LV EN RU DE FR

Mākslīgais intelekts ekonomikā

Kursa izstrādātājs

Kursa anotācija

Kursa mērķis ir sniegt studentiem zināšanas un prasmes analizēt mākslīgā intelekta nozīmi ekonomiskajos procesos un tā pielietošanas iespējām procesu optimizācijā, kā arī jaunu produktu radīšanā. Kursā tiek aplūkotas tirgū pieejamo mākslīgā intelekta rīku izmantošanas iespējas, kā arī brīvpieejas modeļu izmantošana jaunu produktu veidošanai. Turklāt kursā tiek apspriesti mākslīgā intelekta izmantošanas veidi atbilstoši pastāvošajiem normatīviem aktiem un labās prakses standartiem, reaģējot uz jaunākajām tendencēm digitālajā pasaulē. Visbeidzot kursā tiek analizētas nākotnes tendences mākslīgā intelekta un ar to saistīto tehnoloģiju attīstībai, ieskicējot jaunas idejas potenciālo uzņēmējdarbības modeļu realizācijai.

Kursa rezultāti un to vērtēšana

Zināšanas:
• par mākslīgā intelekta darbības principiem un to pielietošanas iespējām uzņēmējdarbībā un ekonomisko procesu analīzē - 1. kontroldarbs, 2. patstāvīgais darbs;
• par pastāvošo normatīvo regulējumu mākslīgā intelekta rīku izmantošanā - 2. kontroldarbs, 1. patstāvīgais darbs.
Prasmes:
• prot praktiski izmantot dažādus mākslīgā intelekta rīkus uzņēmējdarbības procesu pilnveidē - 1. patstāvīgais darbs,
• prot pielietot izplatītākos mākslīgā intelekta rīkus jaunu produktu radīšanā un marketinga komunikācijā – 2. patstāvīgais darbs
Kompetence:
• spēja patstāvīgi atlasīt un integrēt mākslīgā intelekta rīkus ekonomisko procesu realizācijā. Izmantot mākslīgā intelekta piedāvātās iespējas jaunu produktu radīšanai vai esošo produktu noieta veicināšanai, atbilstoši uzņēmuma mērķiem un spēkā esošajam regulējumam - 1. patstāvīgais darbs, 1. patstāvīgais darbs.

Kursa saturs(kalendārs)

Pilna laika klātienes studijās (24 stundas):
1. Mākslīgā intelekta pamati – galvenie jēdzieni, vēsture un attīstības cikli, ceļš no
mašīnmācības līdz lielo valodu modeļiem. Svarīgākās lomas mākslīgā intelekta veidošanā. Mūsdienās izplatītākie mākslīgā intelekta pielietojumu veidi, paplašinātā informācijas izgūšana. (1 lekcija, 1 praktiskā nodarbība)
2. Mākslīgā intelekta veidu analīze un to izmantošanas iespējas uzņēmējdarbībā. Mašīnmācības pielietošanas scenāriju analīze, salīdzinājumā ar ģeneratīvā mākslīgā intelekta integrācijas iespējām. (1 lekcija, 1 praktiskā nodarbība)
3. Mākslīgā intelekta rīku piedāvājuma analīze, iespējamo pielietojumu variantu analīze, populārāko rīku apskats un salīdzinājums, praktisks izmēģinājums satura radīšanā. Brīvpieejas piedāvājuma analīze un to tālāk izmantošanas iespējas savu produktu radīšanai. (1 lekcija, 2 praktiskās nodarbības)
1. kontroldarbs (1 stunda)
4. Vaicājumu veidošanas stratēģijas – populārākie veidi, kā veidot vaicājumus mākslīgajam intelektam. Vaicājumu inženierija, populārākās vaicājumu veidošanas stratēģijas. Vaicājumu konteksta papildināšana ar lokālajām uzņēmuma zināšanām. (1 lekcija, 1 praktiskā nodarbība)
5. Mākslīgā intelekta ieviešanas stratēģijas veidošana – stratēģijas veidošana mākslīgā intelekta ieviešanai organizācijā, produkta dzīves cikla plānošana un uzraudzība. (1 lekcija, 1 praktiskā nodarbība)
6. Mākslīgā intelekta aģentu sistēmas – aģentu lomu uzņēmējdarbības problēmu risināšanā un analīzē. Intelektuālo aģentu veidi, to pielietošanas iespējas procesu automatizācijā. (1 lekcija, 1 praktiskā nodarbība)
7. Dati, to nozīme mākslīgā intelekta izmantošanā un kā to izmantošana produktu radīšanā– datu pielietojums uzņēmējdarbības procesu analīzē, datu vizualizācija iespējas, mākslīgā intelekta balstīta analīze datos, dažādu piemēru apskats (1 lekcija, 1 praktiskā nodarbība)
8.Mākslīgā intelekta pielietošanas iespējas e-komercijā un produkta noieta veicināšanā – iespējami veidi kā produktu personalizēt atbilstoši patērētāju vajadzībām, analizēt mērķa tirgu un virzīšanu tajā ar mākslīgā intelekta palīdzību. (1 lekcija, 1 praktiskā nodarbība)
9. Ētiskie un autortiesību jautājumi ap mākslīgo intelektu ekonomiskajos procesos – zināmākie aizspriedumi, ētiskie jautājumi, kas tiek risināti mākslīgā intelekta produktu izmantošanā, intelektuālā īpašuma aizsardzība. (2 lekcijas)
10. Mākslīgā intelekta regulējums un drošības prasības – esošais regulējums un zināmākie mākslīgā intelekta pārvaldības standarti – ES mākslīgā intelekta akts, mākslīgā intelekta pārvaldības standarts iestādēm, risku analīze produktu ieviešanas procesos. (1 lekcija)
2. kontroldarbs (1 stunda)
11. Nākotnes tendences mākslīgā intelekta pielietojuma attīstībai – saistītās tehnoloģijas, tirgus tendences un prognozes. Esošo trūkumu analīze un to iespējamo attīstības scenāriju apskats. (1 lekcija, 1 praktiskā nodarbība)

Prasības kredītpunktu iegūšanai

Ieskaite. Akumulējošs vērtējums, kurš sastāv no:
• 1.kontroldarbs: 25 punkti
• 2. kontroldarbs: 25 punkti
• 1. patstāvīgais darbs: 25 punkti
• 2. patstāvīgais darbs 25 punkti

Viesiem darbiem jābūt ieskaitītiem, lai iegūtu gala vērtējumu – Ieskaitīts.

Studējošo patstāvīgo darbu organizācijas un uzdevumu raksturojums

1. Patstāvīgais darbs – Izstrādāt plānu AI integrācijai uzņēmumā, balstoties uz dotajiem kritērijiem. Darbā būs jāveido uzņēmuma datu plūsmas un jāskaidro to automatizācijas vai uzlabojumu iespējas ar AI, kā arī jāskaidro soļi, kas jāpilda, lai nodrošinātu atbilstību regulējuma prasībām (apjoms darba pamatdaļai vismaz 10 lpp.).
2. Patstāvīgais darbs – veikt uzņēmuma mārketinga kampaņas izstrādi, balstoties uz mākslīgā intelekta piedāvātajām iespējām, veidojot gan kampaņas plānu, saturu, kā arī vizuālos materiālus un izplatīšanas pieeju. (apjoms darba pamatdaļai vismaz 10 lpp.).
Patstāvīgo darbu realizācija ir obligāta.

Studiju rezultātu vērtēšanas kritēriji

Kontroldarbus var rakstīt tikai norādītā laikā. Lai saņemtu gala vērtējumu, visiem praktiskajiem darbiem jābūt ieskaitītiem. Lai pārbaudes darbs tiktu ieskaitīts, tiem jābūt izpildītiem par vismaz 60%.

Obligātā literatūra

1. A.Bahree (2024). Generative AI in Action. Manning Publications Co., ISBN 9781633436947, 439 p.
2. R. Akerkar (2019). Artificial Intelligence for Business. Springer Cham. ISBN 978-3-319-97436-1, https://doi.org/10.1007/978-3-319-97436-1
3. D. Kumar (2018). Artificial Intelligence for Big Data: Complete guide to automating Big Data solutions using Artificial Intelligence techniques. 1st Edition. Google. PacktPub. ISBN: 9781788476010

Papildliteratūra

1. E. Rothman (2018). Artificial Intelligence By Example: Develop machine intelligence from scratch using real artificial intelligence use cases. PactPub. 1st Edition, ISBN: 9781788990028. 490p.
2. D. Fasnacht (2024). Open and Digital Ecosystems. Springer Wiesbaden. ISBN: 978-3-658-45395-4. 273 p., https://doi.org/10.1007/978-3-658-45395-4

Periodika un citi informācijas avoti

1. IEEE Transactions on Big Data (IEEE): https://www.ieee.org/publications/transactions-on-big-data.html
2. Journal of Cybersecurity (Oxford University Press): https://academic.oup.com/cybersecurity
3. Artificial Intelligence Review. An International Science and Engineering Journal. Springer Nature. https://link.springer.com/journal/10462

Piezīmes

Obligātais studiju kurss akadēmiskās maģistra studiju programmā “Ekonomika“