AI-építőelemek a meglévő egyetemi rendszerekhez.
Nem egy új központi rendszert akarunk ráültetni az egyetemre.
Tutort, agentet, skillt, integrációt vagy teljes alkalmazást is lehet önállóan építeni — és csak ott összekapcsolni őket, ahol ennek értelme van.
Nem kell mindent egyszerre bevezetni.
Egy kurzus-AI, egy adminisztratív agent és egy intézményi integráció teljesen eltérő probléma. Nem próbáljuk őket egyetlen alkalmazásba kényszeríteni.
Minden megoldás a szükséges komponensekből épül fel, és az egyes komponensek önállóan is használhatók, később továbbépíthetők.
- egy önálló AI-tutor
- egy egyetemi rendszerhez kapcsolódó MCP server
- egy oktatói skill
- egy belső tudásasszisztens
- egy agent
- egy mobilalkalmazás
Az AI azt tudja használni, amihez hozzáférést kap.
Egy egyetemi AI-megoldás értékét nagy részben az adja, hogy a megfelelő intézményi vagy kurzusszintű tudással tud dolgozni.
- kurzusanyagok
- dokumentumok
- szabályzatok
- tudásbázisok
- LMS-tartalom
- belső adatforrások
- intézményi rendszerekből elérhető információk
Nem minden adat kerül automatikusan minden AI-komponenshez. Egy kurzus-AI például csak a saját kurzusának anyagát láthatja, míg egy intézményi asszisztens más, megfelelően engedélyezett forrásokat használhat.
Az AI ott lesz igazán hasznos, ahol eléri a meglévő rendszereket.
Az egyetemeken már működnek tanulmányi rendszerek, LMS-ek, dokumentumtárak és belső alkalmazások. Ezekhez API-n, MCP-n vagy egyedi connectorokon keresztül kapcsolunk AI-megoldásokat.
- LMS-tartalom elérése
- tanulmányi információ lekérdezése
- belső tudásbázis keresése
- adminisztratív folyamat előkészítése
- meglévő alkalmazás AI-funkcióval történő kiegészítése
API
Ha egy rendszer rendelkezik API-val, azon keresztül tudunk adatot vagy funkciókat elérhetővé tenni az AI számára.
Egyedi integráció
Ha nincs megfelelő szabványos kapcsolat, az adott rendszerhez külön integráció építhető.
Az egyetemi funkcióknak nem kell egyetlen chatben élniük.
Az MCP szabványos módot ad arra, hogy AI-kliensek és agentek külső rendszerekhez, adatokhoz és funkciókhoz kapcsolódjanak.
Ez lehetővé teszi, hogy egy intézmény saját capability-jei ott is használhatók legyenek, ahol a felhasználó már dolgozik.
Hol használható
- GoSchool felület
- mobilalkalmazás
- ChatGPT
- Claude
- más MCP-kompatibilis kliens
- egyedi intézményi agent
Mit tehet elérhetővé
- kurzusinformációk lekérdezése
- belső dokumentumtár keresése
- egy adminisztratív folyamat egy része
- egy intézményi rendszer meghatározott funkciói
Az MCP nem jelent korlátlan hozzáférést. A rendelkezésre álló eszközöket, adatokat és műveleteket az intézmény és az adott use case határozza meg.
Az AI nem csak kérdésekre válaszolhat.
Egy agent meghatározott céllal, eszközökkel és jogosultságokkal képes több lépésből álló feladatot végrehajtani.
- információt kereshet több forrásban
- dokumentumokat dolgozhat fel
- összegyűjthet adatokat
- előkészíthet egy döntést vagy műveletet
- meghívhat intézményi funkciókat
- átadhat egy feladatot emberi jóváhagyásra
Nem minden folyamatból kell agentet csinálni. Agentet akkor érdemes használni, ha a feladat valóban több lépésből, eszközhasználatból vagy döntési pontból áll.
A jól működő AI-használat legyen újrafelhasználható.
Sok AI-feladat ma egyetlen ember promptjában vagy saját workflow-jában él. Ha valami jól működik, abból intézményi szinten újrafelhasználható skill készíthető.
Skill lehet például
- egy meghatározott elemzési feladat
- tananyagfeldolgozás
- dokumentum-előkészítés
- oktatói munkafolyamat
- adminisztratív feladat
- egy rendszerfunkció használatának módja
Skill library
- nem kell ugyanazt újra feltalálni
- terjedhetnek a jól működő gyakorlatok
- közösen fejleszthetők a használati minták
- az intézmény saját AI-tudástárat építhet
Nem minden feladathoz ugyanaz a felület kell.
A technológia nem kötődik egyetlen chatalkalmazáshoz. A megfelelő felületet az adott felhasználás alapján választjuk.
Saját webes felület
Ahol önálló alkalmazásra van szükség.
Mobilapp
Hallgatói vagy más mobil használati helyzetekhez.
Beágyazott felület
Meglévő alkalmazásba illesztett AI-funkció.
Külső AI-kliens
MCP-n vagy más integráción keresztül a felhasználó saját AI-kliensében is elérhető lehet egy intézményi capability.
White label
A felület az intézmény saját arculatához és domainjéhez igazítható.
Az AI ugyanazokat a szervezeti határokat tartsa tiszteletben.
Intézményi környezetben alapvető kérdés, hogy ki milyen adatot, funkciót és AI-eszközt érhet el.
- SSO
- intézményi identity
- szerepkörök
- kurzusszintű jogosultság
- szervezeti egységek
- funkciónkénti hozzáférés
- agentenként eltérő jogosultság
Egy hallgató hozzáférhet a saját kurzusának tudásához. Egy oktató további oktatói funkciókat érhet el. Egy adminisztratív agent pedig csak azokhoz a rendszerfunkciókhoz kaphat hozzáférést, amelyekre a feladatához szüksége van.
Nem egyetlen AI-modell köré építünk.
A modellek gyorsan változnak, és különböző feladatokra különböző modellek lehetnek megfelelőek. Ezért az architektúrát úgy alakítjuk ki, hogy a modellválasztás a use case-hez és az intézményi követelményekhez igazodhasson.
A működési környezetet az intézményi követelményekhez igazítjuk.
Egy kurzuspilot és egy érzékeny intézményi folyamat más üzemeltetési modellt kívánhat.
- managed cloud
- intézményi cloud környezet
- privát infrastruktúra
- saját vagy választott modellek
- indokolt esetben on-prem működés
Nem minden deployment opció minden komponenshez vagy modellhez érhető el ugyanúgy. Az architektúrát az adott projekt követelményei alapján tervezzük meg.
A technikai lehetőség nem jelenti azt, hogy mindent meg is kell engedni.
Az intézményi AI-nál ugyanannyira fontos a jogosultság, az adatkezelés, az emberi kontroll és az ellenőrizhetőség, mint maga a modell. A governance kérdéseit minden use case-nél külön kezeljük.
- hozzáférések
- adatminimalizálás
- emberi felügyelet
- naplózás
- auditálhatóság
- modell- és szolgáltatóválasztás
- AI Act
- AI literacy
Egy funkció. Több lehetséges felület.
Tegyük fel, hogy az egyetem létrehoz egy olyan capability-t, amely a hallgató számára megkeresi a saját kurzusaihoz kapcsolódó információkat.
- a GoSchool webes felületén
- mobilalkalmazásban
- egy egyetemi portálba ágyazva
- ChatGPT-ből
- Claude-ból
- egy másik agent részeként
A háttérben ugyanaz az intézményi integráció és jogosultsági logika működhet.
A felület cserélhető.
Az intézményi capability megmarad.
Nem kell előre megtervezni az egész egyetem AI-architektúráját.
Kurzus
Egy oktató elindít egy saját kurzus-AI-t.
Integráció
A következő lépésben az AI már az LMS-ből is elér bizonyos adatokat.
Skill
Az oktató által kialakított jól működő feladatból megosztható skill készül.
Intézmény
Más oktatók és szervezeti egységek is használni kezdik.
Külső kliens
Bizonyos funkciók MCP-n keresztül más AI-kliensekből is elérhetővé válnak.
A komponensek fokozatosan kapcsolhatók össze.
Nem szükséges előre egy teljes monolit platformot bevezetni.
Milyen rendszerekhez kellene AI-t kapcsolni?
Lehet egyetlen adatforrás, egy meglévő alkalmazás, egy MCP-integráció vagy egy teljesebb intézményi megoldás.
Először azt nézzük meg, mi a konkrét feladat — és csak utána, milyen technológia kell hozzá.