2025

Sokat mérlegeltünk, hogy a 2025-ös év fejlesztési mérföldkövei közül mit emeljünk ki egy szakmai publikációban. Portfóliónk több mint 100 egyedi implementációval bővült; gyakorlatilag napi szinten integráltunk új feature-öket és képességeket a rendszereinkbe, így nehéz egyetlen konkrét megoldást nevesíteni. Bár számos modul a fejlesztői csapatunk szívéhez nőtt, egy technológiai irányvonal várhatóan kiemelkedő értéket képvisel a jövőben: nem konkrét termékfókuszban gondolkodunk, hanem az architekturális paradigmaváltásban. Ez az irány pedig az öntanuló, kezdetben félautonóm, majd teljes autonómiát célzó ágensek architektúrája, amelyek jelenleg magas szintű domain-specifikus szaktudást igénylő munkakörök támogatására hivatottak.

Minden AI-alapú rendszer egy backend infrastruktúrából és egy vagy több API-n keresztül integrált nagy nyelvi modellből (LLM) épül fel. A szoftveres háttér és az integrációs réteg általában standard mérnöki feladat, azonban az AI-válaszok megbízhatósága – a hallucinációk és a kontextusvesztés miatt – sok esetben kritikusnak bizonyul. A laikus értelmezés szerint az AI még nem érte el a szükséges érettségi szintet. Ez azonban tévedés.

Számos projektben vizsgáltuk, hogyan válthatók ki komplex, nagy szaktudást igénylő munkafolyamatok AI-ágensekkel. Világossá vált, hol alkalmazható egy determinisztikus, robusztus rendszer, és melyek azok az out-of-scope pontok, ahol az AI alkalmazása jelenleg nem biztonságos – de nem ez a fejlesztéseink végső célja. Ezt a szintet eddig is hozta egy megfelelően paraméterezett, szabályalapú ERP rendszer. Az AI-ban rejlő valódi potenciál a gyors prototipizálás és a skálázható eredmények lehetősége. Ennek ellenére a megoldások mégis gyakran elvéreznek a produkciós környezetben, hiába a ráfordított több tízmilliós R&D költség. Mi lehet a szűk keresztmetszet?

A válasz a komplexitása ellenére is egyszerű: az elsődlegesen kialakítandó komponens egy öntanuló modul legyen, amely egyfajta dinamikus kontextus-kezelő rétegként (pre-prompting/RAG pipeline) funkcionál a system prompt előtt. Az adat-ingestion során minél szélesebb körű forrásrendszerekre van szükség, azonban minden adatforrásnál elengedhetetlen egy egyszerű, humán szakértő által végzett annotáció vagy címkézés, amely meghatározza a betanítási (fine-tuning) vagy visszakeresési (RAG) korpusz elemeit. Az első fázisban ez valóban manuális folyamat; a fejlesztő feladata a jelölési UI egyszerűsítése és az automatizált adatfolyamok (pipelines) kiépítése a központi repository-ba. Ez preferáltan egy vektoradatbázis (vector store), bár a hibrid keresési megoldások is relevánsak. Ezt követően a particionált (chunkolt) adatbázist értelmezni kell, amelyre egy dedikált evaluator AI kerül bevezetésre. Itt kritikus a KPI-k (pl. precision, recall) meghatározása, és kezdetben minden iteráció után Human-in-the-Loop (HITL) kontroll szükséges a modell finomhangolásához. A következő ágens a kinyert tudásanyagból generál optimalizált promptot a „Szakértő AI” számára. Az iterációs ciklusok (inference loops) hosszáról nem szabad a tervezési fázisban mereven dönteni.

A fenti, absztrakt leírásból látható a rendszer több kritikus pontja. Az egyik ilyen a „synthetic data generation” vagy az „AI-assisted training”, ami a mögöttes szoftveres logikától függetlenül mindig kockázati tényező, és az AI Act szabályozásai szerint kezelendő, de ezen túlmutatva komoly etikai és szakmai kérdéseket is felvet. Tapasztalatunk szerint a teljesen zárt hurkú, felügyelet nélküli öntanuló rendszerek helyett a human-led supervised betanítás a célravezető.

Végezetül a 2025-ös év legfontosabb tanulsága: a megbízó cég szakértőinek (SME) aktívan részt kell venniük a fejlesztési ciklusban. Enélkül nem hozható létre produkciós szintű, valós szakmai hozzáadott értéket termelő AI rendszer. A korábbi, fejlesztő-centrikus, hosszú waterfall folyamatokat felváltja egy rövid infrastruktúra-kiépítési szakasz, majd a megbízói oldalról érkező tudástranszfer és annotációs munka válik a fejlesztés legértékesebb elemévé. Ebben a felállásban a szoftverfejlesztő cég csak a keretrendszert biztosítja és az iterációkat támogatja.

Véleményünk szerint kizárólag ezzel a metodológiával valósítható meg olyan AI-megoldás, amely paritásban van egy szakspecialista (ügyvéd, könyvelő vagy mérnök) kompetenciájával. A siker nem az alaparchitektúrán, hanem a specifikus adatminőségen és a tanítási folyamaton múlik. Noha az AGI még várat magára, az emberi szaktudást emuláló, vertikális AI megoldások már ma is implementálhatók.