MI aģenti datu analīzei un analītisko procesu automatizācijai
Kursa mērķis
Attīstīt zināšanas un praktiskās iemaņas MI aģentu veidošanā datu analīzes uzdevumu veikšanai un atkārtojamu analītisko procesu automatizācijai, integrējot MI ar datu avotiem, analītikas rīkiem un cilvēka veiktu rezultātu kontroli.
Mācību laikā dalībnieki apgūs MI aģentu darbības principus un to izmantošanu vairāku soļu analītisko uzdevumu veikšanai – no datu iegūšanas, sagatavošanas un pārbaudes līdz analīzei, noviržu identificēšanai un pārskatu sagatavošanai.
Mērķauditorija
Datu analītiķi un datu zinātnieki
Procesu automatizācijas speciālisti
MI risinājumu izstrādātāji
IT speciālisti
Inovāciju un digitālās transformācijas speciālisti
Citu jomu profesionāļi, kuri vēlas automatizēt datu analīzes procesus
Kursa mērķis
Attīstīt zināšanas un praktiskās iemaņas MI aģentu veidošanā datu analīzes uzdevumu veikšanai un atkārtojamu analītisko procesu automatizācijai, integrējot MI ar datu avotiem, analītikas rīkiem un cilvēka veiktu rezultātu kontroli.
Mācību laikā dalībnieki apgūs MI aģentu darbības principus un to izmantošanu vairāku soļu analītisko uzdevumu veikšanai – no datu iegūšanas, sagatavošanas un pārbaudes līdz analīzei, noviržu identificēšanai un pārskatu sagatavošanai.
Mērķauditorija
Datu analītiķi un datu zinātnieki
Procesu automatizācijas speciālisti
MI risinājumu izstrādātāji
IT speciālisti
Inovāciju un digitālās transformācijas speciālisti
Citu jomu profesionāļi, kuri vēlas automatizēt datu analīzes procesus
Tehnoloģijas
MĀCĪBU NORISE
20% teorija un 80% prakse
Mācības notiek tiešsaistē 2 reizes nedēļā. Mācību process apvieno īsus teorētiskus skaidrojumus un demonstrācijas ar praktiskiem uzdevumiem, veidojot MI aģentus, pieslēdzot datu avotus un analītikas rīkus, kā arī izstrādājot automatizētas analītiskās darba plūsmas.
Visa kursa garumā dalībnieki strādā ar vienotu praktisku projektu, pakāpeniski izveidojot MI aģenta risinājumu atkārtojamam datu analīzes procesam, pārbaudot tā darbības kvalitāti un paredzot cilvēka kontroli būtiskos procesa posmos.
e-CF 4.1
A.9. Innovating – L.4
D.7. Data Science and Analytics – L.3
E.5. Process Improvement – L.3
DigComp 3.0
1.3. Informācijas pārvaldība (augsts līmenis)
5.2. Vajadzību un tehnoloģisko risinājumu identificēšana (augsts līmenis)
Caurviju kompetences
Kritiskā domāšana
Analītiskā domāšana
Problēmu risināšana
Sistēmiskā domāšana
Sadarbība
Atbildības uzņemšanās
Uz risku balstītu lēmumu pieņemšana
Pielāgošanās jaunām tehnoloģijām
Nepārtraukta mācīšanās un pilnveide
E-kompetences un caurviju kompetences
E-kompetences un caurviju kompetences
e-CF 4.1
A.9. Innovating – L.4
D.7. Data Science and Analytics – L.3
E.5. Process Improvement – L.3
DigComp 3.0
1.3. Informācijas pārvaldība (augsts līmenis)
5.2. Vajadzību un tehnoloģisko risinājumu identificēšana (augsts līmenis)
Caurviju kompetences
Kritiskā domāšana
Analītiskā domāšana
Problēmu risināšana
Sistēmiskā domāšana
Sadarbība
Atbildības uzņemšanās
Uz risku balstītu lēmumu pieņemšana
Pielāgošanās jaunām tehnoloģijām
Nepārtraukta mācīšanās un pilnveide
Priekšzināšanas
Vēlama izpratne par datu analīzes pamatprincipiem un strukturētiem datiem, pieredze darbā ar datu analīzes vai BI rīkiem, kā arī pamata pieredze GenAI rīku izmantošanā.
Pamata izpratne par API, automatizāciju vai Python ir vēlama, bet nav obligāta.
Sertifikācija
Šajā programmā sertifikācija nav iekļauta.
Kursa tēmas
MI aģenti datu analīzē
Analītiskā procesa sadalīšana aģenta darbībās
MI aģenta instrukcijas un darba konteksts
Datu avotu un analītisko rīku pievienošana aģentam
Aģents datu iegūšanai un sagatavošanai
MI aģents izpētes datu analīzei
Analītisko pārskatu un kopsavilkumu automatizācija
Daudzsoļu un vairāku aģentu analītiskās darba plūsmas
Cilvēka kontrole un analīzes kvalitāte
Aģenta darbības izsekojamība un kļūdu diagnostika
Datu drošība, privātums un pārvaldība
MI aģenta ieviešana analītiskā procesā
Mācīšanās rezultāti
Pēc sekmīgas mācību programmas apgūšanas dalībnieki spēs:
Izskaidrot MI aģenta atšķirību no parasta ģeneratīvā MI asistenta
Identificēt analītiskus procesus, kuri ir piemēroti automatizācijai ar MI aģentiem
Sadalīt datu analīzes procesu aģentam izpildāmos soļos
Definēt MI aģenta lomu, mērķi, darba noteikumus un sagaidāmos rezultātus
Pievienot aģentam nepieciešamos datu avotus un analītiskos rīkus
Veidot vairāku soļu analīzes darba plūsmas
Izmantot MI aģentu datu iegūšanai, pārbaudei, transformācijai un analīzei
Izmantot aģentu periodisku analītisko uzdevumu automatizācijai
Integrēt cilvēka apstiprinājumu kritiskos procesa posmos
Definēt aģenta kļūdu, izņēmumu un nenoteiktības apstrādes principus
Kontrolēt MI ģenerēto analīžu un secinājumu kvalitāti
Izmantot žurnālierakstus un starprezultātus aģenta darbības izsekošanai
Identificēt datu drošības, privātuma un piekļuves riskus
Novērtēt aģenta automatizācijas ieguvumus, riskus un ierobežojumus
Izveidot praktisku MI aģenta risinājumu atkārtojamam analītiskam procesam
