Prasību izstrāde mākslīgā intelekta un GenAI risinājumiem
Kursa mērķis
Attīstīt dalībnieku spēju definēt, analizēt, dokumentēt, prioritizēt un validēt prasības mākslīgā intelekta, ģeneratīvā MI un MI aģentu risinājumiem, īpašu uzmanību pievēršot datu kvalitātei, MI rezultātu kvalitātei, drošībai, privātumam, izskaidrojamībai, cilvēka uzraudzībai un risinājuma darbības ierobežojumiem.
Kursa laikā dalībnieki apgūst, kā tradicionālo programmatūras prasību inženierijas pieeju papildināt ar MI risinājumiem specifiskām prasībām, mācās definēt ne tikai funkcionalitāti, bet arī sagaidāmo MI uzvedību, kvalitātes kritērijus, pieļaujamo kļūdu līmeni, datu prasības, drošības robežas, lietotāja un MI atbildības sadalījumu, cilvēka kontroles punktus un risinājuma uzraudzības prasības pēc ieviešanas.
Mērķauditorija
Biznesa analītiķi
Sistēmanalītiķi
Prasību inženieri
MI risinājumu izstrādātāji
Produktu vadītāji
Programmatūras arhitekti
MI projektu vadītāji
IT konsultanti
Digitālās transformācijas speciālisti
Speciālisti, kuri definē, analizē vai pārvalda prasības mākslīgā intelekta un ģeneratīvā mi risinājumiem
Kursa mērķis
Attīstīt dalībnieku spēju definēt, analizēt, dokumentēt, prioritizēt un validēt prasības mākslīgā intelekta, ģeneratīvā MI un MI aģentu risinājumiem, īpašu uzmanību pievēršot datu kvalitātei, MI rezultātu kvalitātei, drošībai, privātumam, izskaidrojamībai, cilvēka uzraudzībai un risinājuma darbības ierobežojumiem.
Kursa laikā dalībnieki apgūst, kā tradicionālo programmatūras prasību inženierijas pieeju papildināt ar MI risinājumiem specifiskām prasībām, mācās definēt ne tikai funkcionalitāti, bet arī sagaidāmo MI uzvedību, kvalitātes kritērijus, pieļaujamo kļūdu līmeni, datu prasības, drošības robežas, lietotāja un MI atbildības sadalījumu, cilvēka kontroles punktus un risinājuma uzraudzības prasības pēc ieviešanas.
Mērķauditorija
Biznesa analītiķi
Sistēmanalītiķi
Prasību inženieri
MI risinājumu izstrādātāji
Produktu vadītāji
Programmatūras arhitekti
MI projektu vadītāji
IT konsultanti
Digitālās transformācijas speciālisti
Speciālisti, kuri definē, analizē vai pārvalda prasības mākslīgā intelekta un ģeneratīvā mi risinājumiem
Tehnoloģijas
MĀCĪBU NORISE
20% teorija un 80% prakse
Mācības notiek tiešsaistē 2 reizes nedēļā. Mācību procesā tiek apvienoti īsi teorētiski skaidrojumi un demonstrācijas ar praktisko darbu. Individuālos un grupu uzdevumos dalībnieki analizē MI risinājumu situācijas, izzina un strukturē prasības, definē datu un rezultātu kvalitātes kritērijus, izvērtē riskus un robežscenārijus un pārbauda prasības praktiskos piemēros. Visa kursa laikā dalībnieki strādā pie vienota projekta, izmantojot ģeneratīvo MI prasību izstrādes atbalstam.
e-CF 4.1
B.6. System Engineering – L.4
A.9. Innovating – L.4
A.10. User Experience – L.4
B.5. Documentation Production – L.3
DigComp 3.0
5.2. Vajadzību un tehnoloģisko risinājumu identificēšana (augsts līmenis)
Caurviju kompetences
Kritiskā domāšana
Problēmu risināšana
Sistēmiskā domāšana
Sadarbība komandā
Starpfunkcionāla komunikācija
Atbildības uzņemšanās
Spēja pieņemt uz risku balstītus lēmumus
Pielāgošanās pārmaiņām
Nepārtraukta mācīšanās un pilnveide
Spēja līdzsvarot drošības, biznesa un lietotāju vajadzības
E-kompetences un caurviju kompetences
E-kompetences un caurviju kompetences
e-CF 4.1
B.6. System Engineering – L.4
A.9. Innovating – L.4
A.10. User Experience – L.4
B.5. Documentation Production – L.3
DigComp 3.0
5.2. Vajadzību un tehnoloģisko risinājumu identificēšana (augsts līmenis)
Caurviju kompetences
Kritiskā domāšana
Problēmu risināšana
Sistēmiskā domāšana
Sadarbība komandā
Starpfunkcionāla komunikācija
Atbildības uzņemšanās
Spēja pieņemt uz risku balstītus lēmumus
Pielāgošanās pārmaiņām
Nepārtraukta mācīšanās un pilnveide
Spēja līdzsvarot drošības, biznesa un lietotāju vajadzības
Priekšzināšanas
Vēlama pamata izpratne par programmatūras izstrādes dzīves ciklu, funkcionālajām un nefunkcionālajām prasībām, mākslīgo intelektu un ģeneratīvo MI, kā arī pieredze darbā ar biznesa, sistēmu vai programmatūras prasībām un ģeneratīvā MI rīkiem. Priekšzināšanas MI modeļu programmēšanā vai datu zinātnē nav obligātas.
Sertifikācija
Šajā programmā sertifikācija nav iekļauta.
Kursa tēmas
MI risinājumu prasību inženierijas specifika
Biznesa mērķis, lietošanas gadījums un panākumu kritēriji
MI risinājuma tvērums un autonomijas robežas
Datu prasības MI risinājumiem
MI rezultātu kvalitātes prasības
GenAI risinājumu prasību specifika
MI aģentu prasību specifika
Drošības prasības GenAI un MI aģentiem
Privātums, ētika, taisnīgums un atbildīga MI prasības
Pārredzamība, izskaidrojamība un cilvēka uzraudzība
MI risinājumu testēšanas un validēšanas prasības
MI risinājuma prasības pēc ieviešanas
Regulējuma un atbilstības prasību pārvēršana sistēmas prasībās
MI prasību kvalitāte un izsekojamība
MI kā prasību inženiera asistents
Mācīšanās rezultāti
Pēc sekmīgas mācību programmas apgūšanas dalībnieki spēs:
Izskaidrot MI un tradicionālās programmatūras prasību atšķirības
Izvērtēt MI piemērotību biznesa problēmai un noteikt izmērāmo vērtību
Definēt risinājuma tvērumu, iesaistītās puses un autonomijas robežas
Formulēt funkcionālās, nefunkcionālās, pārredzamības un izskaidrojamības prasības
Noteikt datu avotu, kvalitātes, pieejamības un izcelsmes prasības
Definēt MI rezultātu pieņemamības kritērijus un kļūdainu vai nenoteiktu rezultātu apstrādi
Formulēt GenAI konteksta, zināšanu un atsauču prasības
Noteikt MI aģentu rīcības un rīku izmantošanas ierobežojumus, cilvēka uzraudzības un apstiprināšanas prasības
Definēt drošības, privātuma un piekļuves prasības, ņemot vērā GenAI riskus, tostarp ļaunprātīgas instrukcijas (prompt injection) un informācijas noplūdi
Noteikt testēšanas, novērtēšanas un pēcieviešanas uzraudzības prasības
Analizēt modeļa un datu izmaiņu ietekmi uz prasībām
Izstrādāt pilnvērtīgu MI risinājuma prasību kopumu, izmantojot MI analīzes un kvalitātes pārbaudes atbalstam
