VAS Mācību pārvaldības sistēma

Mācību kursa programma:

Mācību kursa modulis:

Mācību mērķis: Sniegt padziļinātas zināšanas un praktiskas iemaņas autonomu mākslīgā intelekta aģentu (AI agents) projektēšanā, veidošanā un integrācijā, lai automatizētu kompleksus uzdevumus, uzlabotu pakalpojumu pieejamību un optimizētu lēmumu pieņemšanas procesus publiskajā pārvaldē.

Kursa formāts: tiešsaistē  

Kursa ilgums: 16 akadēmiskās stundas, 4 nodarbības

Pasniedzējs: Vitālijs Čemeris ir WordPress mājaslapu izstrādes speciālists ar padziļinātu kompetenci mākslīgā intelekta (AI) rīku un biroja procesu automatizācijas ieviešanā, palīdzot organizācijām un uzņēmumiem efektivizēt digitālos procesus, optimizēt satura pārvaldību, automatizēt dokumentu un komunikācijas plūsmas, kā arī ieviest praktiskus AI risinājumus ikdienas darbā, tādējādi paaugstinot darba produktivitāti, samazinot manuālo darbību apjomu un veicinot ilgtspējīgu digitālo attīstību.

Publiskajā pārvaldē nodarbinātie IT speciālisti, datu inženieri, inovāciju vadītāji un sistēmu analītiķi, kuriem ir priekšzināšanas darbā ar MI rīkiem un kuri vēlas apgūt padziļinātas prasmes autonomo aģentu izstrādē.

!Sertifikāts tiks izsniegts tikai projekta mērķa grupas dalībniekiem (valsts tiešās pārvaldes iestādes, neatkarīgās iestādes, pašvaldību administrācijas, iestādes un aģentūras)!

• Priekšzināšanas par lielo valodu modeļu (LLM) darbības principiem un API izmantošanu;
• Pamatzināšanas programmēšanā (vēlams Python) tiks uzskatītas par priekšrocību;
• Dators ar Microsoft Windows, MacOS vai Linux;
• Stabils interneta pieslēgums.

1. MI aģentu arhitektūra un pamatprincipi (4 stundas): Ievads autonomo MI aģentu koncepcijā: atšķirība starp vienkāršiem LLM un aģentiem. Aģentu galvenie komponenti: uztvere (perception), domāšana (reasoning), atmiņa (memory) un rīcība (action). Pārskats par populārākajiem aģentu ietvariem (piemēram, LangChain, AutoGen, CrewAI). Aģentu pielietojuma scenāriji publiskajā pārvaldē (piem., dokumentu analīze, iedzīvotāju pieprasījumu apstrāde).
2. Aģentu atmiņas un rīku (Tools) integrācija (4 stundas): Īstermiņa un ilgtermiņa atmiņas (Vector Databases) izmantošana aģentu konteksta saglabāšanai. Aģentu aprīkošana ar ārējiem rīkiem: web meklēšana, API izsaukumi, datu bāzu vaicājumi un lokālo failu apstrāde. RAG (Retrieval-Augmented Generation) arhitektūras ieviešana, lai aģents spētu strādāt ar specifiskiem publiskās pārvaldes iekšējiem dokumentiem un normatīvajiem aktiem.
3. Multi-aģentu sistēmu (Multi-Agent Systems) veidošana (4 stundas): Vairāku specializētu aģentu sadarbības modeļi sarežģītu uzdevumu veikšanai. Aģentu lomu sadalījums (piem., pētnieks, rakstnieks, recenzents). Komunikācijas protokoli starp aģentiem un uzdevumu deleģēšana. Praktiska multi-aģentu sistēmas prototipēšana (piemēram, izmantojot CrewAI), lai modelētu likumprojektu saskaņošanas vai iepirkumu dokumentācijas pārbaudes procesu.
4. Aģentu drošība, ētika un ieviešanas izaicinājumi (4 stundas): MI aģentu darbības caurskatāmība un izskaidrojamība (Explainable AI). Halucināciju risku mazināšana un aģentu "robežu" (guardrails) noteikšana. Datu privātums un atbilstība VDAR (GDPR) un Eiropas MI aktam (AI Act), ieviešot aģentus publiskajā sektorā. Cilvēka loma cilpā (Human-in-the-loop) aģentu uzraudzībā un apstiprināšanas procesos.

Spēs izprast un projektēt MI aģentu arhitektūru, integrēt aģentus ar ārējiem datu avotiem un rīkiem, izveidot vienkāršas multi-aģentu sistēmas specifisku publiskās pārvaldes uzdevumu automatizācijai, kā arī pārzinās aģentu drošas un ētiskas ieviešanas pamatprincipus.

ES Atveseļošanas fonda projekts Nr.2.3.2.2.i.0/1/23/I/VARAM/001 “Publiskās pārvaldes digitālā akadēmija”