No 17. līdz 21. novembrim Viļņā, Lietuvā norisinājās konference Big Data Conference Europe 2025, kuru apmeklēja arī pieci Latvijas datu kuratori: Oksana Zaiceva no Rīgas Tehniskās universitātes un Ilmārs Dukulis, Ingus Šmits, Jānis Judrups un Nikolajs Būmanis no Latvijas Biozinātņu un tehnoloģiju universitātes.
Konference pulcēja vairāk nekā 60 runātājus un 700 dalībniekus no desmitiem valstu un ietvēra plašu tematisko loku - no datu kvalitātes un pārvaldības līdz mākslīgā intelekta (MI) aģentiem, automatizācijai, datu platformām un organizāciju digitālajai transformācijai.
Kopumā konferencē notika septiņas praktiskās darbnīcas, no kurām divās tika uzsvērta MI izmantošana praksē. Darbnīcā AI For Leaders: Turn Chaos into Clarity – A Get-it-Done Game Plan for Leaders Who Want Results Yesterday bija iespēja apskatīt MI iniciatīvas no vadības perspektīvas - kā atšķirt krāšņus eksperimentus no projektiem ar skaidru biznesa ietekmi un kā definēt 3–6 mēnešu ceļa karti pirmajām iniciatīvām. Savukārt darbnīcā Analyse your workflows and upgrade them with AI tika kartēti savi reālie darba plūsmas posmi un identificētas iespējas manuālus, laikietilpīgus soļus aizstāt ar automatizāciju vai MI asistentiem, neiesaistot programmēšanu.
Galvenās konferences laikā gūtās atziņas:
  1. Datu kvalitāte nosaka MI projektu panākumus. Ja dati ir nekonsekventi, neprecīzi vai nepilnīgi, MI sistēmas kļūdās un to rezultāti nav reproducējami, tāpēc MI projekti bieži netiek realizēti ārpus pilotstadijas. Datu kvalitātes kontrolei jābūt nepārtrauktam procesam ar skaidrām metrikām un pārskatāmiem testiem gan ražošanas sistēmās, gan pētniecības datu kopās un studiju projektos.
  2. Datu līgumi (data contracts) nodrošina stabilu pamatu MI ekosistēmām. Tie definē skaidrus noteikumus par datu struktūru, kvalitāti un piegādes atbildību starp komandām un sistēmām. Tas ievērojami samazina kļūdas datu plūsmās un ļauj visiem strādāt ar vienotu izpratni par datiem. Rezultātā MI risinājumi kļūst stabilāki un vieglāk uzturami. Datu kuratoriem jāveicina šo līgumu izstrāde un ieviešana. Šādu līgumu ideja ir noderīga arī pētniecības projektos un kursu izstrādē, lai jau sākumā būtu skaidri datu izmantošanas nosacījumi.
  3. Metadatu pārvaldība un datu izcelsmes izsekošana ir kritiska moderniem MI risinājumiem. Bez sakārtotiem metadatiem MI sistēmas nespēj saprast kontekstu vai interpretēt datus korekti. RAG, MI aģenti un personalizētie mācību ceļi balstās uz skaidri definētu datu semantiku un uzticamu datu katalogu. Tas vienlīdz attiecas uz organizāciju datu platformām, pētniecības datu repozitorijiem un mācību piemēros izmantotajiem datiem.
  4. MI projekti bieži neizdodas datu precizitātes, nevis tehnoloģijas dēļ. Organizācijas nereti koncentrējas uz modeļiem un rīkiem, aizmirstot sakārtot datu plūsmas un atbildības. Rezultātā MI tiek piegādāti nekvalitatīvi, nesagatavoti dati, kas padara risinājumus neuzticamus.
  5. MI iniciatīvām jāsākas ar skaidri definētu problēmu. Ja projekts sākas no rīka, nevis problēmas, MI rezultāti ir fragmentēti un mazvērtīgi. Pareizi definēta problēma un piesaiste KPI vai citiem mērījumiem ļauj izvēlēties piemērotāko pieeju un precīzi novērtēt ieguvumus.
  6. MI jāpadara pieejams netehniskiem darbiniekiem, lai tā vērtība tiktu realizēta pilnā apjomā. Ja MI izmanto tikai tehniskās komandas, organizācija zaudē lielāko daļu potenciālā ieguvuma. Datu kuratoru uzdevums ir nodrošināt, ka šie rīki ir savienoti ar pareiziem un saprotamiem datu avotiem, kā arī definēt drošas lietošanas robežas.
  7. Uzvedņu (prompts) vadlīnijas un standarti ir būtiski organizācijas līmenī. Bez vienotiem principiem MI rezultāti ir nekonsekventi un grūti kontrolējami. Kopīgas vadlīnijas nodrošina kvalitāti, atkārtojamību un produktivitāti. Tās ir jāuztver kā oficiāla, dzīva dokumentācija. Pareizi formulēti pieprasījumi ļauj efektīvi izmantot MI rīkus datu klasifikācijai, metadatu ģenerēšanai un satura kopsavilkumiem.
  8. MI aģenti strādā uzticami tikai tad, ja procesi un dati ir skaidri definēti. Aģenti balstās uz precīziem API, dokumentiem un datu struktūrām, tāpēc haotiski dati un neformāli “apvedceļi” tieši pārvēršas kļūdainā uzvedībā.
  9. Cilvēku prasmju attīstība ir būtiska MI vērtības realizēšanai. Pat modernākais MI rīks nespēj dot vērtību, ja komandas nezina, kā ar to strādāt un kā interpretēt rezultātus. Apmācības un praktiska pieredze ir kritisks produktivitātes paātrinātājs. Datu kuratori un pētnieki šeit var kļūt par zināšanu nesējiem – demonstrēt labās prakses, piemērus un ierobežojumus, kas jāņem vērā, strādājot ar datiem un MI.
  10. MI jāintegrē produktu un pakalpojumu loģikā kā stratēģisks elements. Kad MI tiek izmantots tikai “papildu funkcijas” veidā, tā potenciāls netiek realizēts. Efektīvie uzņēmumi veido MI kā centrālu biznesa vērtības komponenti, nevis kosmētisku uzlabojumu. Tas nodrošina mērogojamību un ilgtermiņa konkurētspēju. Datu kuratoriem un pētniekiem tas nozīmē domāt par datiem un modeļiem ne tikai kā par resursu, bet kā par daļu no konkrētiem produktiem un pakalpojumiem.
Kopumā konferences saturs vedina secināt, ka MI projekti nerobežojas ar modeļiem un platformām, bet gan balstās uz cilvēkiem, kas tos izstrādā, kuru uzdevums vispirms ir ieviest kārtību datos, procedūrās un atbildību sadalē. Datu kuratori, pētnieki un mācībspēki kopā sekmē šādu datu kārtību, skaidrību un drošību.