AI az alapoktól
Teljes kurzus a mesterséges intelligenciáról, a matematikától az LLM-ekig, az ügynökökig és az MCP-ig. Harminc fejezet, mindegyik önmagában is megéri az olvasást.
A perceptron nulláról: mit számol egy neuron
A neuron egy súlyozott összeg és egy küszöb. Ennyi az egész ötlet — és a korlátai kényszerítették ki mindazt, ami utána jött.
Honnan ered egy veszteségfüggvény: likelihood, nem konvenció
A négyzetes hiba nem konvenció. Állítás a zajról, és láthatod, amikor téved.
Lejtmenet: gradient descent, és a két lépés, amit mindenki kihagy
Mindenki leírja a mínuszjelet. Szinte senki nem mondja el, miért van ott, vagy mekkora lépést bír ki.
Osztályozás, keresztentrópia, és hogyan ne csapd be magad
A pontosság a legkönnyebben jelenthető szám — és a legkönnyebb vele becsapni magad.
Backpropagation nulláról: előbb a motor, aztán a hálózat
A backpropagation nem neurális hálózati algoritmus. A láncszabály, gráfra alkalmazva, a hatékony irányban.
Elérni, hogy tanuljon — és hogy általánosítson
A gradient helyes, a hálózat mégsem tanul. Ez a fejezet erről a különbségről szól.
Építs BPE tokenizert: miért nem tudja a model megszámolni az r-eket?
A model sosem betűket lát. Minden furcsaság, ahogy betűz, számol és behúz, ebből következik.
Következő token előrejelzése: embeddingek és mit jelent a perplexitás
Egy célfüggvény, címkék nélkül, és egy vektortábla, amelyet senki sem tervezett.
Attention és a transformer blokk: levezetés egy átlagból
Az attention nem egy képlet, amit el kell fogadni: akkor kapod meg, amikor a múlt egységes átlagolása helyett a modell választ súlyokat.
Egy LLM pretrainingje: adatok, compute, scaling laws és költség
A fennmaradó döntések már nem programozási döntések. Vásárlások.
Az alapmodelltől az asszisztensig: SFT, RLHF, DPO és GRPO
Egy pretrained modell nem válaszol kérdésekre. Szöveget folytat — a különbség egy második training szakaszban rejlik.
Chain of Thought, RLVR és test-time compute mérve
A model nem gondolkodik. Több token költ el a válasz előtt — ez mérhető és számlázható.
Olcsóbb inferencia: KV cache, batching és kvantálás
A generálás nem egyetlen probléma: egy compute-bound első token után több ezer memory-bound token jön. Erre épül szinte minden serving trükk.
Az első production LLM-hívásod: streaming, retryk, timeoutok
A model most már egy port mögött van. Innentől szinte semmi, ami elromlik, nem matematika.
Prompt engineering, mérve: mi változtatja meg a kimenetet
A promptot mérni kell, nem vitatni. Négy változat húsz eseten semmit sem különböztet meg.
A context window, a token és a számla mérve
A window nem memória. Minden hívásnál nulláról töltődik újra, és ezért az újratöltésért fizetsz.
Temperature, top-p és a determinizmus, ami nincs a kezedben
A temperature nem tesz kreatívabbá egy modellt. Megemeli azoknak a token értékeknek a valószínűségét, amelyeket a modell maga sorolt legalulra — és ez látható is.
Tool calling és structured outputs: a szerződés, ami kitart
A modell soha nem hajt végre semmit. Kér, az általad definiált formában, és csak ezt a formát tudod kontrollálni.
RAG élesben: chunking, retrieval és őszinte hivatkozások
A rossz chunking már a keresés előtt megsemmisíti a választ, és ezt semmilyen reranker nem hozza vissza.
Fine-tuning, visszakeresés vagy prompt? A döntés gazdasági
Senki sem a modellről kérdezi ezt. A költségkeretről kérdezi.
Multimodális árazás: mit számláznak valójában a képek, a hang és a videó
Egy fotó nem egy fotóba kerül. tokenekbe kerül, egy olyan képlet szerint, amelyet nem te választottál.
Mi az AI agent: öt klasszikus típus, két rivális definíció
Egy eszköz a katalógusban egy hívásból kettőt, 39 input tokenből 420-at csinált. Hogy ettől agent lett-e, attól függ, melyik definíciót nyitod meg.
Agent harness építése: a loop és öt kiútja
A loop tizenöt sor. Ami élesben használhatóvá teszi, mind egy-egy mód arra, hogy kilépj belőle.
Context engineering: miért butul el az agented a 40. körre
Az ablak nem telt be. A tény csak elmozdult, és az agent többé nem találta meg.
Multi-agent orchestráció: öt minta, és mikor győz az egyik
Négy felépítés, egy feladat, egy számla. A legolcsóbb tévedett, a legdrágább pedig nem tudta ellenőrizni a saját workerjeit.
MCP a specifikáció tükrében: mi is valójában egy szerver
Nem varázslat: egy transport, egy üzenetformátum és három primitív — kézzel is begépelheted.
MCP server szállítása: TypeScript és Python, mérve
Két SDK, egy wire. Az igazán érdekes különbségek azok, amelyeket a protocol nem lát.
Agent Skills és SKILL.md: progresszív feltárás, mérve
A skill egy mappa, benne egy Markdown fájllal. Minden érdekes abból következik, hogy a fájl melyik része mikor kerül olvasásra.
LLM-értékelés: nyilvános benchmarkoktól a saját golden setig
Egy szám intervallum nélkül csak anekdota tizedesekkel.
Prompt injection és a halálos trifekta: egy valódi agent biztonságossá tétele
A model nem tudja megkülönböztetni a te utasításodat egy idegenétől. Minden működő megoldás ennek elfogadására épül.