy PDF tele van táblázatokkal, hasábokkal vagy lábjegyzetekkel, a beépített „chunking” (daraboló) algoritmusok szétesett, értelmezhetetlen szövegmasszát adnak át a keresőnek. Ugyanez a probléma az Excel táblázatokkal is.

Nincs olyan képzés, amikor nem teszik fel a kérdést: „Excel táblában is képes keresni az AI?„
Korábban az volt a válaszom, hogy nem és valójában közvetlenül nem is tud benne keresni, még RAG esetén sem.

Az eredmény: a használt LLM hiába zseniális, ha a kereső rossz kontextust ad neki. Garbage In, Garbage Out.

A megoldás: Strukturált Markdown

A tapasztalatom az, hogy az LLM-ek imádják a Markdown formátumot. A Markdown tisztán leírja, mi a főcím, mi az alcím, és ami a legfontosabb: megőrzi a táblázatok szerkezetét. Ezért a gyors és látványos bemutatóknál, már előkészített fájlokkal érkezem

De ki akar kézzel konvertálni több száz, vagy több ezer vállalati PDF-et? Senki. Ezért hoztam létre egy egyszerű, bárki által használható megoldást, aminek a lelke a Docling.

Mi az a Docling?

A Docling egy új generációs, nyílt forráskódú megoldás, ami nem csak kiolvassa a szöveget a fájlokból, hanem látja és érti is az oldalak szerkezetét (Layout Analysis).

Míg a hagyományos konverterek (pl. PyPDF) gyakran sorról sorra olvassák a szöveget (így a kéthasábos cikkek összekeverednek), a Docling felismeri a blokkokat. Képes komplex táblázatokat, fejléceket és lábjegyzeteket is helyreállítani, és mindezt egy tiszta, strukturált Markdown fájlba menti.

Mondhatjuk, hogy ez a RAG szempontjából aranyat ér. Ha a Docling által generált .md fájlt adod oda az Azure AI Search-nek (vagy bármilyen más vektorkeresőnek), a válaszok pontossága drasztikusan javulni fog. Ezzel pedig időt és pénzt takaríthatunk meg.

A kész eszköz: Docling RAG Converter

Ha szeretnéd kipróbálni, hogyan is teljesít és ne kelljen a nulláról kódolnod, készítettem egy Python alapú eszközt, amit a GitHub-on közzé is tettem. Ez az egyszerű projekt egy számomra kedvelt alapra épül: a Python mellett az uv csomagkezelőt használja, ami villámgyors és brutálisan egyszerű használni is.

A GitHub repo, ahol a megoldás van itt elérhető: https://github.com/cloudsteak/docling-rag-converter

Windows, Mac és Linux kompatibilis

Nem kell Python gurunak lenned. A célom az volt, hogy bárki, aki RAG rendszert épít, pillanatok alatt elő tudja készíteni az adatait.

1. Előkészületek

Szükséged lesz a git-re és az uv-re. Ha az uv még nincs fent, egy sorral telepítheted:

  • Windows (PowerShell): powershell -c "irm https://astral.sh/uv/install.ps1 | iex"
  • Mac/Linux: curl -LsSf https://astral.sh/uv/install.sh | sh

2. Töltsd le a kódot

Klónozd le a projektet a gépedre:

git clone https://github.com/cloudsteak/docling-rag-converter.git
cd docling-rag-converter

3. Futtasd a konvertert

Az uv zsenialitása, hogy nem kell manuálisan virtuális környezetet (venv) létrehoznod vagy pip-pel bajlódnod. A következő parancs mindent elintéz helyetted (letölti a Docling-ot, a függőségeket és a szükséges AI modelleket):

uv run docling-rag-converter.py

Hogyan működik?

  1. Az első futtatáskor a script létrehoz egy input és egy output mappát. (ha szükséges, de ez része a projektnek)
  2. Másold be a feldolgozni kívánt fájljaidat az input mappába (PDF, DOCX, XLSX, HTML, PPTX).
  3. Futtasd újra az uv run docling-rag-converter.py parancsot.
  4. Dőlj hátra. A script végigmegy a fájlokon, és az output mappába generálja a tökéletesen formázott .md fájlokat.

Miért jobb ez az Azure OpenAI-hoz?

Ha ezeket a generált Markdown fájlokat töltöd fel a Storage Account-ra a nyers PDF-ek vagy XLSX-ek helyett:

  1. Jobb Chunking: Az Azure AI Search a Markdown fejlécek (#, ##) mentén logikusan tudja darabolni a szöveget. Nem vág ketté mondatokat vagy gondolatmeneteket.
  2. Táblázat-értés: A nyelvi modell (pl. GPT-4o-mini) a Markdown táblázatokat kiválóan értelmezi. Ha megkérdezed, hogy „Mennyi volt a bevétel Q3-ban?”, a modell pontosan ki tudja olvasni a cellát, míg egy szétesett szövegből csak találgatna.
  3. Kevesebb Hallucináció: Mivel a forrásanyag tiszta és strukturált, az AI kevésbé hajlamos kitalálni dolgokat.

Eredeti XLSX:

Konvertált md fájl (előnézetben), AI által támogatott formában:

Összegzés

A Docling használatával a „fekete doboz” PDF-ekből és Excel fájlokból strukturált, szemantikus Markdown-t csináltunk. Amikor ezt feltöltöd a Storage Account-ra, és indexeled a Foundry-ban, a kereső pontosan tudni fogja, hol kezdődik egy táblázat, és melyik adat melyik oszlophoz tartozik.

Az eredmény? Egy RAG alapú dokumentum keresési megoldás, amellyel az AI pontosan válaszol.

Ez a kis extra lépés a pipeline elején választja el a „játék” demókat a valódi, production-ready vállalati megoldásoktól. Próbáld ki a megoldást, és kezd el Te is AI-al kezelni a céges dokumentumokat, bármilyen RAG megoldással!

Te hogyan oldod meg az adat-előkészítést? Írd meg a véleményed vagy a tapasztalataidat kommentben!

Ha pedig érdekelnek a hasonló Azure és AI tartalmak:

ai-models-2026-hero

Újdonságok: 2026 elején megjelent AI modellek és agentek

, , , , , ,

| Olvasási idő: 6 perc |

A mesterséges intelligencia világában folyamatos a pörgés és a változás. Rendszeresen jelennek meg az egyes nagy nyelvi modellek (LLM) újabb, frissített — de nem feltétlenül jobb — verziói. Most, hogy túl vagyunk januáron, érdemes egy pillanatra megállni, és megnézni: milyen AI modellek és agent-ek érkeztek meg 2026 elején, illetve mi az, ami már most körvonalazódik. És ami legalább ilyen fontos: vajon ezek a változások tényleg előre visznek minket, vagy csak tovább növelik a zajt?

A 2026 eleji kép egyértelműen azt mutatja, hogy a fókusz eltolódott. Nem „okosabb chatbotokat” építenek, hanem hosszabb ideig dolgozni képes, kontextust tartó, feladatokat elejétől a végéig elvégző modelleket és ügynököket. Ez nem látványos, de nagyon is hasznos irány, amikor egy komplex feladatot szeretnék az AI segítségével elvégezni.

GPT-5.3-Codex – amikor a kódolás már folyamat

A GPT-5.3-Codex február elején jelent meg, és egyértelműen hangsúlyozzák, hogy nem egyszeri promptokra optimalizálták. Az OpenAI itt már kifejezetten agentic codingról beszél: olyan fejlesztési munkáról, amely nem percekig, hanem órákig vagy akár napokig tart.

Ez a modell nem ott erős, hogy „írj egy függvényt”, hanem ott, hogy:

  • képes egy komplex kódbázison belül következetesen dolgozni,
  • visszatér korábbi döntésekhez,
  • és saját hibáit felismerve javítja azokat.

A sebességnövekedés önmagában nem izgalmas. Ami igazán számít: kevesebb beavatkozást igényel. Fejlesztői és DevOps szemmel ez azt jelenti, hogy egyre inkább partnerként viselkedik, nem pedig eszközként.

Ugyanakkor fontos korlát: ez sem váltja ki az architektúrát, a code review-t vagy a felelősségi köröket. Ahol ezt próbálják megspórolni, ott az AI nem segít, hanem megnöveli a hibák számát is.

Claude Opus 4.6 – gondolkodás nagy léptékben

A Claude Opus 4.6 szintén február elején jelent meg, de teljesen más problémára ad választ. Itt a hangsúly nem a kódoláson, hanem a tervezésen, elemzésen és hosszú kontextusok kezelésén van.

Ez a modell ott erős, ahol:

  • nagy dokumentumhalmazokat kell átlátni,
  • összetett üzleti, jogi vagy pénzügyi helyzeteket kell értelmezni,
  • vagy több, egymásra épülő döntést kell következetesen végiggondolni.

A hosszú kontextusablak nem öncélú technikai adat. A gyakorlatban azt jelenti, hogy nem kell feldarabolni a problémát csak azért, mert a modell „elfelejt” dolgokat. Ez enterprise környezetben óriási előny.

Cserébe ez nem egy „gyors” modell. Nem ideális real-time interakciókra vagy pipeline-ba illesztett automatikus futtatásra. Inkább döntéstámogató, elemző szerepben erős.

Ennek megfelelően használata drága, amire fel is hívja a figyelmet, amikor ezt a modellt használjuk.

Screenshot

Claude Cowork – amikor az AI tényleg dolgozik

A Claude Cowork nem új modell, hanem egy desktop agent, és emiatt sokkal érdekesebb, mint elsőre tűnik. Ez már nem csak válaszol, hanem:

  • fájlokat olvas és szerkeszt,
  • mappákban dolgozik,
  • böngészőt használ.

Ez az a pont, ahol az AI elkezd beleolvadni a napi munkavégzésbe. Nem külön eszköz, hanem „ott ül melletted”.

Itt viszont nagyon gyorsan előkerülnek a nem technikai kérdések: adatkezelés, jogosultságok, kontroll. Egy ilyen agent hatalmas hatékonyságnövelő lehet, de csak akkor, ha pontosan tudjuk, mit láthat és mit nem. Ez már governance kérdés, nem modellképesség.

A Cowork-nek vannak egyéb különlegességei is, erről majd egy későbbi videóban beszélek nektek.

Kimi K2.5 – nyílt AI modell, komoly ambícióval

A Moonshot AI Kimi K2.5 modellje sok benchmarkon jól szerepel, de a lényeg nem ez. Hanem az, hogy nyílt modellként próbál versenyezni a zárt rendszerekkel. Ez már önmagában is izgalmas és ígéretes. Kíváncsi leszek hová jutnak. Én drukkolok nekik.

Multimodális, és az agent-alapú működésre épít: több feladatot képes párhuzamosan kezelni, több „gondolkodási szálon”. Ez különösen érdekes ott, ahol:

  • szuverén AI-megoldásokban gondolkodnak,
  • on-prem vagy kontrollált környezetben kell futtatni a modellt.

Fontos viszont látni: a nyílt nem jelenti azt, hogy egyszerű. Az üzemeltetés, integráció és finomhangolás továbbra is komoly szakértelmet igényel. Cserébe viszont nagyobb kontrollt ad ,ami sokaknak fontosabb.

Gemma 3 – stabil alap, nem reflektorfényben

A Gemma 3 nem friss februári megjelenés, de 2026 elején is releváns. Ez a modellcsalád nem „mindent megoldó AI”, hanem megbízható építőkocka.

A Gemma ott jó választás, ahol:

  • célzott AI-funkciókra van szükség,
  • fontos a kiszámíthatóság,
  • és nem akarunk egy túl nagy, túl komplex modellt használni.

Sok projektben ez pont elég. Sőt, gyakran jobb, mint egy flagship modell, amit csak részben használunk ki.

Gemini Flash 3 – amikor a sebesség számít

A Gemini Flash 3 2025 decemberében jelent meg, de még bőven frissnek számít. A pozíciója nagyon egyértelmű: gyors, fürge, költséghatékony.

Ez nem a „legmélyebben gondolkodó” modell, hanem az, amelyik:

  • jól működik chat-alapú felületeken,
  • nagy forgalmat képes kiszolgálni,
  • és gyors válaszidőt ad.

A Gemma 3-hoz képest fontos különbség, hogy a Flash 3 inkább kész szolgáltatás, nem építőkocka. Kevesebb döntést igényel, gyorsabban lehet vele funkciót szállítani.

Cserébe nem erre bíznám komplex üzleti logikát vagy mély elemzést. Ott nem ez az erőssége.

Meta: Mango és Avocado – ami még csak irány

A Meta esetében a Mango és Avocado egyelőre belső kódnevek. Amit látni lehet: erős fókusz a multimodalitáson és a skálázhatóságon. Konkrét termékről még nem beszélhetünk, de irányról igen.

Ez tipikusan az a kategória, amit érdemes figyelni, de nem tervezni rá. A Meta eddigi tempóját ismerve lesz folytatás, csak még nem most.

Függetlenül az AI modellektől

A 2026 eleji helyzetkép a szokásos: nem egy „legjobb modell” van, hanem egyre több, jól körülhatárolt szerepre optimalizált megoldás. Ez jó hír, ha tudatosan választunk.

A rossz döntések nem abból születnek, hogy „rossz modellt választunk”, hanem abból, hogy nem tudjuk, mire szeretnénk használni. Ha ezt sikerül kiküszöbölnünk, akkor ezek a modellek és agent-ek valóban előre tudják mozdítani a munkát — technológiailag és üzletileg is.

Ha pedig érdekelnek a hasonló Azure és AI tartalmak:

ClaudeInExcelBeta2026-blog

Claude in Excel – az AI asszisztens – mit tud a béta?

, , , , , , ,

| Olvasási idő: 2 perc |

Ebben a videóban a Claude in Excel (Beta) megoldást mutatom be, amely képes elemezni, javítani és kezelni az Excel munkafüzetekben lévő adatokat. Ez egy beépített AI asszisztens, aki segít felgyorsítani és tökéletesíteni az Excel tudásod.

A Claude in Excel képletek magyarázatában, hibakeresésben, pivot táblák létrehozásában, adattisztításban, táblázatok és diagrammok elkészítésében. Ingyenesen tudod telepíteni ezt az Excel kiegészítőt a Microsoft Markeplace-ről. Habár a kiegészítő ingyenes, a Claude esetén szükséged van egy minimum Pro előfizetésre, hogy használni tudd.

A videó kitér a jelenlegi korlátokra is, így reális képet kapsz arról, mire számíthatsz a Claude in Excel (Beta) használata során.

Egy bemutatón keresztül megmutatom, hogy hogyan használható adattisztításra is.

A videó célja, hogy rövid, érthető képet adjon arról, mikor lehet hasznos a Claude in Excel használata, és milyen korlátai vannak jelenleg a béta verziónak.

Miről lesz szó a videóban?

  • Claude in Excel (Beta) működése Excelen belül
  • Képletek magyarázata és hibajavítás
  • Pivot táblák és diagramok létrehozása
  • Adattisztítás gyakorlati példával
  • Naplózás és visszakövethetőség
  • Modellválasztás (Sonnet vs Opus)
  • Mi az, amit még nem tud a béta verzió
  • Prompt-olás szerepe a hatékonyságban

Kinek ajánlott ez a videó?

  • Excelben rendszeresen dolgozóknak
  • Adatokkal foglalkozó szakembereknek
  • AI eszközök iránt érdeklődőknek
  • Tanulóknak, akik hatékonyabb munkamódszereket keresnek

Claude in Excel videó

Ne feledd, ez nem egy teljes Excel képzés és nem is AI tutorial. Nem makró automatizálási útmutató és nem termék összehasonlító teszt.

Ha szeretnél ebben az irányban tisztábban látni, érdemes követned a további cikkeimet és feliratkozni az InfoPack hírlevélre vagy a Youtube csatornámra.

kiemelt-kep-ai-kodol

Amikor az AI írja a kódot: mi marad az embernek?

, , , , , ,

| Olvasási idő: 3 perc |

Amikor pár éve az AI megjelent, sokan érezték úgy, hogy „elveszik a munkát”. Erről, sokat beszéltünk a képzéseimen is. Aztán kiderült, hogy nem elvette, hanem átalakította. Kevesebb manuális feladat, több kreatív dolog. Kevesebb tűzoltás, több tervezés. Már akkor is azt jósolták, hogy hamarosan az AI írja a programokat és alkalmazásokat.

Azóta is ugyanez történik újra, csak gyorsabban.

Az utóbbi hónapokban egyre gyakrabban látom azt, hogy fejlesztők nem azért írnak kevesebb kódot, mert lusták lennének, hanem mert nincs már értelme mindent kézzel megírni. Az AI nem „segít”, hanem konkrét munkarészeket vesz át. És ez most először nem elméleti vita, hanem napi gyakorlat.

Egy friss írásban a Anthropic vezérigazgatója, Dario Amodei egészen konkrét állítást fogalmazott meg:
szerinte 6–12 hónapon belül az AI képes lesz elvégezni a szoftverfejlesztők munkájának nagy részét, akár egészét is.

6 hónap múlva az AI írja a kódot

Ez a mondat önmagában félrevezető lenne. A részletek viszont sokkal érdekesebbek.

Amodei szerint az Anthropicnál már most dolgoznak olyan mérnökök, akik egyáltalán nem írnak kódot. Az AI generálja, ők pedig szerkesztik, ellenőrzik és döntéseket hoznak. Ez nem kísérlet, hanem működő munkamodell.

Az állítások szerint ehhez a Claude Opus 4.5 modellt használják, és az Anthropic egyik új terméke, a Cowork, szinte teljes egészében AI által generált kóddal készült el, nagyjából másfél hét alatt. A projekt mögött álló Boris Cherny pedig azt nyilatkozta, hogy az elmúlt hónapban a Cowork-höz való hozzájárulásainak 100%-át AI írta, ő pedig szerkesztett és irányított.

Ez fontos pont: nem arról van szó, hogy „a gép mindent megold”, hanem arról, hogy a fejlesztői munka súlypontja eltolódik.

És itt jön az a kérdés, amit szerintem érdemes feltenni. Nem az a kérdés, hogy eltűnnek-e a fejlesztők.
Hanem az, hogy mivé válik a fejlesztői munka, hol lesz az emberi hozzáadott érték, és mit jelent ez cloud, DevOps, architect és platform oldalról.

Amit ma az AI nagyon hatékonyan csinál, az a repetitív, szabályalapú munka. API-k váza, CRUD logika, config fájlok, pipeline-ok első verziói, Terraform sablonok. Ezek eddig is sok időt vittek el, és kevés valódi üzleti döntést igényeltek. Ha ezt átveszi egy eszköz, az nem veszteség, hanem felszabaduló kapacitás.

Viszont vannak határok, és ezt az eredeti cikk is hangsúlyozza.

Több, egymástól független szakember is kritikát fogalmazott meg. David Heinemeier Hansson, a Ruby on Rails megalkotója szerint az AI-alapú kódolási eszközök még nem érik el egy junior fejlesztő megbízhatóságát, különösen akkor, amikor valódi üzleti rendszerekről, nem pedig demókról van szó.

Hasonlóan óvatosan fogalmazott Matt Garman, az Amazon Web Services vezetője is. Szerinte a junior fejlesztők kiszorítása rövid távon hatékonynak tűnhet, de hosszú távon veszélyes, mert ők jelentik a jövő szakmai utánpótlását. Ha nincs tanulási út, nem lesz tapasztalt szakember sem.

Sok fejlesztő gyakorlati tapasztalata is ezt erősíti meg. Az AI gyakran jól működik izolált példákon, de valós rendszereknél rendszeresen hibázik – én is sokszor tapasztalok hasonlókat – , főleg igen speciális esetekben és biztonsági kérdéseknél. Ezeknél a hibáknál pedig nem hivatkozhatunk arra, hogy „ezt az AI írta”.

Cloud és DevOps szemmel nézve számomra egyértelmű a kép. Kevesebb lesz a kézzel írt kód, de nagyobb lesz a felelősség. Több architekturális döntés, több költség- és security kompromisszum, több platform-szintű gondolkodás. Nem az tűnik el, aki ért a rendszerekhez, hanem az a szerep, amely csak végrehajt.

Az eredeti cikk konklúziója szerint a szoftverfejlesztői szakma nem szűnik meg, de példátlan tempóban alakul át. A mérnökök egyre inkább olyan szerepbe kerülnek, amit talán legjobban úgy lehet leírni, hogy AI-t irányító és felügyelő szakemberek lesznek. Kevesebb aktív gépelés, több döntés, több kontroll.

Ha ebből egy dolgot érdemes hazavinni, az szerintem ez:

Nem az a kérdés, hogy az AI tud-e kódot írni. Hanem az, hogy te tudod-e, mit miért íratsz meg vele.

Ha ezek a kérdések benned is felmerülnek, érdemes róla beszélni. Írj nyugodtan, szívesen megosztom a saját tapasztalataimat.

atlas-03

ChatGPT Atlas: az internetes böngészés új dimenziója

, , , , , , , , ,

| Olvasási idő: 4 perc |

Amikor az OpenAI bejelentette a ChatGPT Atlas-t, azonnal letöltöttem és feltelepítettem a gépemre, hogy kipróbáljam. Első gondolatom az volt, hogy a ChatGPT vastagkliensét használom. Majd ahogy elmélyedtem benne, rájöttem, hogy ez egy teljesen más megközelítése az internetezésnek.

Az AI alapvetően a kérdéseinkre válaszol és az utasításainkat követi, de közben teljesen kihasználja azt, hogy ez egy böngésző. Amikor egy linkre kattintok a megszokott kinézetű chat-ablakban, osztott képernyőn megnyílik a weboldal. Itt lehetőségem van arra, hogy a megnyitott weboldal tartalmaival kiegészítve beszélgessek tovább az AI-val. Ez olyan érzés, mintha a GitHub CoPilot-ot használnám a Visual Studio Code-ban – csak éppen a teljes interneten.

Szerintem ez mindenképpen egy új dimenzióba helyezi az online böngészést. Talán ahhoz tudnám hasonlítani, amikor Elon Musk előrukkolt a Tesla-val, vagy Steve Jobs bemutatta az első iPhone-t. És ezen hasonlatokban nem arra gondolok, hogy valami forradalmian újat mutattak be, hanem arra, hogy újragondolták azt, amit addig ismertünk. A ChatGPT Atlas is ilyen – az internetes élményt formálja újra, alapjaiban.

Amit viszont nem értek: miért nem a Google-nak jutott ez eszébe? Megöregedtek? Elfáradtak? A Google mesterséges intelligencia-kiegészítése a keresőben amúgy is inkább vicces, mint hasznos. Nem ezt vártam. Bár tudom, ha a keresőóriás meglépte volna azt, amit most az OpenAI az Atlas-szal, akkor elesett volna sok milliárdnyi reklámbevételtől.

Nem véletlen, hogy az elmúlt egy évben már nem használom a Google keresőjét – egyszerűen elavult és szinte használhatatlan. A ChatGPT Atlas viszont megmutatta, hogyan nézhet ki a böngészés a jövőben, ha a mesterséges intelligencia nem csak válaszol, hanem valóban együtt gondolkodik velem.

Amikor a böngésző és az AI összeér, megszűnik a határ az információ és a megértés között. Nem kell külön keresnem, olvasnom, értelmeznem, majd kérdeznem – a rendszer ezt mind egyben teszi. Az Atlas nem egyszerűen egy böngésző: ez az első olyan felület, ahol az internet és az AI világa egyesül. És ahogy most látom, ez csak a kezdet.

Mitől különleges ez a böngésző?

A ChatGPT Atlas nem egyszerűen egy új termék, hanem az internethasználat újragondolása. Az OpenAI szerint ez a böngésző „a ChatGPT-vel a középpontban” készült, és célja, hogy a felhasználó munkáját, kontextusát és eszközeit egyetlen, intelligens felületen egyesítse.

A tavalyi évben a ChatGPT-ben megjelent a keresés funkció, amely azonnal az egyik legnépszerűbbé vált. Most azonban az OpenAI ezt a funkcionalitást egy teljes böngészőbe emelte át. Az Atlas lehetővé teszi, hogy a ChatGPT mindenhol ott legyen – megértse, mit csinálok, és segítsen anélkül, hogy másik oldalt vagy alkalmazást kellene megnyitnom.

A böngésző emlékezete („Browser memories”) teljesen opcionális, és a felhasználó kezében marad az irányítás – az adatok bármikor törölhetők, archiválhatók, vagy kikapcsolható a funkció.


Agent mód: Ez az egyik legizgalmasabb rész – bizonyos előfizetési szinteken (Plus, Pro, Business) elérhető. Az Agent (ügynők) mód segítségével az AI nem csak beszélget, hanem „kattint, navigál, feladatokat végez” a böngészőn belül. Például: „Keresd meg ezt az éttermet, rendeld meg az alapanyagokat”, „Készíts piackutatást a versenytársakról, majd írj belőle összefoglalót” – mindez anélkül, hogy külön programban kellene dolgoznom.


Az OpenAI hangsúlyozza, hogy a biztonság és adatvédelem kiemelt: az AI nem fér hozzá automatikusan a fájlrendszerhez, nem futtat kódot, és minden érzékeny műveletnél megerősítést kér a felhasználótól.
Az Atlas jelenleg macOS-re áll rendelkezésre, más platformokra (Windows, iOS, Android) hamarosan érkezik.

Hol tart most és mit érdemes tudni?

Az Atlas most indul – egy ígéretes, de még fejlődő termék. A korai felhasználói élmények szerint bár az integráció izgalmas, néhány funkció még finomításra szorul. Például a keresési eredmények listája korlátozott, és a folyamatok még nem mindig zökkenőmentesek.
Biztonsági szakértők figyelmeztettek, hogy az AI-alapú böngészők érzékenyek lehetnek a „prompt-injection” típusú támadásokra – vagyis olyan webes instrukciókra, amelyek képesek befolyásolni az AI viselkedését. Az OpenAI szerint dolgoznak a védelem erősítésén.

Miért érdekes ez nekünk?

Ha kezdő vagy az AI és az internetes böngészés ilyen modern formái felé, akkor az Atlas számunkra több okból is izgalmas:

  • Egyszerűbbé tesszük az internetezést: nem kell külön alkalmazást megnyitni, nem kell másolgatni-beilleszteni a tartalmakat a ChatGPT-be – mindent egy helyen tehetek.
  • Azonnali segítséget kapok: ha találok egy weboldalt, és nem vagyok biztos a tartalmában, az AI-val azonnal beszélhetek róla: „Mi a lényege?”, „Mi az, amit kiemelnél?”, „Hol van erre alternatív forrás?” – így nem csak passzívan olvasok, hanem aktívan gondolkodom.
  • Több időm marad a tényleges feladatra: mivel az AI képes részmunkákat átvenni (pl. Agent mód), nekem nem kell annyit kattintgatnom – az értelmezésre, döntéshozatalra koncentrálhatok.
  • Ha vállalati környezetben dolgozom, akkor ez komoly lehetőség: gyorsabban készíthetek elemzést, összegzést, mert a böngészőm és az AI egyben van.

Összegzés

Én úgy látom, hogy a ChatGPT Atlas nem csupán egy új böngésző. Ez egy lépés afelé, hogy a webes szokásunk egyre inkább „agentikus” legyen – vagyis a rutinmunkákat átruházhassuk egy intelligens asszisztensre, miközben mi a lényegre koncentrálhatunk.

Ez egy hatalmas erejű eszköz, amelytől nem magát az AI-tól kell tartanunk, hanem attól, hogy mi emberek talán még nem nőttünk fel a felelősségteljes használatához.

Azért, mint minden AI alapú megoldást, ezt is kezeljük a helyén.
Ne hagyatkozzunk rá mindig!

gpt5_feature_image

GPT-5 – A gondolkodó mesterséges intelligencia új korszaka

, , , ,

| Olvasási idő: 3 perc |

Többször mutattam már be LLM-eket korábban. A mesterséges intelligencia világában azonban nagyon magas fordulaton pörögnek a dolgok. Ennek megfelelően várható volt, hogy újabb LLM fejlesztés érkezik ezen a nyáron. 2025. augusztus 7-én az OpenAI bemutatta GPT‑5-öt, a legújabb, legfejlettebb mesterséges intelligencia modelljét. Most a GPT‑5 működését, erősségeit, lehetőségeit és korlátait szeretném bemutatni.

Mi az a GPT-5?

A GPT-5 egy olyan mesterséges intelligencia, amely képes automatikusan eldönteni, hogy a gyors válaszokra optimalizált modellt vagy a részletesebb, alaposabb gondolkodást végző („thinking”) modellt használja. A választás valós időben történik, a kérdés bonyolultsága és a felhasználó célja alapján. A GPT-5 mindenki számára elérhető: a Plus és Pro előfizetők nagyobb használati kerettel dolgozhatnak, a Pro csomag előfizetői pedig hozzáférhetnek a fejlettebb „thinking-pro” változathoz is.

Erősségei

  • Széles körű szakértői teljesítmény: kiváló képességekkel rendelkezik kódolásban, matematikában, írásban, egészségügyben és bonyolult feladatokban is.
  • Hatékonyság és racionalitás: gyorsabb válaszokat ad, kevesebb téves információt (hallucinációt), és jobb strukturáltságot nyújt.
  • Fejlett kódolási képességek: a SWE‑bench Verified kódolási teszten 74,9%-os eredményt ért el, szemben az o3 elődjének 69,1%-ával, miközben kevesebb eszközhívást és tokenfogyasztást igényelt OpenAI.
  • Felhasználóbarát működés: az intelligens router rendszer automatikusan kiválasztja a feladatnak legjobban megfelelő modellt, megkönnyítve ezzel a használatot különösen kezdőknek.
  • Integrációk és személyre szabás (Ügynökökkel): Gmail és Google Naptár csatlakozással, valamint személyiségtónus‑beállításokkal bővül a felhasználói élmény.

Lehetőségei

  • Mindenki közelebb az intelligens asszisztenshez: olvasók, értékesítők, pénzügyi szakemberek mind profin kidolgozott tartalmakat generálhatnak, adatokat összefoglalhatnak vagy folyamatokat optimalizálhatnak akár extra előképzettség nélkül.
  • Fejlesztők hatékonyabb eszköze: komplex hibák felismerésére, több lépéses feladatok kezelése, teljes körű fejlesztési folyamatok támogatása.
  • Soknyelvű hozzáférés: nyelvi képességek fejlesztése, így globálisan is szélesebb körben alkalmazható. A magyar nyelvet is tovább csiszolták.

Korlátai

  • Nem általános mesterséges intelligencia (AGI): bár a GPT-5 teljesítménye sok területen egy PhD-szintű szakértőhöz mérhető, nem rendelkezik azzal a képességgel, hogy önállóan, folyamatosan tanuljon és bármilyen feladatot megoldjon, mint egy ember. Ez azt jelenti, hogy a GPT-5 egy rendkívül fejlett eszköz, de nem az a fajta univerzális mesterséges intelligencia, amely minden helyzetben képes emberi szintű gondolkodásra és döntéshozatalra.
  • Teljesítmény-ingadozás: eddigi tapasztalatok alapján az automatikus modellválasztás néha bizonytalan minőséget eredményez.
  • Régebbi modellek korlátozott elérhetősége: GPT‑4 és korábbi modellek már nem állnak a legtöbb felhasználó rendelkezésére, ami szerintem prolémás.
  • Használati korlátok inaktív felhasználóknak: ingyenes felhasználók díjmentes hozzáférést kapnak, de szigorúbb használati korlátokkal kell számolniuk.

Összegzés

A GPT-5 technológiailag kiemelkedően fejlett, mégis időnként meglepően korlátozottnak tűnik, mintha bizonyos helyzetekben gyengébben teljesítene, mint elődei. Tartalmazza a gyors reagálást, a mélyebb gondolkodást, támogat fejlesztőknek és üzleti felhasználóknak egyaránt, miközben a felhasználói élményt helyezi előtérbe. Ugyanakkor fontos szem előtt tartani a jelenlegi korlátokat, mint az AGI hiánya, teljesítmény-ingadozás vagy a régebbi modellek eltűnése.

Érthető az irány, de egyelőre további fejlesztésre szorul az általános mesterséges intelligencia irányába.

vision_language_model

Így tanul meg az MI látni: Vision Language Modellek

, , , , , ,

| Olvasási idő: 4 perc |

A mesterséges intelligencia (MI) világa folyamatosan látványos fejlődést mutat. Az egyik legérdekesebb irány a VLM, vagyis a Vision Language Model technológia. Ezek a modellek nemcsak szövegeket értenek meg, mint a hagyományos nyelvi modellek (LLM-ek), hanem képeket is képesek értelmezni.

Koncepció – Mit jelent a VLM?

A VLM (Vision Language Model) olyan mesterséges intelligenciát takar, amely egyszerre képes szöveges és képi információt értelmezni. Ez új szintre emeli az MI lehetőségeit, hiszen az eddigi rendszerek vagy csak szöveggel, vagy csak képpel dolgoztak. A VLM viszont multimodális: a kettőt egyszerre kezeli.

Hasonlat – Mintha egy gyerek könyvből tanulna

Képzeljünk el egy kisgyermeket, aki egy képeskönyvet nézeget. Megnézi a képet, majd a szöveg alapján próbálja megérteni, mi történik. A Vision Language Model ugyanezt teszi: képeket lát és szövegeket olvas, majd ezekből közösen von le következtetéseket.

Hol hasznos ez a technológia?

  • Egészségügy: orvosi képek (pl. röntgen) értelmezése, diagnosztikai támogatás.
  • Oktatás: multimodális tananyag-elemzés, képekhez kapcsolódó tartalomgenerálás.
  • Kereskedelem: termékek automatikus leírása képek alapján.
  • Segítő technológia: látássérülteknek képleírás generálása.
  • Robotika: képfeldolgozáson alapuló döntéshozatal.
  • Dokumentumfeldolgozás: szkennelt számlák, bizonylatok elemzése.
  • Grafikon- és diagramértelmezés: üzleti jelentések automatikus értelmezése.

Hogyan működik?

A hagyományos LLM (Large Language Model), mint például a GPT, kizárólag szöveggel tud dolgozni. Amikor beírunk egy kérdést vagy dokumentumot, azt a modell token-ekre bontja – ezek a nyelv számszerű leképezései. Az LLM ezeket a token-eket ú.n. figyelmi mechanizmusok segítségével elemzi, feltárja a közöttük lévő összefüggéseket, majd ezek alapján állít elő egy új szöveges választ.

De mi van akkor, ha a dokumentum képeket tartalmaz? Bonyolult grafikon? Szkennelt ábra? Egyhagyományos LLM nem tud mit kezdeni ezekkel. Itt lép be a képbe a VLM.

A VLM úgy működik, hogy egy új modult vezet be: a vision encoder-t. Ez a rész nem szavakat, hanem képeket dolgoz fel. A képből kinyeri a fontos jellemzőket – formákat, textúrákat, éleket, viszonyokat – és ezt egy úgynevezett feature vector-rá alakítja, vagyis egy tömör, számszerű leképezéssé.

Ezek azonban még nem kompatibilisek az LLM szöveges token-jeivel, ezért egy projektor nevű modul átalakítja őket úgynevezett kép-token-ekké. Most már van szöveg-token-ünk és kép-token-ünk, és ezeket együtt tudja kezelni az LLM. A modell ezek után együttesen értelmezi a szöveget és a képet, és ezek összefüggése alapján ad választ.

Például:

  • VQA (Visual Question Answering): Megmutatunk egy képet egy forgalmas utcáról, és megkérdezzük: „Mi történik itt?” A válasz lehet: „Egy piros lámpánál várakozó autó, gyalogosok átkelnek.”
  • Képaláírás generálás: Egy kutyát ábrázoló képre a válasz: „Golden retriever labdát kerget egy parkban.”
  • Számlák vagy bizonylatok feldolgozása: Szkennelt PDF beolvasása után a modell képes kiolvasni a szöveget, struktúrába rendezni, sőt, összefoglalni a lényeget.
  • Grafikon-elemzés: Egy pénzügyi jelentésben található diagram alapján kérdezhetjük: „Mi a bevételi trend?” – és a modell választ ad rá.

Miért újdonság?

A LLM-ek már régóta képesek értelmes szöveget generálni, de teljesen vakok voltak a képi információkra. A VLM az első valódi megoldás arra, hogy a mesterséges intelligencia ne csak olvasson, hanem „lásson” is. Ez új távlatokat nyit, hiszen az emberi gondolkodás sem csak szavakból áll – képeket, helyzeteket, kontextusokat is értelmezünk.

A technológia azonban nem hibátlan:

  • A képek feldolgozása sokkal erőforrásigényesebb, mint a szövegé.
  • A modell hallucinálhat – azaz olyan válaszokat adhat, amelyek jól hangzanak, de nem igazak, mivel statisztikai minták alapján következtet.
  • Bias (torzítás) is jelen lehet: ha a tanítóadatok túlnyomórészt nyugati kultúrkörből származnak, más régiók képeit félreértelmezheti.

Miért lesz hasznos a jövőben?

A jövő mesterséges intelligenciája egyre inkább hasonlít majd az emberi gondolkodásra. A VLM-ek ezt a folyamatot gyorsítják fel, hiszen már nemcsak beszélnek, hanem látnak is. Ezáltal sokkal hatékonyabban alkalmazhatók például:

  • összetett döntéshozatalban,
  • automatizált dokumentumfeldolgozásban,
  • vagy akár vizuális tanulási rendszerekben.

VLM vs. LLM – Hasonlóságok és különbségek

LLM (Large Language Model)VLM (Vision Language Model)
AlapNagy nyelvi modellNagy nyelvi modell + vizuális feldolgozó modulok
BemenetCsak szövegSzöveg és kép
KépességekSzövegalapú válaszadás, szövegírásSzövegalkotás képi információk alapján is
KontextusCsak nyelvi összefüggések értelmezéseNyelvi és vizuális kontextus együttes értelmezése
FelépítésTokenizálás → nyelvi feldolgozásKép → feature vector → kép-token → közös feldolgozás
ModulokCsak nyelvi feldolgozásVision encoder, projektor, nyelvi feldolgozás együtt
HasználatDokumentumok, csevegés, szövegértésKépaláírás, VQA, dokumentum-elemzés, grafikon-értelmezés

Összefoglalás

A Vision Language Model nem egy forradalmi újdonság, sokkal inkább a mesterséges intelligencia természetes fejlődési lépése. Az eddigi nyelvi és vizuális modellek ötvözésével a VLM-ek lehetővé teszik, hogy az MI ne csak olvassa, hanem értelmezze is a képi világot.

Ez új lehetőségeket nyit például dokumentumfeldolgozásban, oktatásban vagy egészségügyben – olyan területeken, ahol eddig emberi látásra és megértésre volt szükség. Bár a technológia még fejlődik, az irány egyértelmű: a mesterséges intelligencia egyre közelebb kerül ahhoz, hogy több érzékszervhez hasonlóan működjön – és ezzel valóban új minőséget képviseljen.

Te hogyan hasznosítanád ezt a tudást a saját területeden?

openai-new-models

Így segít nekünk a legújabb OpenAI GPT-4.1 család

, , , , ,

| Olvasási idő: 3 perc |

Az utóbbi hetekben sokat olvastam az OpenAI új fejlesztéseiről, és úgy gondoltam, érdemes megosztanom a legfrissebb tapasztalataimat veletek. Azt tudjuk, hogy a jelenlegi világunkban nincs megállás. Folyamatosan rohanunk, ha kell, ha nem. A mesterséges intelligencia területén pedig ez hatványozottan igaz. A nemrég az OpenAI három vadonatúj modellt mutatott be, amelyek jelentős előrelépést hoznak a mesterséges intelligencia terén, különösen azok számára, akik fejlesztői feladatokhoz keresnek megbízható megoldásokat.

A legfontosabb újdonság a GPT-4.1 család: a GPT-4.1, a 4.1 mini és a 4.1 nano modellek. Ezeket kifejezetten fejlesztőknek szánták, és rengeteget fejlődtek a kódolás, utasításkövetés és funkcióhívások terén. Ami engem a legjobban lenyűgözött, az a kontextuskezelés: akár 1 millió tokenes szöveget is képesek átlátni és értelmezni. Ez a valós projektekben hatalmas segítség, mert végre nem kell trükközni az adatok darabolásával.

Miért kiemelkedő ez a szám? Nekem eddig is a GPT-4o volt a kedvencem, mert valódi programozói társam volt. Azonban voltak korlátai. Sok esetben kellett egy-egy komplex gondolatmenet közepén úgy beszélgetést indítanom, ami lelassította munkát és több esetben frusztrált engem. Az új modelltől azt várom, hogy még jobban segíti a munkám és nem ütközöm a korábban említett korlátokba.

Külön öröm számomra, hogy a GPT-4.1 modellek ismét olcsóbbak lettek (26%-al) az elődjüknél, a GPT-4o-nál. A nano verzió pedig minden eddiginél gyorsabb és költséghatékonyabb – ez például tökéletes, ha kisebb, de sokszor ismétlődő feladatokat automatizálok. Itt Te is kipróbálhatod: GPT-4.1

Nem csak a GPT-4.1 újdonságairól érdemes beszélni. Az OpenAI bemutatta az o3 és o4-mini modelleket is. Ezek az érvelési, logikai feladatokban jeleskednek: kódolás, matematika, tudományos problémák és képfeldolgozás terén is kiemelkedőek. Egyik kedvencem az új válaszfolyamat megjelenítés, amely lépésről lépésre mutatja, hogyan gondolkodik a modell a végső válasz előtt. Ez fejlesztőként hatalmas előnyt jelent, hiszen átlátom az AI döntési logikáját. Eddig is voltak eszközök, amelyekkel figyelemmel lehetett kísérni, de most már ezt beépítettem megkapjuk.

Az elmúlt hetekben egyre több fejlesztőtől olvastam véleményeket, akik már most ezeket a modelleket használják a munkájukhoz. Nem véletlenül: gyorsak, pontosak, olcsóbbak és megbízhatóbbak, mint a korábbi verziók. Én is elkezdtem őket tesztelni a saját projektjeimen, és eddig nagyon pozitív tapasztalataim vannak.

Ha te is érdeklődsz a mesterséges intelligencia gyakorlati alkalmazása iránt, mindenképp érdemes kipróbálnod ezeket az új modelleket. A hivatalos dokumentációban minden szükséges információt megtalálsz. Ha elakadsz, akkor pedig szívesen segítek neked.

Én már alig várom, hogy mit hoz a következő OpenAI fejlesztés, mert hamarosan itt az újabb. 🙂

Te melyik modellt használod vagy próbáltad már ki?

mcp03

MCP: Hogyan lesz az AI-ból intelligens csapatjátékos?

, , , , , , ,

| Olvasási idő: 6 perc |

A mesterséges intelligencia (AI) rendszerek akkor válnak igazán hasznossá, ha képesek külső adatokkal, szolgáltatásokkal és eszközökkel együttműködni. Eddig ezt jellemzően API-k (Application Programming Interface) segítségével oldottuk meg. Ezekhez pedig ügynökökön keresztül csatlakozott az LLM. Ez a multi-agent megközelítés nagyon nagy rugalmasságot adott. Minden specifikus feladatra létrehozhattunk egy-egy dedikált ügynököt (időjárás, EUR árfolyam, forgalmi adatok, stb), majd ezeket közösen használva összetett és lélegzetelállító mutatványokra voltunk képesek.

Azonban, amikor ezek használatát előtérbe helyezzük egy komplex megoldás során, olyan korlátokba ütközünk, amelyek lassítják vagy gátolják a hatékonyságot. Ezen megoldások ugyanis nem túlságosan skálázhatók és egy-egy új ügynök bevezetése időigényes lehet, hiszen egyedileg kell illesztenünk a rendszerbe.

2024 végén azonban az Anthropic bemutatta a Model Context Protocolt (MCP), amely új szabványként forradalmasítja, hogyan adhatunk kontextust a nagy nyelvi modelleknek (LLM-ek).

Mi az MCP koncepciója?

Az MCP egy nyílt szabvány, amely egységesíti az LLM-ekhez érkező kontextus és eszközök integrációját. Úgy kell elképzelni, mint az USB-C portot a laptopodon:

  • Függetlenül attól, hogy monitort, külső merevlemezt vagy töltőt csatlakoztatsz, a csatlakozás módja szabványos.
  • Nem számít, ki gyártotta az eszközt, minden működik ugyanazzal a csatlakozóval.

Az MCP pontosan ezt biztosítja az AI alkalmazások, LLM-ek és külső adatforrások között.

Egyszerű hasonlat:

Képzeld el, hogy különböző szakemberek ülnek egy tárgyalóasztalnál – például egy informatikus, egy mérnök, egy értékesítő és egy jogász. Mindannyian más területen profik, de amikor együtt dolgoznak egy problémán, közösen cserélnek információt, hogy teljes képet kapjanak. Az MCP pontosan ezt teszi az AI modellekkel: összekapcsolja őket egy közös „tárgyalóasztalon” keresztül, így együtt tudnak dolgozni anélkül, hogy előre ismerniük kéne egymást.

Miért jó ez nekem?

Az MCP nem csak a fejlesztőknek, hanem a hétköznapi felhasználóknak is előnyös lehet. A mesterséges intelligencia jelenleg sokszor „dobozolt” megoldásként működik: egy-egy alkalmazás egy konkrét dologra jó (tartalomgyártás, zeneírás, képfeldolgozás, stb.), de ha összetettebb kérdésed van, könnyen elakad vagy összezavarodik.

Az MCP előnyei neked, mint felhasználónak:

  1. Sokkal okosabb asszisztensek
    Olyan AI-t használhatsz majd, ami egyszerre ért a joghoz, egészséghez, utazáshoz, technológiához – mindenhez a saját szakértőjén keresztül, mégis egységes válaszokat ad.
  2. Kevesebb félreértés, pontosabb válaszok
    A modellek megosztják egymással a rólad szóló fontos kontextust (természetesen adatvédelmi szabályok betartásával), így nem kell ugyanazt elmagyaráznod többször.
  3. Testreszabott élmény, valódi személyre szabás
    Nem általános válaszokat kapsz, hanem a te helyzetedre szabott megoldásokat, mivel az AI csapatmunka révén jobban átlátja az összképet.
  4. Gyorsabb, hatékonyabb ügyintézés
    Képzeld el, hogy egy ügyfélszolgálati AI azonnal megérti a kérdésed, és az adott terület szakértő AI-jától szerzi be a választ – emberi várakozás nélkül.

Az MCP azért jó neked, mert a jövő AI rendszerei érthetőbben, gyorsabban és személyre szabottabban segítenek majd, mintha egy profi ügyintéző csapat dolgozna érted a háttérben.

Mire használható az MCP?

  1. Vállalati asszisztensek
    Egy chatbot, ami egyszerre ért a HR-hez, IT-hoz és jogi kérdésekhez, különböző modellek bevonásával, de zökkenőmentesen válaszol.
  2. Egészségügyi diagnosztika
    Különböző AI modellek (pl. képfelismerő, szövegelemző) közösen állítják fel a diagnózist anélkül, hogy bonyolult integrációra lenne szükség.
  3. Kreatív tartalomgyártás
    Író, képszerkesztő és videószerkesztő AI modellek együttesen készítenek multimédiás anyagokat, mintha egy csapat dolgozna rajta.
  4. Ipari automatizálás
    Különböző szenzoradatokat elemző modellek valós időben megosztják egymással az információt, optimalizálva a gyártási folyamatokat.

Hogyan működik az MCP?

Az MCP alapja az a képesség, hogy a modellek metaadatokat és kontextus információkat tudnak egységes formátumban megosztani egymással. Ehhez az alábbi elemek szükségesek:

  1. Context Token-ek: Olyan kis egységek, amelyek tartalmazzák az adott modell által értelmezett kontextust, pl. felhasználói szándék, előzmények, fontos paraméterek.
  2. Protokoll szabványok: Meghatározzák, hogy a modellek hogyan kérnek és adnak vissza kontextust. Ez biztosítja az egységes „nyelvet”.
  3. Memória és állapotkezelés: Lehetővé teszi, hogy a modellek ne csak egyszeri választ adjanak, hanem hosszabb távon is „emlékezzenek” az együttműködésre.
  4. Routing és orchestration: Az MCP irányítja, hogy melyik modell mikor és milyen formában kapcsolódjon be a munkafolyamatba.

Architektúra

  • MCP Host: mint a laptop az USB-C esetében
  • MCP Client: minden kliens JSON-RPC 2.0 kapcsolaton keresztül kommunikál MCP szerverekkel
  • MCP Server: képességeket biztosít (pl. adatbázis elérés, kód repository, e-mail szerver)

Alapelemek (primitívek)

  1. Tools: Eszközök vagy műveletek, amelyeket az AI meghívhat (pl. időjárás lekérdezés, naptár esemény létrehozás).
  2. Resources: Csak olvasható adatok, fájlok, adatbázis rekordok.
  3. Prompt templates: Előre definiált prompt sablonok.

Az MCP kliens felfedezheti a szerver képességeit futásidőben, így az AI alkalmazások automatikusan alkalmazkodnak az elérhető funkciókhoz.

Miért újdonság az MCP?

Korábban a modellek integrálása bonyolult, eseti fejlesztést igénylő feladat volt. Minden új modell beillesztéséhez külön interfészeket, adatstruktúrákat kellett készíteni. Az MCP ezt szabványosítja, így a modellek bármikor „plug and play” módon csatlakoztathatók egy közös kontextushoz.

Olyan, mintha az eddig különböző nyelveken beszélő AI modellek hirtelen megtanulnának egy univerzális tárgyalási nyelvet.

Miért lesz hasznos a jövőben?

  • Gyorsabb fejlesztés: Új modellek integrálása percek alatt megvalósítható lesz, nem hetek vagy hónapok alatt.
  • Skálázható rendszerek: Egyre komplexebb feladatokra állíthatók össze AI csapatok, anélkül, hogy a rendszerek kezelhetetlenné válnának.
  • Költséghatékonyság: Egységes protokoll miatt csökken a fejlesztési és üzemeltetési költség.
  • Valódi AI csapatmunka: Az MCP segítségével nemcsak egy „nagy” modell lesz okos, hanem több kisebb modell együttműködése hoz létre intelligens megoldásokat.

Miben más, mint a Multi-Agent megközelítés?

A Multi-Agent rendszerek is több AI modellt használnak, de általában szoros szabályok és előre definiált interakciók mentén működnek. Ezek gyakran zárt rendszerek, ahol minden ügynök (agent) pontosan tudja, hogy milyen másik ügynökkel és hogyan kell kommunikálnia.

Az MCP ezzel szemben rugalmas és nyitott:

  • Nincs szükség előre meghatározott kapcsolatokra.
  • Bármilyen modell képes csatlakozni, ha érti a protokollt.
  • A kommunikáció dinamikusan, kontextus alapján történik, nem előre programozott folyamatok szerint.

Ez olyan, mintha a Multi-Agent rendszer egy összehangolt kórus lenne, míg az MCP inkább egy improvizációs zenekar, ahol bárki beszállhat a közös játékba, ha ismeri az alapokat.

MCP és API: Hasonlóságok és különbségek

Mindkettő kliens-szerver architektúrára épül, elrejti a háttérrendszer bonyolultságát, és leegyszerűsíti az integrációt.
De az MCP kifejezetten AI ügynökök számára készült.

MCPAPI
AI ügynökökhöz szabvaÁltalános célú interfész
Kontextus adatok és eszközök integrációjára optimalizáltTetszőleges rendszerek közötti kommunikáció
Dinamikus képesség-felfedezés futásidőbenStatikus interfész, kézi frissítés szükséges
Szabványosított formátum, minden szerver azonos módon kommunikálMinden API egyedi (endpontok, paraméterek, autentikáció)

Nem az API-k helyett

Fontos megérteni, hogy az MCP gyakran hagyományos API-kat használ a háttérben. Az MCP szerverek lényegében „burkolják” az API-kat, és egy AI-barát interfészt biztosítanak.
Például egy MCP szerver a GitHub REST API-t használja a háttérben, de az AI ügynökök számára szabványosított, könnyen kezelhető formában érhető el.

Összegzés

Az MCP forradalmasíthatja, hogyan építjük fel a mesterséges intelligencia rendszereket. Egyszerűbbé, gyorsabbá és hatékonyabbá teszi a modellek közti együttműködést, miközben a rugalmasságot is megőrzi. Ez a nyitott, univerzális megközelítés lehet a kulcs ahhoz, hogy az AI valóban intelligens, csapatjátékos módjára segítse a mindennapi életünket.

Az MCP nem váltja le az API-kat, hanem egy intelligens csatlakozási réteget biztosít, amely leegyszerűsíti az AI rendszerek integrációját. Olyan, mint az USB-C az eszközök világában: egységesít, gyorsít és szabványosít.

Nem váltja meg a világot, de pont azt teszi könnyebbé, ami eddig bonyolult volt: a modellek és rendszerek közti szabványos, skálázható kommunikációt. 🚀

Load More

Verified by MonsterInsights