Mesterséges Intelligencia Portfólió

Ízelítő a megvalósított MI projektjeinkből. Minden megoldásunk mögött valódi üzleti kihívás, egyedi fejlesztés és mérhető eredmények állnak – a koncepciótól az éles üzemeltetésig.

01 RAG & Tudásbázis

Magyar Popkulturális Értéktár – Intelligens Keresőrendszer

A Magyar Popkulturális Értéktár Magyarország egyik legátfogóbb digitális kulturális archívuma, amely a magyar popkultúra évtizedes történelmét dokumentálja több ezer dokumentumon, könyvön és multimédiás anyagon keresztül. Az archívum mérete és az anyagok kontextuális összetettsége szükségessé tette egy olyan intelligens keresőrendszer kiépítését, amely messze túlmutat a hagyományos kulcsszavas keresésen.

A kihívás

A hagyományos keresőmotorok képtelenek voltak kezelni a kulturális anyagok kontextuális gazdagságát. A felhasználók összetett, természetes nyelvi kérdéseket tesznek fel – például összefüggéseket keresnek korszakok, műfajok és alkotók között –, amelyekre egyszerű szövegegyezéssel nem adható releváns válasz. Az adatok érzékenysége és a szervezet adatkezelési politikája megkövetelte, hogy a teljes rendszer lokálisan fusson, külső felhőszolgáltatók bevonása nélkül.

Megoldásunk

Lokálisan futó nagy nyelvi modellt (LLM) és embedding rendszert fejlesztettünk, amely a teljes dokumentumarchívumot vektorizálja és szemantikus keresést tesz lehetővé. A RAG (Retrieval Augmented Generation) architektúra biztosítja, hogy a modell kizárólag a valós, verifikált dokumentumokra alapozva generáljon válaszokat, minimalizálva a hallucináció kockázatát. A rendszer képes több dokumentumból szintetizálni válaszokat, és minden kimenethez forráshivatkozásokat csatol a visszakereshetőség érdekében.

Kiemelt eredmények

Több ezer dokumentum és könyv sikeres indexelése és vektorizálása
Természetes nyelvi keresés teljes magyar nyelvi támogatással
Kontextuális válaszgenerálás automatikus forráshivatkozásokkal
100%-ban lokális futtatás – teljes adatszuverenitás garantálva
Az elsők között Magyarországon bemutatott, éles üzemben működő RAG rendszer

Alkalmazott technológiák

Python FastAPI LlamaIndex LangChain Ollama ChromaDB React

02 Hanganalitika & MI

Online Rádiófigyelő és Elemző Rendszer

Valós idejű, 0-24 üzemmódban működő rádiófigyelő és -elemző platform, amely egyidejűleg képes monitorozni több rádióállomás adását. A rendszer fejlett MI algoritmusokkal automatikusan elkülöníti a különböző tartalomtípusokat – reklámokat, zeneszámokat, élő műsorokat és podcasteket –, majd mindegyikhez részletes analitikát, szintiment analízist és statisztikai kimutatásokat készít.

A kihívás

A rádiós piac szereplőinek nem volt valós idejű rálátásuk a versenytársak sugárzott tartalmaira, a futó reklámokra, és a műsorok hangulatának alakulására. A manuális monitoring rendkívül drága, lassú és szubjektív. Szükség volt egy teljesen automatizált rendszerre, amely a nap 24 órájában megbízhatóan képes monitorozni, kategorizálni és elemezni a rádiós tartalmakat objektív metrikák alapján.

Megoldásunk

Fejlett beszédfelismerő és audioklasszifikációs modelleket integráltunk egy egységes, skálázható platformba. Több mint 500 órányi hanganyaggal finomhangolt Whisper modellt alkalmazunk, amely a transzkripciós pontosságot drasztikusan megnöveli. A finomhangolt Whisper és a nagy nyelvi modellek (Gemini, Deepseek) kombinációja lehetővé teszi a tartalmak automatikus szegmentálását, szintiment analízisét és tematikus kategorizálását. Az eredmények egy intuitív dashboardon jelennek meg valós idejű statisztikákkal, trendvizualizációkkal és exportálható kimutatásokkal.

Kiemelt eredmények

Valós idejű, 0-24 rádióadás-monitorozás több állomáson egyidejűleg
Automatikus tartalomszegmentáció: reklám, zene, műsor, podcast elkülönítése
Részletes szintiment analízis és hangulatelemzés minden szegmensre
Átfogó statisztikák, trendkimutatások és vizualizációk
Testreszabható riasztások és automatikus jelentéskészítés

Alkalmazott technológiák

Python FastAPI Whisper Gemini Deepseek React PostgreSQL Redis

03 MI Pipeline & Automatizálás

Automatizált Tartalomkarbantartási Rendszer

A Magyar Popkulturális Értéktár naprakészen tartásához fejlesztett, teljesen automatizált tartalomkarbantartási platform. A rendszer egy egyedi MI pipeline-on keresztül folyamatosan figyeli a releváns hírforrásokat, elemzi az új információkat, majd frissítési javaslatokat generál: új leírásokat, aktualizált adatokat, és korábban ismeretlen kapcsolatokat tár fel az entitások között.

A kihívás

Az Értéktár hatalmas és folyamatosan bővülő kulturális adatbázist kezel, amelynek tartalmai gyors ütemben avulnak el. Manuálisan lehetetlen volt lépést tartani az új megjelenésekkel, eseményekkel és változásokkal. A szerkesztőcsapatnak egy olyan intelligens eszközre volt szüksége, amely automatikusan azonosítja a frissítendő tartalmakat, és kontextusba helyezett javaslatokat tesz az aktualizálásra.

Megoldásunk

Többlépcsős MI pipeline-t fejlesztettünk, amely automatizálja a teljes tartalomkarbantartási folyamatot. A rendszer releváns hírforrásokat szkennel, azonosítja a kapcsolódó kulturális entitásokat, és intelligens frissítési javaslatokat generál. Nemcsak szövegeket ír újra, hanem új kapcsolatokat, metaadatokat és kategorizálásokat is javasol. A szerkesztők egy átlátható admin felületen hagyhatják jóvá, módosíthatják vagy utasíthatják el az MI javaslatait.

Kiemelt eredmények

Automatikus hírforrás-monitorozás és releváns tartalmak azonosítása
MI-alapú szövegregenerálás és leírásfrissítés
Entitás-felismerés és kapcsolatháló automatikus bővítése
A szerkesztői munkaidő drámai csökkentése a karbantartási feladatokban
Folyamatosan friss, naprakész és konzisztens kulturális adatbázis

Alkalmazott technológiák

Python FastAPI LangChain LangGraph Langfuse React PostgreSQL

04 Dokumentumfeldolgozás & Adatbázis

Mapei Termékadatbázis és Rétegrendszer

A világ egyik vezető építőanyag-gyártója, a Mapei számára fejlesztett átfogó termékadatbázis és intelligens rétegrendszer. A projekt célja egy teljes, strukturált terméknyilvántartás kiépítése volt a korábban kizárólag PDF formátumban elérhető termékkatalógusból, kiegészítve egy rétegrendszerrel, amely a termékek kompatibilitását és alkalmazási sorrendjét kezeli.

A kihívás

A Mapei termékdokumentációja – több tízezer oldalnyi műszaki adatlap, alkalmazási útmutató és kompatibilitási táblázat – kizárólag PDF formátumban állt rendelkezésre. Nem létezett központi, kereshető termékadatbázis. A szakembereknek manuálisan kellett átrágniuk magukat a dokumentumokon a megfelelő termékleírás, specifikáció vagy alkalmazási sorrend megtalálásához. A hosszú távú cél egy MI alapú tanácsadó rendszer kiépítése, amelyhez előfeltétel a strukturált adatbázis.

Megoldásunk

Automatizált dokumentumfeldolgozó pipeline-t fejlesztettünk, amely több tízezer oldalnyi PDF-ből kivonatolta a termékadatokat, specifikációkat, alkalmazási paramétereket és kompatibilitási mátrixokat. Intelligens rétegrendszert alakítottunk ki, amely a termékek alkalmazási sorrendjét és kompatibilitását kezeli. A teljes megoldást egy átfogó admin felület és robosztus REST API szolgálja ki – felkészítve a rendszert a jövőbeli MI-alapú tanácsadó funkcióra.

Kiemelt eredmények

Több tízezer oldalnyi PDF sikeresen feldolgozva és strukturálva
Központi, kereshető termékadatbázis kiépítése a nulláról
Intelligens rétegrendszer a termékkompatibilitás és alkalmazási sorrend kezeléséhez
Robosztus admin felület és dokumentált REST API
Előkészített adatstruktúra a tervezett MI-alapú tanácsadó rendszerhez

Alkalmazott technológiák

Python FastAPI React PostgreSQL Redis Docker

05 Prediktív Analitika & MI Tanácsadó

Repülőgép-könyvelési MI Tanácsadó Rendszer

Egy nemzetközi repülőgép-könyvelési tanácsadó cég belső rendszerébe integrált mesterséges intelligencia megoldás. A rendszer Text-to-SQL, ReAct ágensek, egyedi beágyazások (embeddings) és statisztikai modellek kombinációjával támogatja a tanácsadókat az adószabályok értelmezésében, adóoptimalizálási stratégiák kidolgozásában és predikciók készítésében.

A kihívás

A repülőgép-könyvelés rendkívül komplex szakterület, ahol az adószabályok országonként, repülőgéptípusonként és üzemeltetési modellenként jelentősen eltérnek. A tanácsadóknak hatalmas, heterogén adatmennyiségeket kell áttekinteniük a legjobb adóstratégia kidolgozásához. A manuális elemzés rendkívül időigényes, hibalehetőségekkel terhelt, és a szabályozási környezet folyamatos változása miatt a korábbi tapasztalatok gyorsan elavulhatnak.

Megoldásunk

Text-to-SQL képességgel láttuk el a rendszert, amellyel a tanácsadók természetes nyelven kérdezhetik le az adatbázist anélkül, hogy SQL ismeretre lenne szükségük. ReAct (Reasoning + Acting) ágensek komplex, többlépéses elemzéseket végeznek automatikusan: összegyűjtik a releváns adatokat, alkalmazzák a vonatkozó szabályokat, és strukturált javaslatokat készítenek. Egyedi beágyazások és statisztikai modellek biztosítják a legpontosabb predikciókat az adókötelezettségek kiszámításához, míg a rendszer proaktívan optimalizálási javaslatokat tesz a historikus adatok és aktuális szabályozások alapján.

Kiemelt eredmények

Természetes nyelvű adatbázis-lekérdezés Text-to-SQL technológiával
Autonóm MI-ágensek komplex, többlépéses adóelemzésekhez (ReAct)
Prediktív modellek az adókötelezettségek pontos előrejelzéséhez
Proaktív, adatvezérelt adóoptimalizálási javaslatok
A tanácsadók elemzési idejének jelentős csökkentése

Alkalmazott technológiák

Python FastAPI LangChain LangGraph LangSmith Langfuse React PostgreSQL

06 Beszédfelismerés & Dokumentumelemzés

Levéltári Hanganyagok MI-alapú Feldolgozása

Történelmi értékű levéltári hanganyagok teljes körű digitális feldolgozása mesterséges intelligencia segítségével. Régi, gyakran rendkívül gyenge minőségű MP3 felvételek lokális feldolgozása, beleértve a teljes szöveges átírást, tartalmi elemzést, idővonalas struktúra felépítését, beszélők azonosítását, szófelhő-generálást és szintiment analízist.

A kihívás

A levéltári hanganyagok jellemzően rendkívül rossz minőségűek: háttérzaj, rossz mikrofonminőség, változó hangerő és elavult felvételi formátumok nehezítik a feldolgozást. A felvételeken többen beszélnek, a kontextus gyakran speciális történelmi és szakterületi tudást igényel. Az anyagok érzékenysége miatt a feldolgozásnak teljes mértékben lokálisan kellett történnie, a kimeneten pedig professzionális, hivatkozható és archiválható elemzési dokumentumokat kellett előállítani.

Megoldásunk

Több mint 500 órányi hanganyaggal finomhangolt Whisper modellre épülő, lokálisan futó beszédfelismerő rendszert fejlesztettünk, amelyet kifejezetten gyenge minőségű, archív hanganyagokra optimalizáltunk. A transzkripciót követően nagy nyelvi modellek elemzik a szöveget többféle dimenzióban: azonosítják a beszélőket, felépítik az idővonalas struktúrát, szintiment analízist végeznek, szófelhőket generálnak, és átfogó összefoglaló jelentéseket készítenek. Az eredmény: minden hanganyaghoz egy komplett, professzionális elemzési dokumentum áll rendelkezésre.

Kiemelt eredmények

Gyenge minőségű, régi felvételek sikeres átírása magas pontossággal
Automatikus beszélőfelismerés és -szegmentáció
Idővonalas struktúra felépítése minden egyes felvételhez
Szintiment analízis, kulcsszókiemelés és szófelhő-generálás
100%-ban lokális feldolgozás az adatbiztonság teljes garantálásával
Professzionális elemzési dokumentumok automatikus előállítása

Alkalmazott technológiák

Python FastAPI Whisper Ollama Kimi K2 React

Teljes Technológiai Stack

Python FastAPI Pydantic React LlamaIndex LangChain LangGraph LangSmith Langfuse Whisper Gemini Deepseek Python FastAPI Pydantic React LlamaIndex LangChain LangGraph LangSmith Langfuse Whisper Gemini Deepseek Python FastAPI Pydantic React LlamaIndex LangChain LangGraph LangSmith Langfuse Whisper Gemini Deepseek

Kimi K2 ChromaDB Qdrant Pinecone Ollama vLLM PostgreSQL Redis Temporal Celery Docker Kubernetes Kimi K2 ChromaDB Qdrant Pinecone Ollama vLLM PostgreSQL Redis Temporal Celery Docker Kubernetes Kimi K2 ChromaDB Qdrant Pinecone Ollama vLLM PostgreSQL Redis Temporal Celery Docker Kubernetes