Magyar nyelvű AI utasítás-tervezés (prompt engineering)

Kapcsolódó szolgáltatás AI fejlesztés

MEGHATÁROZÁS

AI-modellek (ChatGPT, Claude, Gemini, Mistral) magyar nyelvű utasítása nem ugyanaz, mint angolul. Magyar nyelvi sajátosságok befolyásolják a kimenetet: hosszabb mondatok, több szuffix, magyar szakszavak, helyi kontextus. Magyar AI-rendszerek építésénél: az utasításokat magyarul kell tesztelni magyar tesztkészleten. Tipikus hibák: a modell magyar válasz helyett angolt ad ha nincs jelölve, magyar idézőjelek (»...«, „...”) keverednek, magyar adat-formátumok (dátum, telefonszám) néha hibásak. Külön tesztkészlet 50-200 magyar kérdés-válasszal kötelező — ezt 200-500 ezer Ft-ért építjük meg az ügyfélnek.

KAPCSOLÓDÓ FOGALMAK06

RAG (Retrieval-Augmented Generation)→
Olyan AI-architektúra, ahol a modell minden válasz előtt lekér releváns dokumentumokat a saját adattáradból, és csak a kontextusra támaszkodva válaszol. 80%-ban kivédi a hallucinációt.
LLM (Nagy nyelvi modell)→
Milliárdos paraméterszámú neurális modell (GPT-4, Claude, Mistral), ami szöveget generál. Produkcióban ritkán használjuk csupaszon · mindig retrieval és guardrails rétegbe csomagolva.
Embedding→
Szöveg vektoros reprezentációja (pl. 1536 dimenziós float). Ha két szöveg embeddingje közel van, jelentésük is közel van. RAG-ben ez alapján választjuk ki a releváns chunkokat.
Vector adatbázis→
Adatbázis, ami embedding-vektorok gyors közelséges keresésére specializálódott (pgvector, Qdrant, Weaviate). A RAG retrieval-rétegének mérnöki alapja.
Eval (LLM-kiértékelés)→
Automatizált tesztkészlet, ami minden release előtt lefuttat ~50–200 arany (golden) kérdést a modellen, és megnézi hogy a válasz minőségmetrikái (pontosság, faktualitás, latency) átmentek-e a küszöbön.
Guardrail→
Input- vagy output-réteg, ami szűri a modell kérdést/válaszát (PII-scrubber, prompt-injection-detektor, JSON-schema validáció, tiltott témák). Nem kerül a modell-hívás elé/után, hanem azok körül.

EMLÍTÉSEK A BLOGON08