Új Bevezetés a Spring AI használatába

A mesterséges intelligencia integrálása a modern alkalmazásokba egyre fontosabbá válik, és a Spring AI erre kínál hatékony és könnyen használható megoldásokat. A Spring ökoszisztémába illeszkedő Spring AI modul lehetővé teszi, hogy különféle AI-szolgáltatókat – mint például az OpenAI, Perplexity, Ollama vagy Groq – egyszerűen, deklaratív módon használjunk fel Java alapú alkalmazásokban. Legyen szó szöveggenerálásról, képelemzésről vagy nyelvi modellek alkalmazásáról, a Spring AI biztosítja a megszokott Spring-es élményt, így a fejlesztők gyorsan és hatékonyan építhetnek intelligens megoldásokat.

Ez a képzés célja, hogy gyakorlati példákon keresztül mutassa be a Spring AI alapvető képességeit, felépítését és használatát. Megismerkedünk az AI-szolgáltatók integrálásával, prompt kezelésével, valamint a streaming válaszok feldolgozásával is. A képzés során végig Spring Boot alapú alkalmazásokon dolgozunk, így a résztvevők már meglévő tudásukra építve sajátíthatják el az AI-megoldások hatékony beépítését a vállalati környezetbe is.

• Bevezetés az AI alkalmazások világába
  • Mesterséges intelligencia használata a vállalati alkalmazásokban
  • Használati esetek
  • LLM-ek és generatív AI szerepe
  • AI API-k és szolgáltatók rövid áttekintése
  • Modellek
  • Prompt, prompt enginieering
  • Zero-shot és few-shot prompting
  • Tokenizálás, tokenhasználat, context window
• Spring AI alapok
  • A Spring AI célja és helye a Spring ökoszisztémában
  • Támogatott szolgáltatók (OpenAI, Azure OpenAI, Hugging Face, stb.)
  • Konfiguráció Spring Boot-ban
  • API kulcsok kezelése biztonságosan
• Szöveggenerálás gyakorlata
  • Promptok kezelése Java-ból
  • System / user / assistant promptok megkülönböztetése
  • Prompt legjobb gyakorlatok
  • PromptTemplate használata változókkal, Template DSL (változók, elágazások és ciklusok)
  • Chat Conversation Memory
  • Streamelt válasz kezelése Spring WebFlux-szal, Server-Sent Events UI
  • Advisor
  • Moderation
  • Scope
• Struktúrált kimenet
  • Structured output
  • JSON, JSON Schema
  • Response metadata
• Real-time adatok használata
  • Tool Calling
  • Tool Specification
  • Tool Execution
• RAG
  • Dokumentum betöltés, ETL (DocumentReader, DocumentTransformer, DocumentWriter)
  • Chunk stratégiák
  • Különböző formátumok kezelése (JSON, text, HTML, Markdown, PDF)
  • Embedding
  • Vektor adatbázisok
  • Similarity search, relevancia rangsorolás
  • Lekérdezés
  • Metadata filter
• Text to Image
  • Képgenerálás
• Hang kezelése
  • Audio Transcription
  • Text to Speech
• Tesztelés és best practice-ek
  • Prompt tesztelés és validálás
  • AI válaszok determinisztikussá tétele (temperature, top-p)
  • Hatékonyság, költség és naplózás kezelése
  • Optimalizálás
  • Observability
  • Hibakezelés és fallback stratégiák

Alapszintű Java programozási ismeretek.