Az AI prototípus sosem hagyja el a demó állapotát: nincs mérés, nincs élesítés.
A modell úgy megy élesbe, hogy senki nem tudja, mennyibe kerül és mennyire pontos.
Prezentációk és belső vélemények döntenek ott, ahol a mérésnek kellene.
AI szoftverfejlesztés · AI prototípus · AI integráció
Egyedi AI szoftverfejlesztés az ötlettől az éles rendszerig.
AI-termékeket és összetett AI-funkciókat validálunk, prototípussal bizonyítunk, majd skálázható, éles rendszerré építünk -- új terméktől a meglévő vállalati rendszer AI-integrációjáig. Alapítók, cégvezetők és mérnöki vezetők keresnek meg minket, amikor a demó és az éles rendszer között nem lehet tippelni.
- AI szoftverfejlesztés
- AI validáció és prototípus
- AI integráció meglévő rendszerekbe
- Gépi tanulás éles környezetben
Első eredmény
1-2 hétEnnyi idő alatt kiderül, megáll-e az AI-koncepció: adat, modell, költség és kockázat egy döntéshez elegendő mélységben.
Irány
4 lépésAI validáció → AI prototípus → AI rendszerterv → éles AI rendszer. Pontosan ebben a sorrendben, kihagyások nélkül.
Kapcsolat
Alapítói kézbenKenyeres László viszi a projektet. Nincs account manager, nincs átadás-átvétel. Közvetlen a munka.
# diagnózis
A legtöbb AI-projekt nem a modellen bukik el, hanem azon, hogy demó marad.
A kockázat nem a modellválasztásban van, hanem abban, hogy hónapok telnek el, mire kiderül, megáll-e a rendszer éles méretben. Itt egy rövid diagnózis arról, hogy mi szokott félremenni -- és mit lehet ellene tenni.
Nem a modellel van a baj. Hanem azzal, hogy sosem derül ki időben, megáll-e éles méretben.
- Működő AI demó készül, de nincs mögötte kiértékelés és mérés.
- Az architektúra és a költségmodell csak az élesítés előtt tisztázódik -- ha egyáltalán.
- Az AI-funkciók külön szigetként készülnek el, nem kapcsolódnak a meglévő rendszerhez.
- A K+F fázis nem jut el az üzemeltethető, éles rendszerig.
Mit építünk?
AI rendszereket építünk, nem AI feature-öket.
A legtöbb AI fejlesztési projekt nem a modellen bukik el, hanem azon, hogy demó marad. Ezeket a rendszertípusokat építjük meg és visszük éles üzembe.
LLM- és RAG-rendszerek
Vállalati tudásbázisra kötött LLM-rendszerek: retrieval, válaszgenerálás, hivatkozáskezelés és költségkontroll. Nem egy chat-doboz a dokumentumok fölött, hanem mérhető pontosságú rendszer.
AI agentek és folyamatautomatizálás
Olyan ügynökök, amelyek eszközöket hívnak, döntéseket hoznak és használható eredményt adnak vissza — naplózva, korlátok közé szorítva, emberi jóváhagyási pontokkal.
Intelligens dokumentumfeldolgozás
Számlák, szerződések és űrlapok feldolgozása: kinyerés, osztályozás, validáció és továbbítás a meglévő üzleti folyamatba.
ML-alapú döntési rendszerek
Saját modellek ott, ahol a döntésnek mérhetőnek és visszaigazolhatónak kell lennie: kalibráció, küszöbérték-választás, hibaanalízis és fail-closed viselkedés.
Prediktív és ajánló rendszerek
Előrejelzés, rangsorolás és személyre szabás a saját adatain: offline kiértékelés, majd fokozatos élesítés mérhető visszacsatolással.
AI biztonság és megbízhatóság
Prompt-injection, adatszivárgás és modellmanipuláció elleni védelem, naplózás és auditálható döntési lánc. Ez nem utólagos plusz, hanem tervezési követelmény.
AI integráció meglévő rendszerekbe
ERP, CRM és belső API-k összekötése AI-képességekkel úgy, hogy a meglévő folyamatok ne törjenek el, és a rendszer üzemeltethető maradjon.
AI szolgáltatások
AI szoftverfejlesztés, amely nem áll meg a prototípusnál.
Minden szolgáltatás konkrét átadott értékkel, időtartammal és egyértelmű kerettel rendelkezik. Válassza ki, hol érdemes belépni: validáció, prototípus, rendszerterv vagy a teljes élesítés.
AI megvalósíthatósági sprint
Kiderül, hogy az AI-koncepció technikailag és üzletileg megáll-e: adat, modell, költség és kockázat egy döntéshez elegendő mélységben.
- Lehetőség- és megvalósíthatósági vizsgálat
- Vezetői ajánlás és döntési szempontok
AI prototípus sprint (Proof of Concept)
Elkészül a működő AI prototípus, amit a felhasználók és a döntéshozók is kipróbálhatnak. A mérés és a valódi felhasználók mondják ki a verdiktet, nem a prezentáció.
- Működő AI prototípus valódi adatokon
- Mérhető kiértékelés: pontosság, költség, válaszidő
AI rendszerarchitektúra
A bevált koncepcióból műszaki terv készül: modellválasztás, adatfolyam, integrációs pontok és üzemeltetés -- hogy az éles rendszer ne csússzon el.
- Architektúra, interfészek és kompromisszumok felmérése
- Megvalósítási útvonal ütemezéssel és költségkerettel
AI szoftverfejlesztés és integráció
A jóváhagyott tervből éles, üzemeltethető AI rendszer lesz. Kenyeres László viszi a folyamatot a kódtól az élesítésig és a meglévő rendszerekhez illesztésig.
- Élesben is megálló AI szoftverfejlesztés
- Integráció ERP/CRM és belső API-k felé
- Üzemeltetés, monitoring és átadás
Folyamatos AI stratégiai támogatás
Állandó szakmai jelenlét a kulcsfontosságú AI-döntéseknél, mintha egy saját, tapasztalt CTO-ja lenne a csapatban.
- Modell- és beszállítói döntések véleményezése
- AI-roadmap és kutatási összefoglalók
Módszertan
Validáció, AI prototípus, rendszerterv, éles AI rendszer.
A sorrend nem stílus kérdése: így derül ki időben, hogy egy AI-koncepció megáll-e éles méretben. Gyors bizonyítás, szigorú dokumentáció és követhető döntések minden szakaszban.
01
AI validáció
Kiderül, mibe érdemes fektetni.
Lehetőségek feltérképezése, adat- és modellmegvalósíthatóság tesztelése, kockázatok feltárása -- még az első sor éles kód megírása előtt.
Piaci körkép + Megvalósíthatósági térkép + Döntési ajánlás1-2 hét
- Adat-, modell- és költségmegvalósíthatóság
- Döntéstámogató vezetői összefoglaló
02
AI prototípus
Kézzelfogható bizonyíték.
Elkészül a minimális, működő AI rendszer valódi adatokon, amit a felhasználók kipróbálhatnak -- a mérés mutatja meg, mi működik a gyakorlatban és mennyibe kerül.
Működő AI prototípus + Kiértékelési eredmények1-3 hét
- Proof of Concept valódi adatokon
- Prezentáció helyett mérhető bizonyíték
03
AI rendszerterv
Skálázható alapok találgatás nélkül.
Elkészül a végleges architektúra: modell- és adatdöntések, integrációs pontok, üzemeltetési terv és költségmodell.
Architektúravázlat + Technológiai útiterv + Ütemezés4-8 hét
- Modell-, adat- és integrációs döntések dokumentálva
- Erőforrás-, költség- és ütemterv az élesítéshez
04
Éles AI rendszer
Éles, üzemeltethető AI rendszer.
A bevált tervből elkészül az éles rendszer, illeszkedik a meglévő környezetéhez, és monitoringgal, dokumentációval kerül átadásra.
Éles rendszer + Infrastruktúra + Dokumentációprojektfüggő
- Éles AI szoftverfejlesztés az ötlettől az üzemig
- Integráció a meglévő rendszerekhez
- Monitoring, kiértékelés és átadás
Technikai AI kompetencia
Saját ML rendszereket építünk, nem csak API-kat hívunk.
A gépi tanulás itt nem demó: az alábbi válogatott megoldások a notabot AI-alapú botdetektáló rendszerünkből származnak — saját ONNX inference, kalibráció, döntési és biztonsági rétegek. A teljes technikai áttekintés a kapcsolódó esettanulmányban olvasható.
1
Native ONNX Inference Pool
Mi az
Korlátozott méretű párhuzamos futtatómedence a BEAM virtuális gépen: egyszerre 10 inference fut, a többi kérés sorban várakozik, a telemetria pedig méri a várakozási időt és a sor mélységét.
Miért jó
Egy ONNX modell futtatása blokkolhatja a BEAM szálat. A pool szavatolja a kiszolgálhatóságot úgy, hogy a modell a saját infrastruktúrán fut — nem külső API-hívás.
2
Platt + Isotonic kalibráció
Mi az
Utófeldolgozási lépés, amely a modell nyers kimenetét valódi valószínűséggé alakítja: Platt-scaling logisztikus regresszióval, isotonic regression monoton illesztéssel.
Miért jó
Kalibrálatlan modell 0.9-et adhat, miközben a valós gyakoriság 70%. Kalibráció után a 0.9 azt jelenti: 100-ból 90-szer bot — a döntési küszöbök így mérhető bizonyítékra épülnek.
3
Saturation-aware OOD és drift észlelés
Mi az
Ha a modell kimenete 0-hoz vagy 1-hez túl közel van, az lehet ismeretlen bemenet jele is: az OOD-detektor 0.5-ös alapértéket ad vissza, a drift-detektor pedig a környezeti jelek (IP, ország, böngésző) változását figyeli.
Miért jó
Új típusú botnál a magas bizonyosság megtévesztő lehet. A rendszer tud, mikor nem tud — és step-up verificationt kér, ahelyett hogy bizonytalan esetben is döntené.
4
Fail-closed döntési réteg
Mi az
Központosított döntési politikai (allow / challenge / block), amely kalibrált humanity score-ból dönt, és modellhiba, sérült artifact vagy nem kalibrált küszöb esetén nem enged át senkit.
Miért jó
Biztonsági rendszerben a hiba iránya számít: a registry induláskor validálja a négy modellt SHA-256 manifest alapján, és hibánál a rendszer zár, nem megbocsát.
5
Adversarial frontier tesztelés
Mi az
Szándékosan nehezen felismerhető bot-mintákkal teszteli a modellt a leggyengébb pontjain, gesture-replay benchmarkkal és determinisztikus bootstrap kiértékeléssel.
Miért jó
A hagyományos tesztelés csak a múltbeli botokat ismeri. A frontier-módszer azokat a támadásokat is lezárja, amelyek még nem történtek meg — a release-küszöb statisztikailag igazolt.
AI bizonyíték
Előbb a munka. Utána a bizalom.
Nem csak API-kat kötünk össze: saját ML inference, kalibrációs és döntési rendszereket is építünk. Az alábbi rendszerek éles üzemben vagy nyílt forráskódban is megtekinthetők.
$srcabc --list-projects --public
notabotéles
Privacy-respecting, AI-alapú botdetektáló rendszer. Saját ONNX inference, kalibrált döntési réteg és statisztikailag igazolt küszöbértékek -- nem külső API-ra kötözött doboz.
llmaudit PROkészül
Készülő rendszer az LLM-használat költségoptimalizálására, a hozzáférések kezelésére és az értékelési folyamatok auditálhatóságára. Tenant-szintű adatszigetelés, titkosított szolgáltatói kulcsok és append-only auditnapló adja a kontroll alapját.
ORTHOSnyílt forrás
Nyilvános kutatási repó és architektúra-homokozó. Strukturált dokumentáció, kísérleti gondolkodás és technikai mélység -- AI K+F oldalunk nyilvános lenyomata.
Prisméles
Élő, böngészőben futó technikai termék. Megmutatja, hogy összetett logikából is készíthető valódi, skálázható és felhasználóbarát eszköz.
Kinek érdemes keresnie az SRCABC-t?
Jó munkát csak fókuszáltan lehet végezni.
Nem minden megkeresés illik ide. Egy jól körülhatárolt AI-projekt, a validációtól az élesítésig, viszont pontosan ide tartozik.
Ahol komoly a tét
Mikor ideális választás az SRCABC?
- Összetett AI-projekt, ahol a validációtól az éles rendszerig mindent egy felelős kézbe szeretne adni.
- AI termékfejlesztés vagy LLM/RAG bevezetés, ahol a technológiai út és a költség még bizonytalan.
- AI-képességek bekötése a meglévő ERP/CRM/belső rendszerekbe, a folyamatok megtörése nélkül.
- Igényes rendszer, ahol a pontosság, a terhelhetőség és az üzemeltethetőség egyaránt számít.
Ha csak plusz kezekre van szükség
Mikor nem jó megoldás az SRCABC?
- Általános kapacitáspótlás és rutinfeladatok darálása.
- Feature-gyár jellegű projektek, ahol a tempó fontosabb a minőségnél és az átgondoltságnál.
- AI-demó vagy PoC összedobása éles rendszer helyett, mérés és üzemeltetés nélkül.
GYIK
Amit AI-bevezetés előtt tényleg megkérdeznek.
Rövid válaszok a döntés előtt felmerülő legfontosabb kérdésekre.
Ez a hatókörről függ, ezért nem adunk légből kapott számot. Egy megvalósíthatósági sprint után tételes kép van arról, mennyi fejlesztői munka, mekkora modellköltség és mekkora üzemeltetési teher tartozik a koncepcióhoz. Így a döntés mérésen alapul, nem ígéreten.
Ha a feladat szövegértés és generálás, a legtöbb esetben egy jól beállított LLM API a jó út. Saját vagy finomhangolt modell akkor indokolt, ha a döntésnek mérhetőnek és kalibrálhatónak kell lennie, ha a válaszidő vagy a költség szigorú korlát, illetve ha az adat nem hagyhatja el a saját infrastruktúrát. Ezt a kérdést méréssel döntjük el, nem preferencia alapján.
A meglévő rendszer marad az igazság forrása, az AI réteg fölé épül: a meglévő API-kon és adatbázisnézeteken keresztül olvas és ír, a kritikus műveleteknél emberi jóváhagyási pontokkal. Így a bevezetés fokozatos lehet, és a napi folyamatok nem törnek el.
Igen, ha a kérdés jól körülhatárolt. A prototípus célja nem a teljes rendszer, hanem egy mérhető válasz: működik-e a megközelítés valódi adatokon, mennyibe kerül, és mit ígér éles méretben. Nagyobb ígéret reális adatok nélkül csak kockázat.
A prototípus eredményei alapján elkészül a rendszerterv: modell-, adat- és integrációs döntések, költségmodell és üzemeltetési terv. Ezután jön az éles fejlesztés, az integráció és az átadás -- monitoringgal és dokumentációval, hogy a rendszer hosszú távon karbantartható legyen.
Olyan alapítók, cégvezetők és mérnöki vezetők, akik nem AI-demót, hanem működő rendszert szeretnének. Akik tudják, hogy egy rosszul megválasztott modell vagy architektúra nagyságrendekkel többe kerül, mint az előzetes validáció.
Kapcsolatfelvétel
Beszéljen arról, amin dolgozik.
A legjobb első beszélgetés egy konkrét AI-döntésről szól: LLM vagy saját modell, integráció a meglévő rendszerbe, vagy egy koncepció, amiről még nem tudni, megáll-e éles méretben.
