AI fogalomtár

A vállalati AI bevezetés fogalmai röviden, magyarul — a definíciók a gyakorlatból indulnak.

Alapfogalmak

LLM (nagy nyelvi modell): Nagy mennyiségű szövegen tanított AI modell, amely a kapott bemenet folytatásaként tokenről tokenre állít elő szöveget. A GPT, a Claude és a Gemini API-n keresztül érhető el, a nyílt forráskódú modellek (például Llama, Qwen, Mistral) saját infrastruktúrán is futtathatók. Vállalati környezetben dokumentumfeldolgozásra, ügyfélszolgálati válaszadásra és szöveggenerálásra használják.Token Kontextusablak Prompt Finomhangolás Generatív AI integráció
Token: A szöveg feldolgozási alapegysége a nyelvi modellben: a modell a bemenetet és a kimenetet is tokenekre bontva kezeli, egy token jellemzően egy szórészlet vagy rövid szó. Az API-alapú modellek díjazása tokenenként történik, ezért a tokenszám közvetlenül meghatározza a futtatási költséget. A kontextusablak mérete is tokenben van megadva.LLM (nagy nyelvi modell)Kontextusablak Embedding
Kontextusablak: Tokenben mért felső korlát arra, hogy a nyelvi modell egyszerre mennyi szöveget képes figyelembe venni — a bemenetet és a generált kimenetet együttvéve. Ami az ablakon kívül esik, azt a modell nem látja, ezért hosszú dokumentumoknál darabolásra vagy RAG-megközelítésre van szükség. A gyakorlatban ez határozza meg, mennyi dokumentum vagy előzmény adható át egyetlen kérésben.LLM (nagy nyelvi modell)Token RAG (retrieval-augmented generation)
Hallucináció: Az a jelenség, amikor a nyelvi modell magabiztosan fogalmaz meg valótlan vagy alá nem támasztott állítást. Többlépéses rendszerekben a hiba tovább is terjedhet: az egyik komponens hallucinációja a következő komponens bemenetévé válik. Éles üzemben kimenet-ellenőrzéssel, forrásokhoz kötött válaszadással (RAG) és emberi felügyelettel csökkentik a kockázatát.LLM (nagy nyelvi modell)RAG (retrieval-augmented generation)Guardrail Emberi felügyelet
Embedding: Szöveg vagy más adat számvektorrá alakított reprezentációja, amelyben a hasonló jelentésű tartalmak egymáshoz közeli vektorokat kapnak. Ez teszi lehetővé a jelentés szerinti keresést: a kérdéshez tartalmilag közel álló dokumentumrészek vektortávolság alapján kereshetők vissza. A RAG-rendszerek és a vektoradatbázisok erre épülnek.Vektoradatbázis RAG (retrieval-augmented generation)Token
Vektoradatbázis: Embeddingek tárolására és hasonlóság szerinti gyors visszakeresésére tervezett adatbázis. Egy kérdés embeddingjéhez a hozzá közel eső tárolt vektorokat adja vissza, így a releváns dokumentumrészek jelentés alapján találhatók meg. RAG-rendszerekben és vállalati tudásbázisoknál használják; ilyen például a ChromaDB.Embedding RAG (retrieval-augmented generation)LLM (nagy nyelvi modell)
RAG (retrieval-augmented generation): Architektúra, amelyben a nyelvi modell a válaszadás előtt a vállalat saját dokumentumaiból visszakeresett, releváns részleteket kap, és ezekre támaszkodva fogalmaz. A visszakeresés jellemzően embeddingekkel és vektoradatbázissal történik. A módszer a modell újratanítása nélkül köti a válaszokat a cég tudásbázisához, és mérsékli a hallucinációt.Vektoradatbázis Embedding Hallucináció Finomhangolás Belső AI tudásbázis
Finomhangolás: Előre betanított nyelvi modell további tanítása a vállalat saját adatain, hogy egy adott szakterületen vagy dokumentumformátumon pontosabban teljesítsen. Jellemzően nyílt forráskódú modelleken végzik, mert azok saját infrastruktúrán futtathatók és érdemben taníthatók tovább. Akkor indokolt, ha a feladat mély szakterületi tudást vagy vállalatspecifikus formátumok kezelését igényli.LLM (nagy nyelvi modell)Open-weight modell RAG (retrieval-augmented generation)AI dokumentumfeldolgozás
Prompt: A nyelvi modellnek átadott bemenet: utasítás, kérdés vagy feldolgozandó szöveg, amelyre a modell a kimenetét építi. A prompt megfogalmazása közvetlenül befolyásolja a kimenet minőségét és formáját. Üzleti alkalmazásokban a promptok általában sablonokból épülnek fel, amelyekbe a rendszer illeszti be az aktuális adatokat.Rendszerprompt Prompt engineering LLM (nagy nyelvi modell)
Prompt engineering: A promptok tervezésének és tesztelésének módszertana, amelynek célja, hogy a modell megbízhatóan a kívánt formátumú és tartalmú kimenetet adja. Eszközei közé tartozik az utasítások pontosítása, a megoldott példák megadása (few-shot) és a kimeneti formátum előírása. Éles rendszerekben a promptokat verziózzák és mérésekkel ellenőrzik.Prompt Few-shot promptolás Rendszerprompt
Few-shot promptolás: Promptolási technika, amelyben az utasítás mellé néhány megoldott példa is kerül a promptba, és a modell ezek mintáját követve dolgozza fel az új bemenetet. Finomhangolás nélkül javítja a kimenet konzisztenciáját, ezért gyakran megelőzi a modell továbbtanításának mérlegelését. Tipikus alkalmazása az osztályozás és az adatkinyerés kimeneti formátumának rögzítése.Prompt engineering Prompt Finomhangolás
Rendszerprompt: A nyelvi modellnek szánt állandó utasításkészlet, amely minden felhasználói kérés előtt érvényben van: rögzíti a szerepet, a hangnemet, a korlátokat és a kimeneti szabályokat. A felhasználói prompttól elkülönítve kezelik, és a felhasználó jellemzően nem látja. Éles rendszerekben a viselkedési szabályok érvényesítésének egyik eszköze, és szerepe van a prompt-injection elleni védekezésben is.Prompt Prompt injection Guardrail

Agentek és automatizálás

AI agent: LLM-re épülő szoftverkomponens, amely egy cél eléréséhez maga dönti el a következő lépést: eszközöket hív, adatokat olvas és ír, és a köztes eredmények alapján tervez tovább. Agent akkor indokolt, ha a feladat több lépésben igényel tervezést, adaptációt és mérlegelést. Kiszámítható munkafolyamatra egyszerűbb pipeline is elegendő, feltételes logikával és emberi ellenőrzési pontokkal.Agentic workflow Orchestráció LLM (nagy nyelvi modell)Human-in-the-loop AI agent fejlesztés
Agentic workflow: Több lépésből álló munkafolyamat, amelyet egy vagy több AI agent hajt végre, és amelyben a következő lépés a köztes eredményektől függ. A megbízható működéshez állapot-perzisztencia tartozik — checkpoint, amelytől a folyamat meghibásodás után folytatható —, továbbá kivételkezelés és a hibakaszkádokat elkapó ellenőrzések. Az agentek közötti átadás hibára hajlamos pont, ezért éles rendszerekben jellemzően típusos, validált állapot-séma kezeli.AI agent Orchestráció Kivételkezelés
MCP (Model Context Protocol): Nyílt protokoll, amely szabványosítja az AI modellek és a külső rendszerek — adatbázisok, dokumentumtárak, vállalati alkalmazások — közötti kapcsolatot. Egy adatforráshoz egyetlen MCP szerver készül, amelyhez bármely, a protokollt támogató modell csatlakozni tud; ez csökkenti az egyedi csatlakozók számát és a karbantartási terhet. Az MCP szerverek jogosultságainak beállítása ugyanolyan gondosságot igényel, mint az API gateway szabályoké.AI agent API-integráció Agentic workflow Generatív AI integráció
RPA: Szabályalapú feladatok automatizálása szoftverrobotokkal: a bot kattint, mezőket másol, adatot visz át rendszerek között, és minden futásnál ugyanazt az eredményt adja. Olyan lépésekre való, amelyekre pontos folyamatábra rajzolható; ahol a döntés a bemenettől függ — strukturálatlan szöveg, változó formátumok, mérlegelés —, ott AI dolgozik. A valós folyamatok többsége a kettő keveréke, ezért gyakori a hibrid rendszer.AI agent Kivételkezelés API-integráció Folyamatautomatizálás
Human-in-the-loop: Rendszerminta, amelyben az automatizált feldolgozás meghatározott pontokon emberi döntést kér: a bizonytalan eseteket a rendszer megjelöli, és a problémás részek kiemelésével kollégához irányítja. A magas konfidenciájú esetek automatikusan futnak végig, a kivételeknél a döntés emberé marad. Az EU AI Act a magas kockázatú rendszerekhez emberi felügyeletet rendel; a human-in-the-loop ellenőrzési pontok ennek egyik megvalósítási formája.Emberi felügyelet Kivételkezelés Guardrail AI dokumentumfeldolgozás
Orchestráció: Több agent vagy feldolgozási lépés összehangolása: melyik fut mikor, milyen állapot kerül átadásra közöttük, és mi történik részleges meghibásodásnál. Multi-agent rendszerekben elosztott rendszerproblémává válik: konkurens végrehajtás, timeout-kezelés és újrapróbálkozási logika tartozik hozzá. Keretrendszerek — például a LangGraph vagy a CrewAI — kezelik a végrehajtási gráfot és az agentek közötti átadásokat.AI agent Agentic workflow Monitorozás
Prompt injection: Támadási technika, amelynél a feldolgozott tartalom — e-mail, dokumentum, weboldal — olyan utasításokat tartalmaz, amelyeket a modell úgy hajt végre, mintha a felhasználótól vagy az üzemeltetőtől származnának. Eszközhozzáféréssel rendelkező agenteknél a kockázat nagyobb, mert az injektált utasítás adatokat olvashat ki vagy műveleteket indíthat. Védekezést az utasítások és a bemeneti adatok szétválasztása, a jogosultságok szűkítése és a guardrailek adnak.Guardrail Rendszerprompt Prompt AI agent
Guardrail: Az AI rendszer köré épített ellenőrzés, amely a bemeneteket és a kimeneteket meghatározott szabályok szerint szűri vagy korlátozza. Ide tartoznak a formátumra és értéktartományra vonatkozó ellenőrzések, a futásonkénti kemény korlátok — maximális iteráció, token és költség —, valamint a bizonytalan esetek emberi felülvizsgálathoz irányítása. A korlát elérésekor a rendszer leáll és eszkalál, mielőtt a hiba vagy a költség tovább halmozódna.Prompt injection Human-in-the-loop Monitorozás Hallucináció

Bevezetés és üzemeltetés

Proof of concept (PoC): Kis léptékű megvalósítás, amely azt ellenőrzi, hogy egy tervezett megoldás az adott adatokon és környezetben műszakilag működik-e. AI-bevezetésnél a proof of concept a kiválasztott use case-t korlátozott körben valósítja meg, és az eredményt méri. A teljes bevezetésről szóló döntést ez alapozza meg.Pilot ROI (megtérülés)
Pilot: A bevezetést megelőző szakasz, amelyben a rendszer valós adatokon, valós folyamatban, korlátozott körben működik. A pilot éles körülmények között méri az eredményt, például azt, hogy a feldolgozott tételek mekkora hányada fut át emberi beavatkozás nélkül. Az eredmény dönti el, hogy a megoldás teljes bevezetésre kerül-e.Proof of concept (PoC)ROI (megtérülés)Monitorozás
ROI (megtérülés): A megtérülés (return on investment) azt fejezi ki, hogyan viszonyul egy beruházás hozama a költségéhez. AI-projekteknél a számítás alapja jellemzően a kiváltott kézi munkaidő és a folyamat mennyiségi adatai, szemben a bevezetés és az üzemeltetés költségével. A megtérülési idő azt mutatja meg, mennyi idő alatt éri el a halmozott hozam a ráfordítást.Proof of concept (PoC)Pilot AI megtérülés-kalkulátor
On-premise: Telepítési modell, amelyben a rendszer a vállalat saját szerverein fut, publikus felhőszolgáltatás helyett. AI-rendszereknél jellemzően nyílt forráskódú, open-weight modellekkel párosul, így az adatok nem hagyják el a vállalati környezetet. Érzékeny adatokkal dolgozó folyamatoknál és szabályozott környezetben gyakori választás; rokon megoldás a privát felhő.Open-weight modell Multi-tenant
Open-weight modell: Olyan AI-modell, amelynek betanított súlyai nyilvánosan hozzáférhetők, így a modell a vállalat saját infrastruktúráján futtatható. On-premise vagy privát felhő telepítésnél ez teszi lehetővé, hogy az adatok a vállalati környezetben maradjanak. Az open-weight modell saját adatokon finomhangolható, és a futtatás nem függ külső szolgáltató API-jától.On-premise Finomhangolás LLM (nagy nyelvi modell)
API-integráció: Rendszerek programozott összekapcsolása a célrendszer által biztosított API-n keresztül. AI-bevezetésnél így kapcsolódik a modell a meglévő ERP-, CRM- és dokumentumkezelő rendszerekhez, csere és leállás nélkül. Ahol a célrendszer ad API-t, az integráció jellemzően ezen épül, RPA-bot helyett; a jogosultságok a meglévő rendszerben maradnak.RPA MCP (Model Context Protocol)Orchestráció Generatív AI integráció
GitOps: Üzemeltetési módszer, amelyben a platform és a rajta futó workloadok teljes konfigurációja verziókezelésben él, és minden változás onnan kerül ki a környezetekbe. Minden telepítés visszakövethető: látszik, ki mit változtatott és mikor. A visszaállás egy korábbi, működő állapot visszatöltése, kézi beavatkozás helyett.Blue-green kiadás Multi-tenant Monitorozás Vállalati AI platformok
Blue-green kiadás: Kiadási technika, amelyben az új verzió a régi mellett indul el, és csak akkor kapja meg a forgalmat, ha az ellenőrzéseken átment. A váltás leállás nélkül történik. Hiba esetén a visszaállás azonnali, mert a régi verzió végig fut.GitOps Monitorozás
Multi-tenant: Architektúra, amelyben több szervezeti egység vagy több workload fut ugyanazon a platformon, elkülönített hozzáféréssel és erőforrásokkal. Az elkülönítés a hozzáférésekre és az adatokra egyaránt vonatkozik. Új use case indításához így nem kell új infrastruktúrát építeni: a meglévő platformra kerül.GitOps Blue-green kiadás On-premise Vállalati AI platformok
Monitorozás: Az éles rendszer folyamatos megfigyelése: egy helyen látszik, mi fut, mennyibe kerül, és hol hibázik. AI-rendszereknél a monitorozás a kimenetek minőségét is követi; ha a pontosság egy küszöb alá esik, riasztás megy. A hozzá kapcsolódó naplózás az EU AI Act szerinti dokumentáció alapját is adja.Naplózás Emberi felügyelet GitOps

EU AI Act és megfelelés

EU AI Act: Az Európai Unió AI-rendelete, amely kockázat szerint sorolja be az AI-rendszereket, és a kötelezettségeket a kockázati kategóriához köti. Négy kategóriát használ: elfogadhatatlan, magas, korlátozott és minimális kockázat. A kötelezettségek szakaszosan válnak alkalmazandóvá, és a rendelet külön kötelezettségeket ad a rendszer szolgáltatójának (provider) és alkalmazójának (deployer). A gyakorlati felkészülés első lépése a kockázati besorolás, rendszerenként, írásos indoklással.Kockázati kategóriák Szolgáltató és alkalmazó (provider / deployer)Emberi felügyelet EU AI Act megfelelés
Kockázati kategóriák: Az EU AI Act négy kockázati kategóriája: elfogadhatatlan, magas, korlátozott és minimális kockázat. A kötelezettségek a kategóriából következnek. A cégeknél működő AI-alkalmazások nagy része — dokumentumfeldolgozás, ügyfélszolgálati asszisztens, belső tudásbázis — korlátozott vagy minimális kockázatú; magas kockázatú kategóriába jellemzően azok a rendszerek kerülnek, amelyek emberekről hoznak vagy készítenek elő döntést. A kockázati besorolást rendszerenként, írásos indoklással érdemes elvégezni, és a rendszer változásakor újra el kell végezni.EU AI Act Szolgáltató és alkalmazó (provider / deployer)Emberi felügyelet Naplózás EU AI Act megfelelés
Szolgáltató és alkalmazó (provider / deployer): Az EU AI Act két szerepe: a rendelet külön kötelezettségeket ad a rendszer szolgáltatójának (provider) és alkalmazójának (deployer). A kötelezettségek köre a szereptől is függ, ezért a szerepet a kockázati besorolással együtt érdemes tisztázni, írásban. Egyedi fejlesztésnél a két szerep el is térhet, és később a szerep dönti el, melyik dokumentáció kinek a feladata.EU AI Act Kockázati kategóriák
Adatvédelmi hatásvizsgálat (DPIA): A GDPR-ban előírt elemzés, amely az adatkezelés természetes személyek jogaira gyakorolt kockázatait méri fel. Személyes adatokat kezelő AI-rendszernél a DPIA az EU AI Act szerinti kockázati besorolás mellett, attól külön merül fel; a jogi értékelés a jogi tanácsadó feladata.EU AI Act Kockázati kategóriák Adatkinyerés
Naplózás: A rendszer döntéseinek visszakereshetővé tétele: rögzítve van, mi volt a bemenet, mi lett a kimenet, és ki hagyta jóvá. Az EU AI Act a magas kockázatú rendszerek kötelezettségei közé sorolja, a kockázatkezelés, az adatminőség, a műszaki dokumentáció és az emberi felügyelet mellett. A naplózást a rendszer részeként érdemes megépíteni; egy későbbi ellenőrzésnél a naplóbejegyzések kereshetők vissza.EU AI Act Emberi felügyelet Monitorozás Kockázati kategóriák
Emberi felügyelet: A folyamatba épített emberi ellenőrzési pontok: ki nézi meg a rendszer döntését, mit lát az ellenőrzést végző kolléga, és hol tud beavatkozni. Az EU AI Act a magas kockázatú rendszerek kötelezettségei közé sorolja, a kockázatkezelés, az adatminőség, a műszaki dokumentáció és a naplózás mellett. A gyakorlatban rendszertervezési kérdés: az ellenőrzési pontokat a rendszer részeként érdemes megépíteni, a naplózással együtt.EU AI Act Human-in-the-loop Naplózás Kivételkezelés

Dokumentumfeldolgozás

OCR (optikai karakterfelismerés): Az OCR a beszkennelt vagy fotózott dokumentumoldal képéből szöveget állít elő. Önmagában azt nem állapítja meg, hogy a leolvasott szövegben melyik érték a végösszeg vagy a számlaszám; a hagyományos rendszerekben ezt elrendezésenként rögzített sablonok mondják meg. Éles dokumentumfeldolgozó rendszerekben az OCR jellemzően előfeldolgozási lépés, a mezők kinyerését AI-alapú modell végzi. Digitális PDF-nél az OCR-lépés kimarad.AI-alapú dokumentumfeldolgozás (intelligens dokumentumfeldolgozás, IDP)Adatkinyerés Osztályozás (klasszifikáció)
AI-alapú dokumentumfeldolgozás (intelligens dokumentumfeldolgozás, IDP): Több lépésből álló feldolgozási lánc, amely a beérkező dokumentumokat elolvassa, típus szerint osztályozza, kinyeri belőlük az adatokat, és a megfelelő folyamathoz irányítja. A lánc jellemző lépései: OCR előfeldolgozás a szkennelt oldalakon, AI-alapú adatkinyerés, szabályalapú validáció, majd rögzítés a vállalatirányítási rendszerben. A bizonytalan eseteket a rendszer kivételkezelésre továbbítja, ahol a döntés emberi ellenőrzés mellett születik. Szerződések, megrendelések, űrlapok és a levelezésben érkező csatolt dokumentumok is ilyen láncban dolgozhatók fel.OCR (optikai karakterfelismerés)Adatkinyerés Osztályozás (klasszifikáció)Kivételkezelés AI dokumentumfeldolgozás
Adatkinyerés: Az a feldolgozási lépés, amelyben a rendszer a dokumentumból kiemeli a folyamat számára szükséges mezőket: tételsorokat, összegeket, pénznemeket, feleket, határidőket. A sablonalapú megoldás előre rögzített koordináták alapján olvas; az AI-alapú (LLM) kinyerés a dokumentum tartalmát értelmezi, így a korábban nem látott elrendezéseket is kezeli. Éles rendszerekben a kinyert adatokat szabályalapú validáció ellenőrzi, mielőtt továbbmennek a folyamatban.OCR (optikai karakterfelismerés)AI-alapú dokumentumfeldolgozás (intelligens dokumentumfeldolgozás, IDP)Kivételkezelés LLM (nagy nyelvi modell)AI-alapú számlafeldolgozás
Osztályozás (klasszifikáció): Dokumentumfeldolgozásban az a lépés, amelyben a rendszer megállapítja a beérkező dokumentum típusát — szerződés, megrendelés, munkalap, űrlap —, és ennek alapján a megfelelő folyamathoz vagy kollégához irányítja. Az e-mailből, ERP-ből és szkennelt PDF-ből érkező dokumentumok így ugyanabba a feldolgozási láncba kerülnek. A gépi tanulásban a klasszifikáció általánosabb fogalom: egy bemenetet előre meghatározott kategóriák valamelyikéhez rendel.AI-alapú dokumentumfeldolgozás (intelligens dokumentumfeldolgozás, IDP)Adatkinyerés OCR (optikai karakterfelismerés)
Kivételkezelés: Az automatizált dokumentumfeldolgozás azon lépése, amely a bizonytalan vagy eltérő eseteket emberi ellenőrzésre továbbítja. A rendszer a kinyert adatokat szabályokkal validálja, az eltéréseket megjelöli, és a problémás dokumentumot a kérdéses mezők kiemelésével adja át; a döntés az ellenőrzést végző kollégánál marad. A lépést az teszi szükségessé, hogy az AI-alapú kinyerés a sablonalapú rendszereknél ritkábban hibázik változó elrendezésen, de amikor téved, a rossz érték ránézésre nem különbözik a jótól.AI-alapú dokumentumfeldolgozás (intelligens dokumentumfeldolgozás, IDP)Adatkinyerés Human-in-the-loop Emberi felügyelet