TSI logo 25 years
LV EN
Home > Par mums > Struktūra un pārvaldība > Anotācijas

LĪMENIS

PROGRAMMA

FAKULTĀTE

GADS

VALODA

ATSLĒGVĀRDI

Ar ģeneratīvām AI tehnoloģijām papildinātas programmatūras izstrāde projektu vadības atbalstam.

Šis darbs pēta ģeneratīvā mākslīgā intelekta pielietošanas praktisko vērtību projektu vadības programmatūrā, lai uzlabotu vadītāja darbu. Mērķis ir novērtēt GenAI efektivitāti un ietekmi uz projektu vadības procesiem.Pētījums sākas ar esošās akadēmiskās un nozares literatūras apskatu par AI integrāciju projektu vadībā. Tam seko detalizēta gadījumu izpētes analīze par gadījumiem, kad AI ir integrēts projektu pārvaldības rīkos. Programmatūras izstrādes dzīves cikla metodoloģija tiek izmantota, lai izstrādātu un pārbaudītu programmatūru, iekļaujot prototipēšanas fāzi, lai izpētītu un apstiprinātu koncepcijas pirms pilna mēroga izstrādes.Šī pētījuma rezultāti ietver ar GenAI darbināmas programmatūras izveidi, kas ievērojami paātrina personāla atlases procesu projektiem, saskaņojot projekta prasības ar personāla prasmēm. Rezultāti liecina, ka izstrādātā programmatūra efektīvi izmanto GenAI tehnoloģijas, lai uzlabotu projektu vadības procesu, vienkāršotu vadības uzdevumus un veicinātu efektīvākus un precīzākus lēmumu pieņemšanas procesus.Šis pētījums izceļ GenAI potenciālu, lai pārveidotu projektu vadības praksi un virzītu nākotnes inovācijas.

Autors: Pāvels Kulajevs

Vadītājs: Aleksejs Vesjolijs

Līmenis: Bakalaurs

Gads: 2024

Darba valoda: Latviešu

Studiju programma: Datorzinātnes

Vairāk...

Izgūšanas-papildināšanas ģenerēšanas sistēmu uzlabošanas stratēģijas

Šis darbs sistemātiski pēta izgūšanas-papildināšanas ģenerēšanas sistēmu (RAG) sistēmu uzlabošanu lielo valodu modeļos, uzsverot izguves parametru optimizāciju un ģenerēšanas precizitāti. Tiek pētīta RAG sistēmu optimālās konfigurācijas, tostarp informācijas daļu lielumu un pārklāšanās procentus, top-k atlasi, vaicājumu transformācijas, dažādas izguves metodes, dažādus lielos valodu modeļus, proti, GPT-3.5-Turbo un GPT-4, atklājot, ka informācijas lielums visbiežāk ir 500 marķieri. piedāvā vislabāko veiktspēju. Vektoru meklēšana, izmantojot kosinusu līdzību, kļūst par visefektīvāko izguves metodi, ievērojami uzlabojot gan konteksta precizitāti, gan dažādu uzdevumu un zināšanu bāzu atsaukšanu. Eksperimentēšana CRUD-RAG ietvaros parāda tās pielietojamību dažādos uzdevumos, sākot no satura izveides līdz zināšanu pilnveidošanai. Atklājumi liecina, ka izguves iestatījumu uzlabojumi var ievērojami uzlabot RAG sistēmu veiktspēju, padarot tās efektīvākas un pielāgojamākas sarežģītiem informācijas sintēzes un izguves uzdevumiem. Šie rezultāti apstiprina sistemātisku uzlabojumu potenciālu, lai uzlabotu mākslīgā intelekta vadītus valodas modeļus praktiskos lietojumos, sniedzot nozīmīgu ieskatu un praktiskas pieejas RAG sistēmu izpētes ainavai.

Autors: Sigita Lapiņa

Vadītājs: Dmitry Pavlyuk

Līmenis: Maģistrs

Gads: 2024

Darba valoda: Angļu

Studiju programma: Datorzinātnes

Vairāk...

Programmatūras izstrādes aspektu izpēte, izmantojot tehnoloģiju node.js

Lai izpētītu programmatūras izstrādes aspektus, tika izveidota servera aplikācija, kas izmanto Node.js un NestJS, lai veidotu REST API. Šis API integrē Google Natural Language AI, lai analizētu iesniegtās lietotāju atsauksmes. Aplikācija ietver vairākas REST adreses, kas spēj apstrādāt, analizēt un apkopot datus par lietotāju atsauksmēm. Tika veikti veiktspējas mērījumi, analizējot notikumu gaidīšanas laiku, atmiņas un CPU izmantošanu, kā arī citiem svarīgiem rādītājiem. Datu glabāšanai tika izmantota MongoDB datubāze. Darbs iekļauj API un tā veiktspējas novērtējumu. Aplikācija tika testēta, lai nodrošinātu tās atbilstību izvirzītajiem kritērijiem un nodrošinātu praktisku pielietojumu.

Autors: Valērijs Sergejevs

Vadītājs: Mihails Savrasovs

Līmenis: Bakalaurs

Gads: 2024

Darba valoda: Angļu

Studiju programma: Datorzinātnes

Vairāk...

Uz mašīnmācīšanos balstīta neobjektivitātes novēršana nākotnes atlasē, kas balstīta uz mākslīgo intelektu

Mūsdienu cilvēkresursu vidē mākslīgā intelekta integrācija rada gan iespējas, gan izaicinājumus, jo īpaši personāla atlases jomā, kas aptver visus procesa posmus, sākot no kandidātu meklēšanas līdz gala atlasei. Tomēr šī integrācija nav bez problēmām. Neobjektīvi dati, kas izriet no vēsturiskiem datiem vai sabiedrības aizspriedumiem, var būt nozīmīgs šķērslis, kas var izraisīt diskriminējošu praksi. Pētījumā "Uz mašīnmācīšanos balstīta neobjektivitātes novēršana nākotnes atlasē, kas balstīta uz mākslīgo intelektu" mērķis ir analizēt esošas novirzes gan no cilvēka, gan no mākslīgā intelekta perspektīvas personāla atlases procesā. Tā ietvaros tiek meklētas atbildes uz šādiem pētījuma jautājumiem: kādas ir esošās neobjektivitātes personāla atlases procesā, gan tiešas, gan netiešas, un kā var efektīvi mazināt vai novērst novirzes personāla atlases procesā, izmantojot modelēšanas metodes nākotnes atlases sistēmās, kas balstītas uz mākslīgo intelektu. Izmantojot uz datiem balstītu pieeju un mašīnmācīšanās modeļu pielāgošanu, tiks atklāts, kāda veida novirzes pastāv atlases procesā un kā tās mazināt.

Autors: Ērika Todjēre

Vadītājs: Jeļena Kijonoka

Līmenis: Maģistrs

Gads: 2024

Darba valoda: Angļu

Studiju programma: Datorzinātnes

Vairāk...

Table View
Text View