| Kods | DE1109 | |||||||||||||||||||||||||||||||||||||||||||||||||
| Nosaukums | Ģeneratīvā mākslīgā intelekta lietojumi | |||||||||||||||||||||||||||||||||||||||||||||||||
| Statuss | Obligātais/Ierobežotās izvēles | |||||||||||||||||||||||||||||||||||||||||||||||||
| Līmenis un tips | Pamatstudiju, Akadēmiskais | |||||||||||||||||||||||||||||||||||||||||||||||||
| Tematiskā joma | Datorika | |||||||||||||||||||||||||||||||||||||||||||||||||
| Struktūrvienība | Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte | |||||||||||||||||||||||||||||||||||||||||||||||||
| Mācībspēks | Jānis Grabis, Jānis Kampars, Oksana Ņikiforova, Marta Narigina | |||||||||||||||||||||||||||||||||||||||||||||||||
| Kredītpunkti | 4.0 | |||||||||||||||||||||||||||||||||||||||||||||||||
| Daļas | 1 | |||||||||||||||||||||||||||||||||||||||||||||||||
| Anotācija |
Ģeneratīvais mākslīgais intelekts ir mākslīgā intelekta veids, kas spēj radīt jaunu saturu, nevis tikai analizēt vai klasificēt jau esošus datus. Tas plaši tiek izmantots dažādās informācijas tehnoloģijas jomā, t. sk. infrastruktūras pārvaldībā, kiberdrošībā, datu analīze un programmēšanā. Studiju kurss sniedz ieskatu ģeneratīvā mākslīgā intelekta (ĢMI) tehnoloģijās, to darbības principos un praktiskajos lietojumos informācijas tehnoloģijā. Studiju kursa ietvaros studenti apgūst, kā ģeneratīvie modeļi tiek izmantoti datu analīzē, programmēšanā un cita veidu informācijas tehnoloģijas uzdevumu risināšanā. Studiju kurss tiek organizēts semināru veidā, kurā studējošie un pieaicinātie jomas speciālisti iztirzā aktuālās ģeneratīvā mākslīgā intelekta metodes, tehnoloģijas un lietojumus. Studiju kursā tiek aplūkoti arī ētikas, drošības, datu aizsardzības un atbildīgas ģeneratīvā mākslīgā intelekta izmantošanas jautājumi.. |
|||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa saturs |
|
|||||||||||||||||||||||||||||||||||||||||||||||||
|
Mērķis un uzdevumi, izteikti kompetencēs un prasmēs |
Studiju kursa mērķis ir veidot studentu izpratni par ģeneratīvā mākslīgā intelekta darbības principiem, svarīgākajiem modeļu veidiem un to pielietojumu informācijas tehnoloģiju jomā. Studiju kursa uzdevums ir pilnveidot studentu spēju kritiski izvērtēt ģeneratīvā mākslīgā intelekta radītos rezultātus un efektīvi formulēt pieprasījumus darbam ar šādām sistēmām. | |||||||||||||||||||||||||||||||||||||||||||||||||
|
Sasniedzamie studiju rezultāti un to vērtēšana |
Spēj skaidrot ģeneratīvā mākslīgā intelekta pamatprincipus un galvenos modeļu veidus. - Vērtēšanas metode: eksāmens.
Vērtēšanas kritēriji: students korekti skaidro ģeneratīvā mākslīgā intelekta pamatjēdzienus, raksturo galvenos modeļu veidus un to darbības principus, lieto atbilstošu terminoloģiju un spēj sniegt piemērus. Spēj raksturot nozīmīgākos ģeneratīvā mākslīgā intelekta lietošanas scenārijus informācijas tehnoloģijā. - Vērtēšanas metode: eksāmens un semināra prezentācija. Vērtēšanas kritēriji: students identificē un skaidro dažādus ģeneratīvā MI pielietojumus IT jomā, pamatoti raksturo to priekšrocības un ierobežojumus, kā arī demonstrē izpratni par praktisko pielietojumu. Spēj patstāvīgi izmantot ģeneratīvā mākslīgā intelekta rīkus informācijas tehnoloģijas uzdevumu risināšanā. - Vērtēšanas metode: semināra prezentācija. Vērtēšanas kritēriji: students demonstrē praktisku ģeneratīvā MI rīku izmantošanu konkrēta uzdevuma risināšanā, spēj pamatot izvēlēto pieeju un skaidrot iegūtos rezultātus. Spēj formulēt efektīvus vaicājumus, pārvaldīt kontekstu un pielāgot ģeneratīvā mākslīgā intelekta modeļus. - Vērtēšanas metode: semināra prezentācija un eksāmens. Vērtēšanas kritēriji: students spēj formulēt skaidrus un strukturētus vaicājumus, demonstrē izpratni par konteksta pārvaldību un spēj paskaidrot izmantotās pieejas rezultātu uzlabošanai. Spēj izmantot aģentiskās darbplūsmas procesu automatizēšanai. - Vērtēšanas metode: semināra prezentācija. Vērtēšanas kritēriji: students demonstrē izpratni par aģentiskām darbplūsmām, spēj parādīt vienkāršu automatizācijas piemēru un pamatot izmantoto risinājumu. Spēj kritiski izvērtēt ģenerētā satura kvalitāti, uzticamību un ierobežojumus. - Vērtēšanas metode: eksāmens un semināra prezentācija. Vērtēšanas kritēriji: students analizē ģenerētā satura kvalitāti, identificē iespējamās kļūdas vai ierobežojumus un sniedz pamatotus secinājumus par rezultātu uzticamību. Spēj identificēt ētiskos un drošības riskus, kas saistīti ar ģeneratīvā mākslīgā intelekta izmantošanu. - Vērtēšanas metode: eksāmens. Vērtēšanas kritēriji: students atpazīst būtiskākos ētiskos, drošības un datu aizsardzības riskus, spēj tos skaidrot un piedāvā piemērotus risku mazināšanas principus. Spēj izstrādāt risinājumus, kuros integrēti ģeneratīvā mākslīgā intelekta rīki. - Vērtēšanas metode: semināra prezentācija. Vērtēšanas kritēriji: students izstrādā un prezentē konceptuālu risinājumu, kurā izmantoti ģeneratīvā MI rīki, skaidro tā struktūru, darbības principu un potenciālo pielietojumu. |
|||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju rezultātu vērtēšanas kritēriji |
Semināra prezentācija - 50%
Eksāmens - 50% |
|||||||||||||||||||||||||||||||||||||||||||||||||
| Priekšzināšanas | Programmēšana, datu analīze, mākslīgais intelekts. | |||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa plānojums |
|
|||||||||||||||||||||||||||||||||||||||||||||||||