LLM és GenAI fejlesztés
LLM-alapú rendszerek, prompt engineering, fine-tuning, generatív AI alkalmazások, valamint kísérletezés AI agentekkel és agent keretrendszerekkel.
Szoftverfejlesztő - AI és Backend
Tóth Dorina Ildikó
AI és software engineering metszetében dolgozom. Az érdekel, hogyan lehet az AI-technológiákat nemcsak használni, hanem megérteni és megbízható, valódi problémákat megoldó szoftverrendszerekbe integrálni.
Fókuszterületek
LLM-ekkel, RAG rendszerekkel, embeddingekkel, prompt engineeringgel, fine-tuninggal, dokumentumfeldolgozással és Python-alapú AI alkalmazásokkal foglalkozom, miközben a machine learning és deep learning alapjainak mélyebb megértésére is törekszem.
RAG és embeddingek
Retrieval-augmented rendszerek, embeddingek, chunkolás és vektorkeresés PostgreSQL és pgvector segítségével.
Dokumentumfeldolgozás
OCR Tesseracttel, AI vision, dokumentumtisztítás és tartalomkinyerés, AI-alapú szövegfeldolgozás.
NLP, ML és deep learning
Természetes nyelvfeldolgozás, neurális hálózatok, computer vision, modellek betanítása és a mögöttes matematikai alapok.
Backend és API-k
Python és Django backend, API-alapú szolgáltatások, SQL és PostgreSQL, konténerizáció Dockerrel.
Optimalizálás és rendszertervezés
Korlátkielégítés és SAT-alapú optimalizálás, lineáris és logikai korlátok, szoftverarchitektúra.
Kiemelt projektek
Összes projektMesterséges intelligencia a webalkalmazásokban
Django webalkalmazás, amely kisebb, ingyenesen elérhető nyelvi modellekkel, minimális hardverigény mellett támogatja a projektadminisztrációt dokumentációk és specifikációk generálásával.
- Python
- Django
- SQLite
- Hugging Face Transformers
- Prompt engineering
- Docker
- Cypress
- Bootstrap
YAML LaTeX CV Generator
Egy YAML tartalmi forrásból angol és magyar CV-t és motivációs levelet generál Jinja2 sablonokkal és LaTeX-osztállyal, jelentkezésenkénti felülírással és reprodukálható PDF-builddel.
- Python
- Jinja2
- LaTeX
- YAML
- pytest
- Git
Static Multisite Generator
Python- és Jinja2-alapú generátor, amely egy forrásból több statikus weboldalt épít osztott Apache-tárhelyre, képoptimalizálással, generált SEO-fájlokkal és feltöltésbarát változáslistával.
- Python
- Jinja2
- Pillow
- Bootstrap
- HTML5
- CSS3
- Apache HTTP Server
- pytest
Portfólió weboldal
Statikus Astro-oldal angolul és magyarul, amely a projekteket, a technológiai jegyzeteket és a kutatásokat kapcsolataikkal együtt mutatja be, kliensoldali kereséssel és kapcsolatgráffal, szerver és harmadik feles szolgáltatás nélkül.
- Astro
- TypeScript
- Tailwind CSS
- JavaScript
- HTML5
- CSS3
- GitHub Actions
- Git
Rólam
Az AI iránti érdeklődésem az egyetemi éveim alatt kezdődött, amikor az első olyan LLM-ekkel és chatbotokkal kezdtem kísérletezni, amelyek már természetes nyelven is képesek voltak kommunikálni és programozási feladatokban segítséget nyújtani. Ez kezdetben főként az NLP és a generatív AI gyakorlati felhasználása felé terelt, később azonban egyre mélyebben kezdett érdekelni az is, mi történik a technológia mögött. Pythonban gépi tanulási és képfeldolgozási projekteken keresztül foglalkoztam modellek betanításával, neurális hálózatokkal és Computer Vision feladatokkal, majd ezek mellett a machine learning, deep learning, algoritmusok és a kapcsolódó matematikai alapok működését is elkezdtem tanulmányozni. A szakdolgozatomban már nyelvi modellek gyakorlati alkalmazását és promptolási technikákat vizsgáltam.
Jelenleg AI fejlesztőként dolgozom, ahol az LLM-ek, RAG rendszerek, embeddingek, prompt engineering, fine-tuning, dokumentumfeldolgozás, OCR, AI-alapú szövegfeldolgozás és Python-alapú rendszerek fejlesztése mellett a klasszikus software engineering és optimalizálási problémák is részei a munkámnak. Különösen érdekel, hogyan lehet az AI-képességeket megbízható és jól tervezett szoftverrendszerekbe integrálni, ezért a technológiákat nem csak használni, hanem a mögöttük álló működést is megérteni szeretném. A következő években olyan AI Engineer / Software Engineer irányba szeretnék fejlődni, ahol önállóan tudok komplex AI-alapú rendszereket megtervezni és megvalósítani, miközben a kutatási és kísérleti megközelítést is megtartom.
A fejlesztésben számomra az egyik legfontosabb szempont, hogy az AI ne helyettesítse a mérnöki gondolkodást, hanem annak eszköze legyen. Az LLM-eket és a vibe coding jellegű eszközöket is elsősorban gyorsabb prototípus-készítésre, tanulásra, kísérletezésre és a fejlesztési folyamat támogatására használom, miközben fontosnak tartom a kód, az architektúra és az alkalmazott technológiák tényleges megértését. Szeretek egy problémát több oldalról megvizsgálni, kísérletezni különböző megoldásokkal, majd a működő eredményt valódi szoftverrendszerré alakítani.
Soft skillek
- Problémamegoldás
- Analitikus gondolkodás
- Csapatmunka
- Kommunikáció
- Vezetői készség
- Prezentáció
- Felelősségvállalás
- Alkalmazkodás
- Gyors tanulás
Szakmai tapasztalat
2025 - jelenleg
Szoftverfejlesztő
Eszterházy Károly Katolikus Egyetem, Informatikai Fejlesztési Osztály
AI-t alkalmazó, Python-alapú rendszerek tervezése, fejlesztése és integrálása, modellek betanítása és optimalizálása. Technológiai területek: LLM-ek, RAG és embeddingek, prompt engineering, fine-tuning, dokumentumfeldolgozás és OCR (Tesseract, AI vision), AI-alapú szövegfeldolgozás, valamint korlátalapú optimalizálás (SAT-solver, lineáris és logikai korlátok). Agent keretrendszerekkel kísérletezem. Technológiák: Python, PostgreSQL, Django.
2023 - 2024
Oktatási asszisztens demonstrátor
Eszterházy Károly Katolikus Egyetem
Három gyakorlat támogatása. Magasszintű programozási nyelvek I.: eljárásorientált programozás C# nyelven (típusok, változók, operátorok, szelekció és iteráció, tömbök, listák, könyvtárak és rekordok, szöveges állományok kezelése, pszeudovéletlen számok, metódusok). Magasszintű programozási nyelvek II.: objektumorientált programozás C# nyelven (osztályok, konstruktorok, öröklődés, absztrakt osztályok, interfészek, LINQ, delegate-ek és lambda kifejezések, kivételkezelés, generikus programozás, grafikus felületek) és önálló projektek tervezése és implementálása. Alkalmazások fejlesztése és projekt labor I.: agilis és klasszikus projektvezetési módszerek (Scrum, Kanban), Git-alapú verziókezelés és feladatkövetés, követelmény- és funkcionális specifikációk, rendszertervek, UML diagramok, prototípuskészítés, tesztelés, dokumentáció és szoftverminőség-biztosítás. Technológiák: .NET, C#, Git, GitHub, UML, Trello, Markdown.
2022 - 2025
Webfejlesztő és karbantartó
Kepes György Szakkollégium; egyéni megrendelő (2022 - 2024)
Weboldalak fejlesztése, karbantartása és dizájnja HTML, CSS és JavaScript segítségével, beleértve a tartalomfrissítést és a technikai működés biztosítását. A szakkollégiumban emellett a külső kommunikációs munkacsoport vezetője, gazdasági felelős és titkár.
Tanulmányok
2022 - 2025
Programtervező informatikus BSc
Eszterházy Károly Katolikus Egyetem
2018 - 2022
Számítógépes rendszerkarbantartó
Váci SZC Petőfi Sándor Műszaki Technikum
Stack
A használt technológiák és területek típus szerint csoportosítva.
Nyelvek
- Python
- Java
- C#
- TypeScript
- JavaScript
- SQL
- PHP
Keretrendszerek és könyvtárak
- Django
- Spring Boot
- .NET
- Laravel
- React
- Astro
- Tailwind CSS
- Bootstrap
- Jinja2
- Pillow
- HTML5
- CSS3
Adatbázisok
- PostgreSQL
- MySQL
- SQLite
- MongoDB
DevOps és eszközök
- Docker
- GitHub Actions
- Git
- GitHub
- Bash
- Linux
- Cypress
- PlantUML
- Trello
- Markdown
- LaTeX
- YAML
- pytest
- Apache HTTP Server
AI és ML
- Hugging Face Transformers
- Ollama
- PyTorch
- LangGraph
- pgvector
- Tesseract OCR
- OpenAI API
- Anthropic API
Koncepciók
- LLM and GenAI
- RAG
- Embeddings
- Prompt engineering
- Fine-tuning
- NLP
- Deep learning
- Computer vision
- AI agentek
- Korlátkielégítés (SAT)
- REST API-k
- Rendszertervezés
Hogyan dolgozom
Minden projekt ugyanazokon a szakaszokon megy át az első ötlettől a közzétett eredményig. Egy készenléti ellenőrzés dönti el, mikor áll készen egy ötlet a megvalósításra, a kutatás pedig konkrét projektigényekhez kötött. A Módszer oldal elmagyarázza a szakaszokat, valamint azt, hogyan kapcsolódnak egymáshoz a nyelvek, technológiák és projektek.
- 01
Ötlet
- 02
Tervezés
- 03
Kutatás
- 04
Architektúra
- 05
Megvalósítási terv
- 06
Készenléti ellenőrzés
Döntési pont - 07
Megvalósítás
- 08
Eredmény
- 09
Közzététel
Tanúsítványok
Elvégzett kurzusok és tanúsítványok.
AWS Training and Certification · Kiállítva: 2026. szeptember 24.
AWS Foundations: Machine Learning Basics
Áttekintés a gépi tanulás fogalmairól, terminológiájáról és folyamatairól: mi a gépi tanulás, hogyan old meg üzleti problémákat, mikor érdemes modellt használni, és milyen fázisokból áll az ML pipeline.
- Gépi tanulás
- Az ML algoritmusok három kategóriája
- Deep learning
- Az ML pipeline fázisai
AWS Training and Certification · Kiállítva: 2026. szeptember 24.
Fundamentals of Machine Learning and Artificial Intelligence
A gépi tanulás és a mesterséges intelligencia alapjai, valamint az AI, ML, deep learning és generatív AI kapcsolata. Témák: tanítóadatok típusai, tanulási paradigmák, neurális hálózatok, a foundation modellek életciklusa és az AI-t használó AWS szolgáltatások.
- AI, ML, deep learning és generatív AI
- Felügyelt, felügyelet nélküli és megerősítéses tanulás
- Neurális hálózatok
- Foundation modellek: LLM, diffúziós és multimodális modellek
- AWS AI szolgáltatások (Amazon Bedrock, Comprehend, Polly)
AWS Training and Certification · Kiállítva: 2026. október 4.
Fundamentals of Generative AI
Bevezetés a gépi tanulásba és a generatív AI-ba (beleértve az NLP-t), valamint az AWS AI/ML szolgáltatásaiba, például az Amazon SageMakerbe és az Amazon Bedrockba. Témák: adatelőkészítés, modelltanítás, telepítés és monitorozás, valamint a konkrét felhasználási esethez megfelelő AI/ML megoldás kiválasztása.
- AI és ML alapok
- Generatív AI és NLP
- Amazon SageMaker és Amazon Bedrock
- Adatelőkészítés, modelltanítás, telepítés és monitorozás
- AI/ML megoldás kiválasztása konkrét felhasználási esetre