Együttműködés és önismeret

• DISC alapú önismeret

• Viselkedési stílusok

• Kérdéstechnika, értő figyelem

• Érdekérvényesítés, önérvényesítés

• Együttműködés sokszínű csapatban

Konstruktív és profi ügyfélkezelés

• Ügyfélre hangolódás

• Igény- és érdekfeltárás

• Nehéz helyzetek kezelése

• Lényegre törő, struktúrált fogalmazás

• Hiteles szakmai énmárka

• Bizalomépítés, hiteles kommunikáció

Vezetői eszköztár fejlesztése

• Helyzetfüggő vezetés, vezetői stílusok

• Hatékony információmegosztás, delegálás

• Konstruktív számonkérés és visszajelzés

• Konfliktusos helyzetek kezelése

• Saját motiváció és mások motiválása: külső és belső motivációk azonosítása 
  (Opcionális: OD Tools MQ® felmérés a résztvevők számára)

Konkrét helyzetek modellezése

• Eddig tanult technikák gyakorlása – jó gyakorlatok, kulcsmondatok

• Akciótanulás – esettanulmányok közös feldolgozása

• A.C.T. módszertan: gyakorlás improvizációs színész segítségével: valós szituációkkal dolgozunk, melyeket a résztvevők élesben gyakorolhatnak, de tét nélkül

AI Alapok & Klasszikus gépi tanulás

• AI áttekintés: AI típusok, gyors történeti áttekintés

• Felügyelet nélküli gépi tanulás: Klaszterezés (K-közép), Anomáliadetektálás

• Felügyelt gépi tanulás: osztályozás, regresszió, alapvető modellek

• Megerősítéses tanulás: környezet, ágens, jutalom

• Modellek kiértékelése: Train/Test/Validation Split, alul- és túltanulás, Bias-Variance

• Metrikák: Precision/Recall/F1 vs. Accuracy, MAE, MSE

• AI projekt életciklus: CRISP-DM, MLOps

Mélytanulás & Generatív AI Architektúrák

• Mélytanulás alapjai: neurális hálók, (multi-layer) perceptron

• XAI (magyarázható mesterséges intelligencia): SHAP

• Gépi látás: konvolúciós neurális háló

• LLM-ek: transformer architektúra, instruction tuning, tokenizálás

• LLM training: Pre-training vs. Fine-tuning

AI-val Támogatott Szoftverarchitektúra

• Áttekintés

• Retrieval-Augmented Generation (RAG)

• Vektortárolók és adatbázisok

• Chunking stratégia

• AI megoldások – előnyök, hátrányok, API-k

• Bevezetés a felhőalapú AI-ba (Azure)

Követelményektől a diagramokig

• Osztály-, szekvencia- és egyéb diagramok generálása AI segítségével

• AI-támogatott modellezés természetes nyelvből

Helyben futó (on-premises) AI

• Helyi vs. felhőalapú AI: mikor és miért?

• Bevezetés az Ollamába

• Megfelelő architekturális döntések meghozatala

Prompt Engineering

• Hatékony prompt-struktúrák

• Bevált gyakorlatok a sikeres promptoláshoz

GitHub Copilot a gyakorlatban

• Áttekintés

• Kód- és tesztgenerálás

• Dokumentáció generálása

• Bevált gyakorlatok

• Haladó funkciók – pl. Agents

Business

• Üzleti célok és architektúra kapcsolata

• Üzleti döntések hatásai

• SW architekt szerepe az üzletben

• Architekt agilis környezetben

• Jogi kérdések

Szoftverarchitektúra:

• Architektúra, analógiák, architecture vs design

• Problématér, megoldástér

• Architektúra építési technikák (Iterative/Incremental, Top-down/Bottom-up)

• Architektúra tervezése, mint folyamat

• Architektúra dokumentálása (C4 model, arc42)

• Safety & Security

Requirement engineering:

• Funkcionális és nem funkcionális követelmények

• Ügyfélelégedettség, termékpozicionálás

• Jó/rossz követelmények, buktatók

• Követelmények priorizálása

• Architekt szerepe a requirement engineeringben, kapcsolat a PO-val

• Change management

• Esztimációs technikák

Testing

• SW architekt szerepe a tesztelésben

• Tesztelhető architektúra

• Tesztmetrikák, hatékony tesztelés

• DevOps, CI/CD