No 2026. gada 4. līdz 5. februārim Londonā, Anglijā norisinājās TecEx organizētā starptautiskā konference-izstāde AI & Big Data Expo Global 2026, kurā piedalījās vairāk nekā 8000 dalībnieku. Pasākumu apmeklēja arī trīs Latvijas Datu kuratoru tīkla pārstāvji no Latvijas Biozinātņu un tehnoloģiju universitātes, lai izzinātu aktuālās tendences mākslīgā intelekta (MI), datu pārvaldības un infrastruktūras jomā.
Konferencē dzirdētais apstiprina pāreju no eksperimentēšanas ar MI uz pārvaldītu ieviešanu, uzsverot vērtību, drošību un atbildību.
Galvenās gūtās atziņas
- “Dati vispirms” (Data-First) pieeja. MI sistēmu kvalitāte ir tieši atkarīga no datu kvalitātes. Bez strukturētiem, konsekventi aprakstītiem un validētiem datiem pat jaudīgi modeļi sniedz nestabilus un grūti auditējamus rezultātus. Tas nozīmē, ka datu kopām jābūt “AI-ready” – ar pilnvērtīgiem metadatiem, skaidru izcelsmi un kvalitātes kontrolēm.
- GenAI un automatizācija pētniecībā. Ģeneratīvais MI arvien biežāk tiek izmantots teksta, kodu un darbplūsmu automatizācijai. Tas palielina nepieciešamību skaidri nošķirt primāros datus, atvasinātos datus un ar MI palīdzību radīto saturu, kā arī nodrošināt precīzu dokumentāciju par datu izcelsmi.
- Atbildīgs un izskaidrojams MI (Explainable AI – XAI). Akadēmiskajā vidē īpaši svarīga ir spēja saprast un pamatot MI radītos rezultātus. Tas ir priekšnoteikums uzticamai MI izmantošanai pētniecībā.
- MI aģenti kā asistenti (agentic AI). Pieaug specializētu MI aģentu izmantošana datu apstrādē. Tā kā šādi rīki darbojas ātri un lielā apjomā, kļūst kritiski svarīgi ieviest formālus standartus, validācijas mehānismus un uzraudzību.
- Prasmju attīstība un AI literacy. Tehnoloģijas attīstās straujāk nekā cilvēku prasmes. Universitātei ir jākļūst par vietu, kur mācībspēki un studenti apgūst “AI literacy” – prasmi kritiski vērtēt MI izvades un efektīvi veidot uzvednes (prompt engineering).
- Datu drošība kā pamatprasība. Vairums MI drošības problēmu rodas nevis no sarežģītiem kiberuzbrukumiem, bet no nepietiekamas datu klasifikācijas, marķēšanas un nekvalitatīvas datu dzīves cikla pārvaldības. Pamatprasību sakārtošana ir priekšnoteikums drošam MI.
- Ilgtspējīgs MI. Vērā ņemama ir MI modeļu apmācības un uzturēšanas augstā energoietilpība, tāpēc. Lai samazinātu pētniecības un tehnoloģiju attīstības ietekmi uz vidi, arvien lielāku uzmanību nepieciešams pievērst energoefektīviem algoritmiem, optimizētai modeļu uzmantošanai un pārdomātai resursu plānošanai. tika uzsvērta MI modeļu apmācības energoietilpība.
- Sadarbības ekosistēmas. MI attīstība arvien vairāk balstās starpsektoru partnerībās, kur akadēmiskās zināšanas, industrijas tehnoloģiskā kompetence un publiskā sektora pieredze tiek apvienotas kopīgu risinājumu veidošanai.
- Pasākuma laikā gūtās atziņas apliecina, ka mākslīgā intelekta risinājumu kvalitātes ir tieši saistīta ar datu kvalitāti. MI rezultātu uzticamību nosaka precīza informācija un pilnvērtīgi metadati (licences, piekļuves nosacījumu, versijas), kas nodrošina auditējamību un atkārtotu izmantojamību.
Turpmākie izaugsmes virzieni šajā kontekstā ietver konsekventu datu deponēšanas prakses attīstību nacionālajā datu repozitorijā, nostiprinot metadatu pilnīgumu, skaidru licencēšanu un datu izcelsmes aprakstu kā obligātu minimumu. Tāpat svarīga ir arī primāro datu, atvasinātu datu un ar MI palīdzību sagatavota satura nošķiršana, kā arī lietotājiem draudzīgākas vides pilnveide ar skaidrām veidnēm, saprotamu iesniegšanas procesu un ātru atgriezenisko saiti.
MI ieviešana akadēmiskajā vidē ietver gan tehniskus risinājumus, gan skaidri definētu atbildību un vienotus pieeju. Datu pārvaldībai kļūstos par kopīgu institūcijas kompetenci, mākslīgā intelekta risinājumi piedāvā praktisku atbalstu pētniecībā un studiju procesā, vienlaikus saglabājot zinātnisko kvalitāti un uzticamību.
