Adat, RAG & saját AI címke | eYssen AI

18 Cikkek

Adat, RAG & saját AI ×

embedding

Krisztian Eyssen

embedding

A szöveg számsorrá alakított formája, amiben a jelentésbeli közelség távolságként mérhető.

Kezdő Mindenki Fogalomtár Adat, RAG & saját AI

2026. szept. 13. Szótár

fine-tuning

Krisztian Eyssen

fine-tuning

Egy kész modell továbbtanítása a saját példáidon, hogy egy szűk feladatot jobban vagy olcsóbban végezzen.

Kezdő Mindenki Fogalomtár Adat, RAG & saját AI

2026. szept. 13. Szótár

RAG (retrieval-augmented generation)

Krisztian Eyssen

RAG (retrieval-augmented generation)

Az a megoldás, amiben a modell a válasz előtt kikeresi a saját dokumentumaidból a releváns részletet, és abból dolgozik.

Kezdő Mindenki Fogalomtár Adat, RAG & saját AI

2026. szept. 13. Szótár

vector database

Krisztian Eyssen

vector database

Olyan adattár, ami vektorokat tárol, és gyorsan megtalálja a keresetthez leginkább hasonlókat.

Kezdő Mindenki Fogalomtár Adat, RAG & saját AI

2026. szept. 13. Szótár

chunking

Krisztian Eyssen

chunking

A dokumentumok feldarabolása kereshető részletekre — a rossz vágás a leggyakoribb oka a rossz válaszoknak.

Kezdő Mindenki Fogalomtár Adat, RAG & saját AI

2026. szept. 13. Szótár

Fine-tuning: mikor éri meg végre?

Krisztian Eyssen

Fine-tuning: mikor éri meg végre?

Egy 350 millió paraméteres, finomhangolt modell **77,6%-os** sikerarányt ért el egy eszközhívási feladaton — miközben egy 175 milliárd paraméteres általános modell ugyanott **26%-ot**. Ötszázszor kevesebb paraméter, háromszoros eredmény. Ez a fine-tuning valódi ígérete. És közben egy nagy szolgáltató **kivezeti a finomhangolási platformját**: új felhasználót már nem fogad, a meglévőknek 2027 januárjáig van idejük.

Haladó Fejlesztő Magyarázat Adat, RAG & saját AI

2026. szept. 13. Mesterséges Intelligencia Kis Falatokban

Privát AI: hogyan marad a cégen belül az adat?

Krisztian Eyssen

Privát AI: hogyan marad a cégen belül az adat?

Az egyik nagy szolgáltató zero data retention megállapodása tételesen felsorolja, mely végpontokra vonatkozik — és mely nem. A nem-listán ott van a **fájlfeltöltés** és a **vektortároló**: **pontosan az a két funkció, amivel azon a platformon RAG-et építesz.** A másik oldalon pedig a „helyi tehát biztonságos" feltevés: egy 293 napos felmérés **175 108 nyilvánosan elérhető helyi modellszervert** talált 130 országban.

Haladó Vállalkozó How-To Adat, RAG & saját AI

2026. szept. 13. Mesterséges Intelligencia Kis Falatokban

Helyi modellfuttatók: melyiket válaszd?

Krisztian Eyssen

Helyi modellfuttatók: melyiket válaszd?

A legfontosabb, amit tudni kell: **az Ollama, az LM Studio, a Jan, a KoboldCpp és a Docker Model Runner mind ugyanazt a motort használja** — a llama.cpp-t, Macen az MLX-et. Nem a sebességben különböznek, hanem a becsomagolásban és az **alapértelmezésekben**. És pont az alapértelmezés a csapda: az Ollama alapból **4 096 tokenre vág**, akkor is, ha a modell 256 ezret tudna.

Kezdő Fejlesztő Eszközbemutató Ollama Adat, RAG & saját AI

2026. szept. 13. Mesterséges Intelligencia Kis Falatokban

Quantization: hogyan férnek be a nagy modellek?

Krisztian Eyssen

Quantization: hogyan férnek be a nagy modellek?

Egy 2026-os, egységes mérés szerint a négybites kvantálás **71%-kal csökkenti a modell méretét**, és cserébe átlagosan **0,43 százalékpontot** vesz el a pontosságból. Gyakorlatilag ingyen van. Csak épp **nem mindenkinek**: ugyanez a négybites kvantálás hosszú bemeneten **59%-os** zuhanást is okozott, és a romlás **nem angol nyelven akár ötszörös** — egy 26 nyelvű mérésben, amiben a magyar is benne van.

Haladó Fejlesztő Magyarázat Adat, RAG & saját AI

2026. szept. 13. Mesterséges Intelligencia Kis Falatokban

Hardver a local LLM-hez: VRAM, memória, Apple Silicon

Krisztian Eyssen

Hardver a local LLM-hez: VRAM, memória, Apple Silicon

A bevett hüvelykujjszabály szerint a szükséges memória a paraméterszám fele. `[Saját számítás]` Egy nyolcmilliárd paraméteres modell négybites súlyai tényleg 4,6 gigabájtot esznek — **de ugyanennek a modellnek a 128 ezer tokenes kontextusa 18 gigabájtot**, azaz a modell négyszeresét. Aki csak a modellméretet nézi, a szükséges memória ötödét számolta ki. És van egy mérés, ami mindent megfordít: **egy feleannyi GPU-maggal rendelkező chip 83%-kal gyorsabban dolgozza fel a promptot, mint egy drágább** — miközben ötödével lassabban generál.

Haladó Fejlesztő How-To Adat, RAG & saját AI

2026. szept. 13. Mesterséges Intelligencia Kis Falatokban

Miért futtass AI-t a saját gépeden?

Krisztian Eyssen

Miért futtass AI-t a saját gépeden?

A négy szokásos indok közül kettő megáll, kettő nem. `[Saját számítás]` A legolcsóbb API-szinttel szemben egy 3 500 dolláros gép **évi 2,6 milliárd tokennél** térül meg — ez 133 nap folyamatos generálás. És itt a csavar, ami az egész cikket összefogja: **az a volumen, ahol a helyi futtatás kifizetődik, pont az, ahol a helyi modell már nem elég jó.** Van viszont egy ötödik indok, amit senki nem mond ki, és mérhetően a legerősebb.

Kezdő Vállalkozó Magyarázat Adat, RAG & saját AI

2026. szept. 13. Mesterséges Intelligencia Kis Falatokban

Hogyan maradjon friss a tudásbázis?

Krisztian Eyssen

Hogyan maradjon friss a tudásbázis?

Egy 96 ezer kérdés-válasz páron és 219 ezer dokumentumon épült mérés szerint az elavult tartalom jelenléte a vizsgálat szerint **legalább 20%-os teljesítményesést** okoz, és egyes modellek a véletlennél is rosszabbul teljesítenek. De a legfontosabb megállapítás nem a szám: **a modellek megfelelően bizonytalanok maradnak, ha nem találnak semmit — és magabiztosan tévednek, ha elavultat találnak.** Az üres tudásbázis kevésbé veszélyes, mint a régi.

Középhaladó Vállalkozó How-To Adat, RAG & saját AI

2026. szept. 13. Mesterséges Intelligencia Kis Falatokban

1
2

Kövess minket

Archívumok

Címkék

Cég

OpenAI Anthropic Google xAI (Grok) Meta Microsoft Mistral Kínai laborok

Célközönség

Mindenki Irodai dolgozó Marketinges Kreatív Vállalkozó Fejlesztő

Eszköz

OpenRouter Perplexity HeyGen ElevenLabs Suno Obsidian MCP n8n Ollama EYAS

Kategória

Alapok Biztonság & kockázat Szabályozás & politika Infrastruktúra & chipek Üzlet & befektetés Promptolás Modellek & piac Szövegírás & tartalom Kép & design Videó & hang Marketing & SEO Fejlesztés & kódolás Iroda & produktivitás Agentek & automatizálás Adat, RAG & saját AI Üzlet, jog & biztonság

Szint

Kezdő Középhaladó Haladó

Típus

How-To Magyarázat Összehasonlítás Eszközbemutató Recept Sablon Hibaelhárítás Esettanulmány Fogalomtár Hír

Egyebek

Odoo