Ha szabadúszóként, például virtuális asszisztensként (VA, vagyis távolról dolgozó asszisztens) elkezdesz mesterséges intelligenciával és automatizálással dolgozni, hamar belefutsz egy rakás új szóba. Az ügyfél azt kéri, hogy „kösd be a webhookot”, a súgó azt írja, hogy „elfogyott a kontextusablak”, a kolléga pedig azt mondja, hogy „ez csak hallucináció volt”. Elsőre olyan, mintha mindenki egy másik nyelvet beszélne.
Ez a fogalomtár a 16 leggyakoribb AI fogalmat és automatizálási kifejezést magyarázza el ábécérendben, mindegyiket egy rövid, hétköznapi példával. Nem kell hozzá programozói tudás, csak egy kis kíváncsiság. A példákban szereplő nevek, cégek és számok kitaláltak, szemléltető jellegűek.
Ebben a cikkben
Ha csak gyorsan keresel valamit, itt van az egész fogalomtár egy-egy mondatban:
| Fogalom | Egy mondatban |
|---|---|
| Anonimizálás | Az adatokból végleg eltávolítod, ami személyhez köthető |
| API | Szabályozott kapu, amin két program adatot cserél |
| Automatizálás | Egy ismétlődő feladatot egy program végez el helyetted |
| Finomhangolás | Egy kész modellt saját példákkal tovább tanítanak |
| Hallucináció | Magabiztosan megfogalmazott, de hamis MI-válasz |
| Integráció | Két alkalmazás tartós összekötése |
| Kontextusablak | Amennyi szöveget a modell egyszerre „észben tud tartani” |
| Mesterséges intelligencia | Gépek, amelyek emberi gondolkodást igénylő feladatot végeznek |
| MI-asszisztens és ügynök | Csevegő segítő, illetve önállóan lépéseket végrehajtó MI |
| Nagy nyelvi modell | Hatalmas szövegmennyiségen tanított, szöveget író modell |
| Prompt | Az utasítás, amit az MI-nek adsz |
| RAG | A modell a válasz előtt a te dokumentumaidban keres |
| Token | Szódarab, ebben méri a modell a szöveget |
| Trigger | Az esemény, ami elindít egy automatizálást |
| Webhook | Azonnali értesítés, amit egy app egy másiknak küld |
| Workflow | Egymás után következő lépések egy automatizált folyamatban |
Anonimizálás
Az anonimizálás azt jelenti, hogy egy adathalmazból úgy távolítasz el minden személyhez köthető információt, hogy utána senki ne tudja visszafejteni, kiről szól. Nem elég kicserélni a nevet: egy egyedi beosztás, egy lakcím vagy egy ritka betegség is elárulhatja az érintettet.
Fontos különbség: ha a nevet csak egy kóddal helyettesíted, de valahol megvan a kulcs, az álnevesítés, és az adat attól még személyes adat marad. A GDPR a valóban anonim adatra nem vonatkozik, az álnevesítettre igen.
Példa
Egy ügyfélpanaszt szeretnél MI-vel átfogalmaztatni. Mielőtt bemásolod, a „Kovács Anna, Szeged, 2024. márciusi rendelés” részt átírod úgy, hogy „egy vásárló, egy tavaszi rendelés”. A válaszlevél megírásához ennyi bőven elég.
Mire figyelj?
Ügyféladatot csak akkor tegyél MI-eszközbe, ha az ügyfél ezt jóváhagyta, és tudod, hogyan kezeli a szolgáltató az adatot. Ha bizonytalan vagy, anonimizálj, vagy hagyd ki az eszközt.
API
Az API, vagyis alkalmazásprogramozási felület egy szabályozott kapu, amin keresztül két program adatot cserél egymással. Te nem látod, mert a háttérben történik: az egyik app kérést küld („add ide az új megrendeléseket”), a másik pedig egy előre megadott formában válaszol.
Szabadúszóként ritkán kell magad API-t programoznod. Az automatizáló eszközök (Zapier, Make, n8n) éppen azt csinálják, hogy az API-kat kattintható lépésekké alakítják. Amikor egy ilyen eszközben „összekötsz” két appot, valójában egy API-kulcsot vagy egy bejelentkezést adsz meg, amivel az eszköz a nevedben hozzáfér.
Példa
Az ügyfeled számlázóprogramjának van API-ja. Az automatizáló eszköz ezen keresztül minden reggel lekéri az előző napi számlákat, és beírja őket egy táblázatba. Neked nem kell egyenként kimásolnod őket.
Mire figyelj?
Az API-kulcs olyan, mint egy jelszó. Ne küldd el e-mailben, ne tedd közös dokumentumba, és ha egy együttműködés véget ér, kérd meg az ügyfelet, hogy vonja vissza.
Automatizálás
Az automatizálás azt jelenti, hogy egy ismétlődő, szabályokkal leírható feladatot egy program végez el helyetted, emberi kattintgatás nélkül. A kulcsszó a „szabály”: ha meg tudod fogalmazni, hogy „ha ez történik, akkor csináld ezt”, akkor jó eséllyel automatizálható. Ami viszont minden alkalommal kicsit másképp történik, azt előbb érdemes egységesíteni, és csak utána gépre bízni.
Az automatizálás nem azonos a mesterséges intelligenciával. Egy klasszikus automatizálás nem gondolkodik, csak pontosan végrehajtja, amit beállítottál. Az MI akkor kerül a képbe, ha egy lépésben szöveget kell érteni vagy írni. Az ábrán egy olyan folyamatot látsz, ahol a kettő együtt dolgozik.
Példa
Minden új kapcsolatfelvételi űrlapnál kézzel bemásoltad az adatokat a táblázatba, és küldtél egy köszönő e-mailt. Most ezt egy automatizálás végzi: te csak a beérkezett kérdésekre válaszolsz.
Finomhangolás
A finomhangolás azt jelenti, hogy egy már betanított nyelvi modellt saját példákkal tovább tanítanak, hogy egy szűk feladatban jobban teljesítsen. Ilyenkor nem új tudást töltesz bele egyszer és mindenkorra, hanem a stílusát, a formátumát, a válaszadási szokásait igazítod.
Egy szabadúszó számára a finomhangolás ritkán az első lépés. Drágább, technikai tudást igényel, és sok jó minta kell hozzá. A legtöbb igényre elég egy jól megírt prompt, egy mentett utasításkészlet vagy egy RAG-megoldás, amely a saját dokumentumaidból dolgozik.
Példa
Egy webshop több ezer korábbi ügyfélszolgálati választ gyűjtött össze a saját hangnemében. Egy fejlesztő ezekből finomhangol egy modellt, hogy az új válaszvázlatok ugyanígy szóljanak. Egy egyéni szabadúszónak ugyanerre elég egy prompt, benne öt mintaválasszal.
Hallucináció
Hallucinációnak hívjuk, amikor egy MI-eszköz magabiztosan, jól megfogalmazva állít valamit, ami nem igaz. Kitalál egy forrást, egy jogszabályhelyet, egy árat vagy egy dátumot. Nem hazudik szándékosan: a nyelvi modell a legvalószínűbb következő szavakat rakja egymás után, és ez néha hihető, de hamis mondatot eredményez.
A hallucináció a legnagyobb kockázat, amikor ügyfélnek készítesz anyagot MI-vel. A szöveg folyékonysága könnyen elaltatja a figyelmet.
Példa
Megkéred az MI-t, hogy foglalja össze egy szoftver árait. A táblázat szépen néz ki, de az egyik csomag ára két évvel ezelőtti, egy másik csomag pedig nem is létezik. Ha nem ellenőrzöd a gyártó oldalán, ez megy ki az ügyfélnek.
A lényeg
Amit az MI tényként állít (szám, ár, dátum, név, jogszabály), azt mindig ellenőrizd egy hiteles forrásban, mielőtt továbbadod.
Integráció
Az integráció két alkalmazás tartós összekötése, hogy az adatok maguktól átjussanak egyikből a másikba. Az API a kapu, az integráció pedig maga a kész kapcsolat, amit beállítasz és használsz.
Kétféle integrációval fogsz találkozni. A beépített integrációt maga az app kínálja: a beállításokban egy kattintással összekötöd, például a naptárat a videóhívás-eszközzel. A köztes eszközös integrációnál egy automatizáló platform áll a két app között, és ott te döntöd el, mi történjen.
Példa
Az ügyfeled időpontfoglalója beépítve összeköthető a naptárával: minden foglalás magától bekerül. A foglalást a CRM-be (ügyfélkezelő rendszerbe) viszont már egy automatizáló eszköz viszi át, mert ehhez a két appnak nincs közvetlen kapcsolata.
Ha azt mérlegeled, melyik köztes eszközzel érdemes ezt megoldani, a Zapier, Make és n8n összehasonlításunkban végigvesszük a különbségeket.
Kontextusablak
A kontextusablak az a szövegmennyiség, amit egy nyelvi modell egy beszélgetésben egyszerre figyelembe tud venni. Ide tartozik minden: az utasításod, a bemásolt dokumentumok, a korábbi üzenetek és maga a válasz is. A Claude dokumentációja a modell „munkamemóriájaként” írja le, és ez jó hasonlat: amit a modell nem lát a kontextusablakban, arról az adott pillanatban nem tud.
A kontextusablak méretét tokenben mérik, és modellenként eltér. Ha egy nagyon hosszú beszélgetés vagy dokumentum túllépi, a modell a korai részeket elfelejtheti, vagy hibaüzenetet kapsz.
Példa
Egy 80 oldalas szerződést másolsz be, és kérdezel a 3. oldalról. A válasz pontatlan, mert közben sok más szöveg is bekerült. Tisztább eredményt kapsz, ha új beszélgetést nyitsz, és csak a releváns fejezetet adod meg.
Mesterséges intelligencia
A mesterséges intelligencia, röviden MI vagy AI, olyan számítógépes rendszerek gyűjtőneve, amelyek emberi gondolkodást igénylő feladatokat végeznek: szöveget értenek és írnak, képet ismernek fel, mintázatot találnak az adatokban, javaslatot tesznek. Ez egy nagyon tág fogalom, a helyesírás-ellenőrzőtől a csevegő asszisztensekig sok minden belefér.
Amikor ma a hétköznapokban MI-ről beszélünk, általában a nyelvi modellekre épülő eszközökre gondolunk, mint a ChatGPT, a Claude vagy a Gemini. Az EU a mesterséges intelligenciáról szóló rendeletben szabályozza, mire és hogyan használhatók ezek a rendszerek.
Példa
Ugyanaz a nap két MI-vel: reggel a leveleződ szűrője automatikusan kiválogatja a spamet, délután pedig egy csevegő MI-vel írsz vázlatot egy ügyfélnek szóló ajánlathoz. Mindkettő mesterséges intelligencia, de egészen más feladatra.
Hogy melyik csevegő MI mire való, azt a ChatGPT, Claude és Gemini összehasonlításunkban nézzük meg részletesen.
MI-asszisztens és ügynök
Az MI-asszisztens egy csevegő felületű segítő: te kérdezel vagy utasítasz, ő válaszol, és minden lépésnél te döntöd el, mi legyen a következő. A ChatGPT vagy a Claude alap használata ilyen.
Az MI-ügynök ennél önállóbb. Kap egy célt, és maga tervezi meg és hajtja végre a lépéseket: keres, fájlt nyit, más alkalmazásokat használ, és csak a végén, vagy kényes pontokon kérdez vissza. Ez nagy segítség lehet, de több felügyeletet is igényel.
MI-asszisztens
Te vezeted a beszélgetést, minden lépést te indítasz. Kevés kockázat, sok kézi munka.
MI-ügynök
Célt kap, és lépéseket hajt végre helyetted. Gyorsabb, de jobban kell figyelni, mihez fér hozzá.
Mire figyelj?
Ügynöknek csak annyi hozzáférést adj, amennyi a feladathoz kell. Ha e-mailt küldhet vagy fizethet, állíts be jóváhagyási pontot, mielőtt élesben bármit csinál.
Nagy nyelvi modell
A nagy nyelvi modell, röviden LLM, egy olyan MI-rendszer, amelyet hatalmas mennyiségű szövegen tanítottak, és fő feladata a szöveg megértése és előállítása. A Wikipédia meghatározása szerint jellemzően neurális hálózatra épül, és főként emberi nyelv feldolgozására, különösen szöveg generálására használják.
Egyszerűen úgy képzeld el: a modell sok-sok szövegből megtanulta, milyen szavak szoktak egymás után következni, és ezt a tudást használja, amikor válaszol. Ezért ír folyékonyan, de ezért is hallucinálhat. A ChatGPT, a Claude és a Gemini mögött is nagy nyelvi modellek dolgoznak.
Példa
Ugyanazt a kérést („írj egy udvarias fizetési emlékeztetőt”) két különböző modellnek adod. Mindkettő jó levelet ír, de más hangnemben és hosszban. Érdemes kipróbálnod, melyik illik jobban a saját stílusodhoz.
Delegria Insights
Kész promptok a mindennapi ügyfélmunkához
A promptkönyvtárunkban kipróbálható, testre szabható utasításokat találsz levelezéshez, ügyfélkommunikációhoz és adminisztrációhoz, mindegyiknél leírva, mire figyelj.
Prompt
A prompt az az utasítás vagy kérdés, amit az MI-nek adsz. Lehet egyetlen mondat, de lehet egy hosszabb leírás is háttérrel, példákkal és formai elvárásokkal. A jó prompt a legolcsóbb módja annak, hogy jobb választ kapj: nem kell hozzá se új eszköz, se finomhangolás.
Egy jól használható prompt négy dolgot tartalmaz:
- Szerep és helyzet. Ki vagy, kinek írsz, mi a háttér.
- Feladat. Pontosan mit kérsz: összefoglalót, vázlatot, táblázatot.
- Forma. Hossz, hangnem, tegezés vagy magázás, felsorolás vagy folyószöveg.
- Példa vagy korlát. Egy minta, amit kövessen, vagy amit kerüljön.
Példa
Gyenge: „Írj levelet az ügyfélnek.” Erősebb: „Szabadúszó grafikus vagyok, egy régi ügyfelemnek írok, aki két hete nem fizette ki a számlát. Írj egy rövid, udvarias, magázó emlékeztetőt, legfeljebb öt mondatban, fenyegetés nélkül.”
RAG
A RAG egy olyan megoldás, amelyben a nyelvi modell a válasz előtt a te dokumentumaidban keres, és a talált részletekre építi a választ. A Wikipédia leírása szerint így a modell külső adatforrásból is friss információhoz jut, nem csak abból, amit a tanítás során látott.
Röviden: a finomhangolás a modell stílusát alakítja, a RAG a tudását egészíti ki a te anyagaiddal. Ha egy MI-eszközben „tudásbázist” vagy „projektfájlokat” töltesz fel, és a válaszok ezekre hivatkoznak, a háttérben jellemzően ilyesmi működik.
Példa
Az ügyfeled belső szabályzatait feltöltöd egy MI-eszköz projektjébe. Ha valaki megkérdezi, „hány nap a visszaküldési határidő?”, a válasz a feltöltött szabályzatból jön, nem egy általános webshop-gyakorlatból.
Token
A token az a szódarab, amiben a nyelvi modell a szöveget méri és feldolgozza. Egy token lehet egy rövid szó, egy szó egy része vagy egy írásjel. A kontextusablak méretét, a használati korlátokat és sokszor a díjakat is tokenben adják meg.
Az OpenAI súgója szerint angol szövegnél egy token nagyjából négy karakter, vagyis 100 token kb. 75 szó. Más nyelveken, így magyarul is, ez az arány eltérhet, és modellenként is más.
Példa
Egy hosszú ügyfélmegbeszélés leiratát másolod be, és figyelmeztetést kapsz, hogy túl hosszú. Nem a szavak száma a gond, hanem a tokeneké. Bontsd részekre, és kérj részösszefoglalókat.
Trigger
A trigger az az esemény, ami elindít egy automatizálást. Minden automatizált folyamat egy triggerrel kezdődik: valami történik az egyik alkalmazásban, és erre indul be a többi lépés. Trigger lehet egy új e-mail, egy kitöltött űrlap, egy új sor a táblázatban, egy kifizetett számla vagy egy időpont, például minden hétfő reggel 8 óra.
A jó trigger pontosan körülhatárolt. Ha túl tág, a folyamat olyankor is lefut, amikor nem kellene.
Példa
Rossz trigger: „új e-mail érkezett”. Ez minden hírlevélre is elindul. Jobb trigger: „új e-mail érkezett az ajanlat@ címre, csatolmánnyal”. Így csak az árajánlatkérések kerülnek a táblázatba.
Mire figyelj?
Új automatizálást először teszteld próbaadattal, és nézd meg a futásnaplót. Egy rosszul beállított trigger egy éjszaka alatt több száz felesleges e-mailt vagy duplikált sort gyárthat.
Webhook
A webhook egy azonnali értesítés, amit egy alkalmazás küld egy másiknak, amikor valami történik. A különbség az API-hoz képest: API-nál a te eszközöd kérdez rá rendszeresen, hogy van-e új adat, webhooknál viszont a forrásalkalmazás magától szól, abban a pillanatban.
Az automatizáló eszközökben a webhook általában egy egyedi webcím. Ezt beírod a forrásalkalmazás beállításaiba, és onnantól minden eseménynél ide érkeznek az adatok.
Példa
Az ügyfeled webshopja minden új rendelésnél webhookot küld az automatizáló eszköznek. Az eszköz azonnal létrehoz egy feladatot a csomagolásra, nem kell 15 percet várni a következő lekérdezésig.
Mire figyelj?
A webhook címét kezeld bizalmasan: aki ismeri, adatot küldhet a folyamatodba. Ha kiszivárgott, generálj újat.
Workflow
A workflow, vagyis munkafolyamat az automatizálásban egymás után következő lépések sora, amelyet egy trigger indít el. Ide tartozik minden, ami utána történik: adatok átalakítása, feltételek („ha az összeg 100 000 Ft felett van”), MI-lépések és a végső akciók, például egy e-mail vagy egy új sor a táblázatban.
Egy workflow-t érdemes először papíron vagy egy egyszerű listában leírni, és csak utána beépíteni egy eszközbe. Ha kézzel nem tudod lépésről lépésre elmagyarázni, a gép sem fogja jól csinálni. Az MI és az automatizálás azt gyorsítja, ami ismétlődik: egy rendezetlen folyamatot is csak rendezetlenül, gyorsabban csinál.
Példa
Új ügyfél workflow-ja: trigger az aláírt megállapodás, majd mappa létrehozása, üdvözlő e-mail, feladatlista a saját rendszeredben, és egy emlékeztető egy hét múlvára, hogy rákérdezz, minden rendben van-e.
Delegria Insights
Zapier, Make vagy n8n: melyikkel építsd a workflow-t?
Mostantól tudod, mi a trigger, a webhook és az integráció. Az összehasonlításunkban megnézzük, melyik automatizáló eszköz mire jó, mennyibe kerül, és melyikkel érdemes kezdeni.
