A szakdolgozat célja egy olyan LLM-re (Large Language Model – Nagy Nyelvi Modell) épülő tudásbázis rendszer létrehozása, amely segítségével a felhasználók társalgási formában tudnak az oldal üzemeltetői által beállított nagyméretű adathalmazból információhoz jutni, bármilyen haladó adatfeldolgozási tapasztalat nélkül. A kutatás kiemelt célja egy olyan rendszer megvalósítása, amelyben a beérkező adatok feldolgozása automatikusan, külső beavatkozás vagy kódmódosítás nélkül történik, tetszőleges időpontban és gyakorisággal. Ez lehetővé teszi a rendszer rugalmas alkalmazását különböző környezetekben, és megszünteti az adatelemzéshez szükséges technikai ismeretek követelményét. A megoldás alapját a RAG (retrieval-augmented generation) technológia adja, amely biztosítja az információk gyors és hatékony elérését a modellek újratanítása nélkül. A rendszer architektúrája moduláris, skálázható felépítésű, és különböző komponensekre épül, mint például a SvelteKit-alapú webalkalmazás, a RabbitMQ üzenetkezelő, a GROBID-alapú dokumentumfeldolgozó és a FAISS-ra épülő szemantikus keresőmotor. Az infrastruktúra Docker alapú konténerizációval működik, így biztosítva az izolált, megbízható környezetet. A megvalósított megoldás alkalmas a mesterséges intelligencia alapú rendszerek hatékony és felhasználóbarát működtetésére különféle szakterületeken.