HWSW podcast!

Az AI és a nagy full-full-stack trend (kraftie #64)

· PT56M46S

Összefoglaló

Az AI térnyerése új informatikai munkaköröket hoz létre, vagy átalakítja a régieket. A 64. Kraftie adásban Szpisják Dani segítségével elemezték az olyan új pozíciókat, mint AI developer, Agentic AI Reliability Engineer, MLOps, és AI Product Manager. Kiderült, hogy ezek a…

Röviden

Műsor
HWSW podcast!
Megjelenés
2025. 09. 12.
Hossz
57 perc
Szereplők, említett nevek
Magyar Péter, Orbán Viktor, Szpisják Dani, Böle György, Batis Peti
Témák
ai developer, full-stack fejlesztés, informatikai munkakörök, mlops, ai product manager
Átirat
Az epizód beszélt szövege alapján indexelve

Ebben az epizódban

Emelops engineer. >> Tehát ugye aki aki valamelyest AI-ozott már, ő látta mondjuk a Hugging Face- ami egy modell gyűjtemény, több millió modell van fönn.

Azokat a modelleket, ha productionbe szeretné használni az ember, akkor akkor jön az MLOs tudás, hogy akkor ez alá milyen gép kell, hogyan fogom skánázni.

És hát ez egy szerintem ez egy borzasztó izgalmas engineering terület, scaling, de nem olyan scaling, merthogy a a nem egy standard request response patternről van szó, nem stand hálózatról van szó, itt inferenciák vannak, modern rooting van, ez egy picit picit más világ, de rendkívül izgalmas, és szerintem ha valaki ha valaki bele akar ugrani, én azt mondanám, hogy aki aki MLS engineer, az ugyan ML-el kezdődik, de elképzelhető, hogy egy picit közelebb van inkább a az infra engineerhez, tehát hogy nem nem a tudományos oldalról jön, hanem tényleg az engineering részével foglalkozzik ennek.

Ez a hogy nem fog összedőlni, hogy tudjuk ezt fölskálázni, hogy lesz ennek rövid a response time-ja. >> Ez a pozíció az, amit szerintem mindenhol meg lehet találni.

Tehát vannak a a OG LLM providereknél is van a public cloud providereknél is mindenkinél ott vannak az MLOPS engineerek, meg ugyanúgy ott vannak egyébként a Nagy enterprise cégeknél, tehát hogy a nem TEAG enterprise cégeknél is megvannak.

Tehát ez egy ez szerintem az egyik leguniverzálisabb pozíció, ami jelenleg van, és az utóbbi két évben teljesen szétrobbant.

Tehát nagyon-nagyon nagy a kereslet rájuk. [Zene] Sziasztok, ismét itt vagyunk.

Crafti a High Fabs állandó támogatásával.

Én Böle Györü vagyok a műsor egyik házilazgája.

Itt van szokásszerés zero alias Batis Peti.

Van egy vendégünk is, Pisák Dani, aki az MARCISnál dolgozott korábban engineering vezetőként, most pedig az Academyél dolgozik, akik AI kurzusokat csinálnak.

Az AI ejövetelével fogalmazzunk így, elég sok ijesztő nevű új pozíció jelent meg a piacon.

És azért tartjuk fontosnak, hogy erről beszélgessünk, mert ha a laikus szem azt gondolná, hogy ezek mögött ilyen nagyon ijesztő dolgok vannak.

Most mondok egy példát AI developer, amiről azt gondolná az ember, hogy hogy AI-t kell fejlesztened, miközben nem egészen erről van szó.

És azt gondoltuk, hogy érdemes lenne tisztázni egy műsorba ezeket az új típusú pozíciókat, mert hogy ezek már részben azért Magyarországon is látszanak, meg megjelentek, és idővel valószínűleg sokkal több is lesz belőle. illetve nyilván azért is fontos erről beszélni, merthogy ez tőképpen egy új irányt is ad, mert kicsit ez egy olyan trend, mintha egyre inkább egy ilyen ffofó stack irányba menne el az elvárás bármilyen IT pozíció kapcsán.

Mielőtt belevágunk, azonban pár dolgot elmondanék.

A HVSV két online képzés is fog indítani a közeljövőben egy Kafka alapozót pár napon belül, illetve október elején egy Modern CCD alapozó képzést is indítunk.

Jó szívvel ajánlom őket lévén, hogy mit csináltuk.

Kövessetek be minket azon a platformon, ahol vagytok, illetve csatlakozzatok a közösségünkhez a Discordon, amit pedig a discord.hvs.hu címen tudtok elérni.

És akkor eljutottunk oda, hogy eleve úgy kezdtük ezt az adást, hogy elkezdtünk felírni AI pozíciókat, és elég sokat írtunk fel.

Ugye itt a az AI engineer, AI developer, AI software architects, gen AI developer, AI data analyst, MLOPS engineer satöbbi van.

Beszéljük át, hogy mit fednek ezek a pozíciók.

Ugye a legtöbb ember azt gondolná, amikor meglátja ezt a pozíciót, mondjuk, hogy AI developer, hogy így tulajdonképpen neked kell fejleszteni a chat GPT-t, miközben a valóságban nem erről van szó, általánosban azt lehet mondani, hogy hogy persze nyilván itt még ezek ezek nincsenek külbevésve ezek a definíciók, és majd ezerféleképpen újra fogják értelmezni a cégek, de azt lehet látni, hogy tulajdonképpen ezek a pozíciók legtöbb többségében ugyanolyan fejlesztői, üzemeltető és egyéb pozíciók, mint korábban.

Csak annyi van, hogy gyakorlatilag neked a termékekbe, a szolgáltatásokba már az AI-t is valamilyen módon be kell építened, használnod kell.

Zó először tőled kérdezem, hogy mennyire látszanak itthon ezek a pozíciók.

Most már szerintem elég erősen.

Részben annak köszönhető, amit ti is tudtok, hogy Magyarország egy nagyotív beszállító országként működik.

És abban a szerencsés helyzetben vagyunk, hogy ezeknél az automatív beszállítóknál elég nagy mennyiségben indult el egyébként a machine learning/ AI fejlesztés most már jó pár éve.

Hát ebben azt hiszem szerintem a környező országokban viszonylag kiemelkedő az, ami itthon történik.

Most így nem kezdem el a céget sorolni, mert valószínűleg nagy arányban tudjátok, hogy kiről van szó, hogy kikről van szó.

A másik irány ugye, ami most elkezdett beúszni, ugye ez az agentik, az az AI-nek a másik másik másik nagyjából az utóbbi féle egy évben felkapott irány.

Ugye nyilván az elelemekkel is nagy arányban ez az, ami itt szerintem a az átlagember számára is ismert, vagy az, ami nagy arányba szembe jön.

Úgyhogy szerintem most már elég nagy arányba lehet ezzel találkozni, illetve van szerintem a harmadik irány az a különböző enterpriseokban megtalálható AI integrációra specializált különböző kollégák.

Tehát ez a másik, hogy az enterpriseokból is keresik ezeket a szakembereket, akik értenek az AI-hoz.

Na most az, hogy ért az AI-hoz, az szerintem az egy külön beszélgetés lesz még itt a beszélgetésen belül, hogy ez pontosan mit jelent, meg egy cégnek ez pontosan mit jelent, meg az adott ért kontextusban egyébként ők ezt hogy fordítják le, de most már szerintem nagyany lehet mondani, hogy szinte mindenhol lehet ezzel találkozni.

A kérdés az, hogy mi van a pozíciók mögött.

Kicsit az az érzésem, ez is olyan lesz, mint a DevOPS, hogy ezerféleképpen fogják majd értelmezni, és akkor a DevOps szócska mögött a legkülönbözőbb valós tartalom lesz.

Kezdjük azzal, mert előbb a machine learninget megemlítetted.

Ugye által általában a neten valaki elkezd ezután böngézgetni, vagy beszélget a chat GPT-vel, általában felmerül az a tip a alapmközelítés, hogy miben különbözik mondjuk egy AI engineer egy machine learning engineertől.

Szerintetek zseni, hadd ugorjak erre rá.

Sőt, hadd kezdjem a a azzal, hogy rácsatlakozom arra, amit a legelején mondtál, hogy nem neked kell fejleszteni a chat GPT-t.

Mi igazából pont azt mondjuk a képzésen, hogy hogy elképzelhető, hogy neked kell fejleszteni, mert hogy a chat GPT maga meg a mögötte lévő modell az két külön dolog.

És a chat GPT az egy az egy alkalmazás, ami van egy modell, ezeket a modelleket ki lehet cserélni, és amit köré raknak, a modell köré, azok bizony engineering problémák.

Ott streamelni kell, ott válaszidők vannak, ott cashelni kell satöbbi, satöbbi, ott asseteket kell kiszolgálni, deployment van.

Tehát azok klasszikus engineering problémák, ami egy AI engineernek is akár nagyon nagyon testhez álló feladat.

Úgyhogy a amikor mi azt mondjuk, hogy AI engineer a képzésünkönen belül, mi abszolút arra az az arról gondolkodunk, hogy valaki megépített egy modellt, vagy már egy API.

Ugye egy modellt is nagyon sokféleképpen oda lehet adni a fejlesztőknek. lehet a nyers modellt odaadni, a modell fálokat, és akkor a futtatástól kezdve mindennel neked kell foglalkozni.

De nagyon sokszor vannak olyan szerek, ahol ahol APIt kapod a modell hozzáférést, és akkor csak az apival kell foglalkoznod.

Jó esetben most már azért ezek konszolidáltak ezek a a az application programming interfaceek, de ez nem volt mindig így.

Tehát a legelején ez kicsit olyan volt, mint az Amazonnak egy-két apja, amit most már mindenki is használ.

Itt az Open AI megalkot egy ilyen chat completion API-t, és utána az szépen azt azt fogták, és egyre többen átvették.

És most már gyakorlatilag ott tartunk, hogy egy open libraryt, azt lehet használni majdnem tetszőleges providerrel, ugye nagy idézőjelek között, de az AI engineer ő ő ő általában a modellnek a nagy részét azt készen kapja.

Nyilván hozzányúkál, meg csinál ezt azt, de java részt azért ő ő megkap valamit, ami már valami már készen van.

Na most a machine learning engineer az egy az egy ennél sokkal sokkal mélyebb szakma, vagy nem nem is azt mondanám, hogy mélyebb, másabb.

Tehát a machine learning engineer ő ő inkább researcher, ő tanít modelleket, tanulási algoritmusokkal foglalkozik, dataszeteket épít, és ez sokkal, van akinek ez sokkal érdekesebb, ott újfajta tanulási módszereket próbálnak, újfajta modell architektúrát próbálnak ki, ami egy AI engineert adott esetben távolabb lehet.

Van, vannak ennek nyilván átfedései, de én azt mondanám, hogy aki aki jelenleg szoftverfejlesztő, ő neki az AI engineer az egy az egy ilyen következő gyakorlatilag egy evolúciós lépés is lehet akár, pont úgy, mint ahogy a a szoftverfejlesztőnek adott esetben a DevOpsos, az egy ilyen volt.

Picit beletonult az infrába és akkor onnantól már elindulhatott a DevOpsos irányba. az ML engineerről meg inkább a a data scientistek oldaláról jön, vagy nyilván aki aki szoftverfejlesztő pedig oda becsatlakozhat abba az irányba, de ott ott inkább tudományos oldalról jönnek oda az emberek szerintem. >> Na és Zero, te hogy értelmezed a különbözőséget az A engineer és az machine learning engineer között? >> Én próbálom akkor ebből a szempontból így fejvadászként elmondani, hogy nekem milyen tapasztalatom van.

A nehézség valamennyire ott van, hogy gyűjtő pozíció nevek vannak.

Tehát a sokszor az AI engineert azt használják pont arra is, amit a Dani mondott, hogy konkrétan machine learning kompetenciát keresnek, ami nem software engineer, hanem ez a scientist vonal, de ugyanúgy AI engineernek hívják azt is, ahol egyébként mondjuk adott arányban agentic fejlesztés van, és mondjuk nagy arányban szoftveres háttere kell, hogy legyen valakinek.

Na most ez eléggé megnehezíti a helyzetet, hogyha valaki mondjuk elkezd browolni pozíciókat, ott az, hogy A engineer az bármit is jelenthet.

És még e még ezem még nem is megyek a abba bele, hogy az, hogy mondjuk agentik vagy machine learning az egyik, és még azon belül is mit rájt egy pozíció, abban is egy nagyon széles skálán mozgunk, de az alapok azok azok egy az egybe úgy vannak.

Én is ugyanezt látom, amit a Dani mondott, hogy itt van egy nagyon erős ipari oldal, ami az a klasszikus nagy arányban kutatói háttérrel tudnak ott az emberek érvényes nem is nagyon szoktam látni ilyet, hogy valaki szoftveres háttérrel elmegy scientist irányba.

Tehát ez viszonylag ritka, de nem mondom, hogy lehetetlen, mert nem az, de az az a ritkább. inkább a másik oldal az ami reálisabb, hogy mondjuk valaki szoftveres oldalról becsatlakozik az agentik irányba, mert eleve ott nincs akkora a history, tehát az, hogy mondjuk egy, nem tudom, egy másfél éves tudással kell versenyezni, ott még az egy jóval könnyebb történet.

Igen, én az adás előtt elég sokat olvasgattam erről a különböző anyagokat, és most nem azt mondom, hogy konszenzus volt ezekbe az elnevezésekbe, de amennyi nekem lejött belőle, az az volt, hogy hogy akit most machine learning engineernek hívunk, az aki a modellt építi és tanítja, az AI engineer.

Bár érthetjük alatta a machine learning engineert, és jellemzően inkább az, aki a már meglévő modellt implementálja, vagy adoptálja.

Plusz még hozzáteszik, hogy finom hangolja satöbbi, satöbbi.

Tehát így el elkülön a kettő, hogy ki az, aki csinálja és ki az, aki ezt implementálja.

És ugye ugye ráadásul ugye ezek a a nagy modellek fejlesztői, azok ugye eléggé támogatják a, hogy ez beépüljön a szoftverfejlesztő kultúrába, mert ugye korábban ezek az apik, csak mint a Python lehet kommunikálni vele satöbbi.

Most már gyakorlatilag ott tartunk, hogy hogy lassan egy tetszőleges nyelven tudsz kommunikálni.

Tehát JavaScripten is lehet kommunikálni vele, satöbbi.

Tehát nyilván azt támogatnám, hogy és ugye itt jön be az a kifejezés, hogy AI agent ugye, hogy ami gyakorlat AI agent fejlesztő, mondjuk ami csak annyit jelent, hogy neked van egy működőképes mobilapod, vagy satöbbi, és azt gondolod, hogy mit tudom én, egy egy featuröz jó lenne behozni valami külső modellnek a segítségét, és gyakorlatilag apikon keresztül beépíted a szolgáltatásodba az AI-t.

Tehát tulaj tulajdonképpen az AI engineer a úgy látom a többség így érti.

Az alapvetően egy már meglévő szoftverfejlesztői munka, amiben nagyon erősen beépült az, hogy hogy neked a a termékbe, amit fejlesztesz, gyakorlatilag nagyon erősen adoptálnod kell a az apikról lehívható AI tudást.

De nyilván ebben benne van az, hogy nem feltétlenül apikon keresztül, mert lehet, hogy az is, hogy házon belül futtattok egy modellt satöbbi. >> Abszolút. >> És akkor nyilván ugye nem nem kell továbbrazni azt, hogy a az AI szoftware architect az ugyanennek az architekt verziója.

Tehát a a legtöbb pozíció, ha valaki így próbálja meg értelmezni, akkor a legtöbb pozíció egy nagyjából új értelmet nyer.

Tehát a a mert az AI developerről láttam ilyet, hogy geni developer, ami gyakorlatilag ugyanaz, hogy elemeket adoptálsz még a meglévő termékfejlesztésbe.

De és ak ugyanígy jön az összes többi, ugye a VI Product Managedser.

Én én onnan közelíteném ezt meg, hogy a hogy nagyon sok nagyon sok új paradigma is lehetővé vált így.

Tehát igen, valóban úgy indul a az engineernek a az élete, hogy egy-egy apit lehív, de aztán hamar rájön, hogy a ha az egyik apinak a responszát neki máshova kell adnia, és akkor ott van egy hiba, akkor azt egy picit máshogy kell kezelni.

Bejön ugye ez a probabilisztikusság.

Tehát ezzel az AI-os világgal ezzel nagyon sok olyat olyat kap egy engineer, ami eddig úgy idegen volt neki.

Tehát általában egy engineer az ahhoz van szokva, meghívom az apit, input be, output ki, van esetleg egy side effect, vagy nem tudom, megépül Amazonon egy egy virtuális gép, és és bizony hozzá kell szokni ahhoz, hogy hogy kapok vissza szöveget, kapok vissza Jasont, és a mondjuk egy Amazon apitól nem várja azt az ember, hogy Jasont kér, és nem Jason jön vissza, és nem is kell lekezelni ezt a ezt a a hibát. úgymond néhány évvel ezelőtt, amíg nem volt nem volt…

Említett entitások

Témák

  • ai developer
  • full-stack fejlesztés
  • informatikai munkakörök
  • mlops
  • ai product manager

Személyek

Szervezetek, cégek

  • SCADEMY

Hallgasd meg

Gyakori kérdések erről az epizódról: „Az AI és a nagy full-full-stack trend (kraftie #64)”

Miről szól ez az epizód: „Az AI és a nagy full-full-stack trend (kraftie #64)”?

Az AI térnyerése új informatikai munkaköröket hoz létre, vagy átalakítja a régieket. A 64. Kraftie adásban Szpisják Dani segítségével elemezték az olyan új pozíciókat, mint AI developer, Agentic AI Reliability Engineer, MLOps, és AI Product Manager. Kiderült, hogy ezek a… Az epizód a HWSW podcast! című magyar podcast egyik adása, megjelenés: 2025. 09. 12..

Kik szerepelnek vagy kiket említenek ebben az epizódban: „Az AI és a nagy full-full-stack trend (kraftie #64)”?

Az epizódban a következő nevek szerepelnek vagy hangzanak el: Magyar Péter, Orbán Viktor, Szpisják Dani, Böle György, Batis Peti.

Milyen témákat érint ez az epizód: „Az AI és a nagy full-full-stack trend (kraftie #64)”?

Fő témái: ai developer, full-stack fejlesztés, informatikai munkakörök, mlops, ai product manager.

Mikor jelent meg és milyen hosszú ez az epizód: „Az AI és a nagy full-full-stack trend (kraftie #64)”?

Megjelenés: 2025. 09. 12.. Hossz: 57 perc. Az epizód a Podiverzumon hallgatható meg: https://podiverzum.hu/podcast/hwsw-podcast/az-ai-es-a-nagy-full-full-stack-trend-kraftie-64

Több epizód a HWSW podcast!-ből