Alkalmazott Mesterséges Intelligencia modellek a gyakorlatban

A tantárgy angol neve: Applied Artifical Inteligence Models in Practice

Adatlap utolsó módosítása: 2023. május 17.

Budapesti Műszaki és Gazdaságtudományi Egyetem
Villamosmérnöki és Informatikai Kar 		Villamosmérnöki szak, Műszaki informatika szak, Szabadon választott
Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
VITMAV78   1/0/1/f 2  
3. A tantárgyfelelős személy és tanszék Dr. Varga Pál,
4. A tantárgy előadója Dr. Mihajlik Péter tud. főmts.
Dr. Gyires-Tóth Bálint docens
Dr. Zainkó Csaba adjunktus
Gáspár Csaba egy. tans.

 

5. A tantárgy az alábbi témakörök ismeretére épít Alapvető programozási ismeretek, API-k használatának módja
6. Előtanulmányi rend
Ajánlott:
Kötelező:
-
Ajánlott:
- Programozási alapismeretek
7. A tantárgy célkitűzése A tárgy tágan értelmezett célja, hogy megmutassa: hogyan alakítja át a mérnökök életét az AI. A tárgy szűkebben vett célja, hogy a hallgatók megismerjék a legújabb, elsősorban nagy nyelvi modelleken alapuló AI megoldások alkalmazásának lehetőségeit, valamint gyakorlatot szerezzenek projekt alapú AI megoldások fejlesztésében, fejlesszék a "prompt engineer" készségeiket. A félév során betekintést nyernek aktuális AI megoldások (pl. OpenAI ChatGPT, Meta AI LLaMA, Stable Diffusion, GitHub Copilot, stb. valamint újabb generációk és megoldások) használatába, majd ezek segítségével a hallgatók kis csoportokban projektmunkát valósítanak meg. A tárgy célja részben az is, hogy a hallgatói együttműködést és a projekt-szemléletet erősítse, jelen esetben a gyorsított fejlesztést AI-támogatású eszköz-környezetben.
8. A tantárgy részletes tematikája Minden héten egy, tematikailag összeillő előadás és gyakorlat van; kivéve az első alkalom (dupla előadás) és az utolsó alkalom (dupla gyakorlat)

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

9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium) Előadás és laboratórium. A tárgy minden hetében előadás és gyakorlat is van, utóbbin a hallgatók valódi programozási feladatokat oldanak meg a gyakorlatvezetők támogatásával.
10. Követelmények A félévközi jegy megszerzésnek feltételei a hatályos BME Tanulmányi és Vizsgaszabályzatával (TVSz) összhangban a következők:
● Gyakorlati feladat: A félév közepén a gyakorlati feladat státuszáról beszámolót kell készíteni. A félév végén a gyakorlati projektmunka eredményét be kell mutatni. A gyakorlati feladatra érdemjegyet kapnak.
Gyakorlati feladat példák:
- Chatrobot és egy szűkített tudásbázis összekötése célzott témában releváns beszélgetésekhez.
- Adatbázismodellre épített pipeline szöveges kérdésből generálható diagrammokhoz.
11. Pótlási lehetőségek ● Gyakorlati feladat: A projekt-feladat beadására az erre kijelölt pótlási időpontban (a szorgalmi időszakban vagy a pótlási héten) van lehetőség.
12. Konzultációs lehetőségek Igény esetén, előzetes egyeztetés alapján.
13. Jegyzet, tankönyv, felhasználható irodalom A tantárgy témaköreinek elmélyítését segítő szakirodalmak:
- Andrew Ng: Deep Learning Tutorial, Computer Science Department, Stanford University, 2016 - Online: http://ufldl.stanford.edu/tutorial/
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press. https://www.deeplearningbook.org/
- OpenAI: ChatGPT Documentation, 2023 - Online: https://platform.openai.com/docs/quickstart
- GitHub Copilot, 2023 - Online: https://docs.github.com/en/copilot
- Ouyang, Long, et al. "Training language models to follow instructions with human feedback." Advances in Neural Information Processing Systems 35 (2022): 27730-27744., https://arxiv.org/abs/2203.02155
14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
Kontakt óra28
Félévközi készülés órákra14
Felkészülés zárthelyire0
Házi feladat elkészítése18
Kijelölt írásos tananyag elsajátítása 
Vizsgafelkészülés 
Összesen60
15. A tantárgy tematikáját kidolgozta Név: Beosztás: Tanszék, Int.:
Dr. Varga Pál docens TMIT
Dr. Mihajlik Péter tudományos főmts. TMIT
Dr. Gyires-Tóth Bálint docens TMIT
Dr. Zainkó Csaba adjunktus TMIT
Gáspár Csaba egy.tanársegéd TMIT
Dr. Kiss Gábor tudományos mts. TMIT
Dr. Németh Géza egyetemi tanár TMIT