Veidlapa Nr. M-3 (8)
Studiju kursa apraksts
Mākslīgā intelekta projektu vadība, ieviešana un stratēģiskā attīstība organizācijās
Kursa kods
SZF_242
Zinātnes nozare
Citas inženierzinātnes un tehnoloģijas, tai skaitā pārtikas un dzērienu tehnoloģijas; Citas inženierzinātņu un tehnoloģiju apakšnozares
Kredītpunkti (ECTS)
3,00
Mērķauditorija
Uzņēmējdarbības vadība; Vadībzinātne
LKI
7. līmenis
Studiju veids un forma
Pilna laika
Studiju kursa īstenotājs
Kursa vadītājs
Linda Alksne
Struktūrvienības vadītājs
Ieva Puzo
Struktūrvienība
Sociālo zinātņu fakultāte
Kontaktinformācija
Dzirciema iela 16, Rīga, szf@rsu.lv
Par studiju kursu
Mērķis
Kurss ir veidots, lai sagatavotu vadītājus, kuri prot ieviest, vadīt un attīstīt MI risinājumus organizācijās. Kurss sagatavo efektīvai mākslīgā intelekta projektu vadībai un ieviešanai organizācijās, attīstot prasmi sasaistīt MI risinājumus ar biznesa mērķiem, procesiem un reālām vajadzībām. Studenti apgūst pilnu MI projektu vadības ciklu no problēmas definēšanas un dizaina domāšanas līdz datu stratēģijai, eksperimentiem, MVP izstrādei, uzturēšanai un ilgtermiņa MI stratēģijas izveidei.
Datu analīzē, stratēģijā, eksperimentiem un cilvēkcentrētā pieejā.
Priekšzināšanas
Kursa sekmīgai apguvei ieteicama vispārīga izpratne par organizāciju darbības pamatprincipiem un pamata pieredze projektu vai procesu vadībā. Interese par mākslīgā intelekta pielietojumu, digitālo attīstību un inovācijām būtiski atvieglos mācību procesu. Analītiskās prasmes un pieredze digitālo iniciatīvu īstenošanā būs priekšrocība, taču tehniskas datu vai programmēšanas zināšanas nav obligātas.
Studiju rezultāti
Zināšanas
1.par mākslīgā intelekta projektu dzīves ciklu un tā būtiskākajām atšķirībām no tradicionālās IT sistēmu izstrādes
Patstāvīgais darbs un pārbaudījumi
MI projekta plāna izstrāde, balstoties reālā organizācijas scenārijā
2.par datu pārvaldības principiem, datu stratēģijas izveidi un datu plūsmas arhitektūras pamatiem MI risinājumu kontekstā
Patstāvīgais darbs un pārbaudījumi
Datu stratēģijas un eksperimentu modeļa izstrāde
3.par eksperimentu dizainu, iteratīvo prototipēšanu un testēšanas metodēm, kas nodrošina pakāpenisku risinājuma pilnveidi
4.par MI modeļu novērtēšanas pieejām, uzraudzības procesiem un ilgtermiņa uzturēšanas mehānismiem
5.par MI stratēģijas izstrādes posmiem, tās sasaisti ar organizācijas mērķiem un ietekmes modelēšanas metodēm
Patstāvīgais darbs un pārbaudījumi
MVP koncepta vai prototipa definēšana un izstrāde • MI projekta plāna izstrāde, balstoties reālā organizācijas scenārijā
6.par dizaina domāšanas principiem MI projektu izstrādē, īpaši lietojamības, darba plūsmas un cilvēkcentrētu risinājumu nodrošināšanai
Prasmes
1.spēj noteikt MI lietojuma iespējas un precīzi definēt risināmo problēmu, balstoties organizācijas procesos un datu realitātē
2.spēj izstrādāt pilnvērtīgu MI projekta plānu, tai skaitā MVP koncepciju, eksperimentu struktūru un testēšanas scenārijus
Patstāvīgais darbs un pārbaudījumi
Projekta prezentēšana noslēguma sesijā • MVP koncepta vai prototipa definēšana un izstrāde
3.spēj analizēt datu plūsmas, novērtēt datu kvalitāti un izvērtēt tās ietekmi uz potenciālo MI risinājumu
4.strukturēt MI iniciatīvas, atbilstoši organizācijas stratēģiskajām prioritātēm un procesiem
5.pielietot dizaina domāšanas metodes, lai izstrādātu lietojamus, praktiskus un ilgtspējīgus MI risinājumus, kas ērti integrējami darba vidē
6.modelēt MI projektu riskus, identificēt ieviešanas barjeras un izstrādāt risinājumus to mazināšanai
Patstāvīgais darbs un pārbaudījumi
Riska analīze un ieviešanas posmu strukturēšana
Kompetences
1.vadīt pilnu MI projekta dzīves ciklu un koordinēt starpdisciplināras komandas darbu
Patstāvīgais darbs un pārbaudījumi
Projekta prezentēšana noslēguma sesijā
2.izstrādāt organizācijai piemērotu MI stratēģijas ietvaru, definējot attīstības virzienus un sagaidāmo ietekmi
Patstāvīgais darbs un pārbaudījumi
Projekta prezentēšana noslēguma sesijā
3.novērtēt MI projekta iespējamību, resursu vajadzības un operacionālos riskus
4.nodrošināt MI risinājuma integrāciju organizācijas darba procesos un ilgtermiņa uzturēšanu
5.argumentēti pieņemt lēmumus, balstoties datos, ietekmes analīzē un eksperimentu rezultātos
Vērtēšana
Patstāvīgais darbs
|
Virsraksts
|
% no gala vērtējuma
|
Vērtējums
|
|---|---|---|
|
1.
MI projekta plāna izstrāde, balstoties reālā organizācijas scenārijā |
20,00% no gala vērtējuma
|
10 balles
|
|
2.
MVP koncepta vai prototipa definēšana un izstrāde |
20,00% no gala vērtējuma
|
10 balles
|
|
3.
Datu stratēģijas un eksperimentu modeļa izstrāde |
20,00% no gala vērtējuma
|
10 balles
|
|
4.
Riska analīze un ieviešanas posmu strukturēšana |
20,00% no gala vērtējuma
|
10 balles
|
Pārbaudījums
|
Virsraksts
|
% no gala vērtējuma
|
Vērtējums
|
|---|---|---|
|
1.
Projekta prezentēšana noslēguma sesijā |
20,00% no gala vērtējuma
|
10 balles
|
Studiju kursa tēmu plāns
PILNA LAIKA
1. daļa
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Mācību telpa
|
2
|
Tēmas
|
Mākslīgā intelekta ieviešanas pamati organizācijās
Apraksts
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Mācību telpa
|
2
|
Tēmas
|
Problēmas definēšana un MI piemērošanas gadījumu izstrāde
Apraksts
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Mācību telpa
|
2
|
Tēmas
|
Dizaina domāšana MI projektu vadībā
Apraksts
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Mācību telpa
|
2
|
Tēmas
|
Datu stratēģija un datu plūsmas arhitektūra
Apraksts
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Mācību telpa
|
2
|
Tēmas
|
Eksperimentu dizains un iteratīvā izstrāde MI projektos
Apraksts
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Mācību telpa
|
2
|
Tēmas
|
MVP izstrāde un ātrā validācija
Apraksts
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Mācību telpa
|
2
|
Tēmas
|
MI stratēģijas izstrāde organizācijai
Apraksts
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Mācību telpa
|
2
|
Tēmas
|
Sistēmu uzraudzība, optimizācija un mērogošana
Apraksts
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Mācību telpa
|
2
|
Tēmas
|
Sistēmu uzraudzība, optimizācija un mērogošana
Apraksts
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Mācību telpa
|
2
|
Tēmas
|
Ieviešanas riski un biežākās kļūdas organizācijās
Apraksts
|
-
Konsultācija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Mācību telpa
|
2
|
Tēmas
|
Noslēguma projekts
Apraksts
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Mācību telpa
|
2
|
Tēmas
|
Noslēguma projekts
Apraksts
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Mācību telpa
|
2
|
Tēmas
|
Noslēguma projekts
Apraksts
|
Kopā kredītpunkti (ECTS):
3,00
Kontaktstundas:
24 ak. st.
Gala pārbaudījums:
Eksāmens (Mutisks)
Bibliogrāfija
Obligātā literatūra
1.
Ajay Agrawal, Joshua Gans, Avi Goldfarb. Prediction Machines: The Simple Economics of Artificial Intelligence.Piemērots angļu valodas plūsmai
2.
Thomas H. Davenport. The AI Advantage: How to Put the Artificial Intelligence Revolution to Work (Management on the Cutting Edge)Piemērots angļu valodas plūsmai
3.
Ethan Mollick. Co-Intelligence: Living and Working with AIPiemērots angļu valodas plūsmai
4.
Impact of Artificial Intelligence on Businesses: from Research, Innovation, Market Deployment to Future Shifts in Business Models: plašs pētījums par MI ietekmi uz biznesa modeļiem un uzņēmumu stratēģiju.Piemērots angļu valodas plūsmai
5.
Deep Learning and Machine Learning, Advancing Big Data Analytics and Management: Handy Appetizer: labs pārskats par datu analītiku, DL/ML, noderēs datu stratēģijas un arhitektūras sadaļai.Piemērots angļu valodas plūsmai
6.
Making Sense of AI Limitations: How Individual Perceptions Shape Organizational Readiness for AI Adoption: 2025. gada raksts par to, ka ieviešana nesākas ar kodu vai infrastruktūru, bet ar cilvēku uzticību, izpratni un jaunās realitātes sagatavošanu. Labs piemērs risku un integrācijas aspektiem.Piemērots angļu valodas plūsmai
7.
A Framework for the Adoption and Integration of Generative AI in Midsize Organizations and Enterprises(FAIGMOE): 2025. gada pētījums ar strukturētu pieeju Gen-AI ieviešanaiPiemērots angļu valodas plūsmai
Papildu literatūra
1.
Artificial Intelligence: A Guide for Thinking Humans (labs, saprotams pārskats par to, ko AI var un ko nevar) noderēs, lai students saprot reālus riskus un iespējas.Piemērots angļu valodas plūsmai
2.
AI Snake Oil: What Artificial Intelligence Can Do, What It Can't, and How to Tell the Difference (kritiska grāmata par AI hype un realitāti, kas noder risku sadaļā.)Piemērots angļu valodas plūsmai
3.
The AI-Driven Leader: Harnessing AI to Make Faster, Smarter DecisionsPiemērots angļu valodas plūsmai
4.
Hello World: How to Be Human in the Age of the Machine (populārzinātnisks skats uz AI un sabiedrību) labs konteksts ētikas, cilvēkcentrētas pieejas un stratēģijas daļaiPiemērots angļu valodas plūsmai
5.
Artificial Intelligence for the Real World: Raksts no Harvard Business Review, plaši citēts, apskata MI ieviešanos uzņēmumos un kas strādā vs kas nestrādā.Piemērots angļu valodas plūsmai
6.
AI implementation strategies: 4 insights from MIT Sloan: MIT Sloan pārskats, 2025. gada, ar rekomendācijām MI ieviešanai dažādās industrijās.Piemērots angļu valodas plūsmai
7.
The ‘productivity paradox’ of AI adoption in manufacturing firms: Jauns pētījums no 2025., kas ilustrē riskus un īslaicīgas grūtības, kas seko MI ieviešanai reālajā ražošanā. Der kā pretstats (līdzsvars) “visu automatizēsim ar AI” optimistiem.Piemērots angļu valodas plūsmai