LV EN RU DE FR

Intelektuālās tehnoloģijas un sistēmas

Kursa izstrādātāji

Kursa anotācija

Kursa mērķis ir attīstīt studējošo spēju analizēt, projektēt un pielietot intelektuālās tehnoloģijas un sistēmas lauksaimniecības inženierzinātnēs, izmantojot mākslīgā intelekta, datu apstrādes, automatizācijas u.c. metodes. Kursā aplūkoti mākslīgā intelekta, datu analīzes, sensoru tīklu, robotikas, digitālo dvīņu un automatizācijas risinājumi, kas tiek izmantoti lauksaimniecības tehnikas, lietišķās enerģētikas, mašīnu projektēšanas un ražošanas procesu optimizācijā. Kurss dod studējošajiem zināšanas un praktiskas iemaņas par intelektuālu sistēmu izstrādi, integrāciju un pielietojumu viedās lauksaimniecības kontekstā. Īpašs uzsvars likts uz datu vadītu lēmumu pieņemšanu, energoefektivitāti, prediktīvo uzturēšanu un kiberfizikālo sistēmu drošību, kā arī prasmi analizēt un izstrādāt intelektuālas sistēmas, izmantojot sensorus, IoT un datu modeļus un veicināt izpratni par drošību un ilgtspējību intelektuālo tehnoloģiju izmantošanā.

Kursa rezultāti un to vērtēšana

Zināšanas par ITS jēdzieniem, klasifikāciju un pielietojumu. Izprot intelektuālo tehnoloģiju un sistēmu teorētiskos pamatus un to nozīmi lauksaimniecības inženierzinātnēs. Pārzina mākslīgā intelekta, mašīnmācīšanās un automatizācijas pamatprincipus. Izprot sensoru sistēmu, datu vākšanas, digitālo dvīņu un robotikas lomu viedajā lauksaimniecībā. Zināšanas tiek novērtētas praktiskajos un patstāvīgajos darbos.
Prasme analizēt ITS piemērus, lietot MI rīkus datu interpretācijai, veidot vienkāršus modeļus un vizualizācijas. Spēj analizēt un apstrādāt dažādu tipu datus, izmantojot mūsdienīgas analītiskās un MI metodes. Spēj projektēt un izvērtēt intelektuālas sistēmas darbību, izmantojot sensoru tīklus, mašīnmācīšanos vai ekspertu sistēmas. Spēj veikt eksperimentālu datu analīzi, rezultātu interpretāciju un tehnisko risinājumu novērtējumu. Spēj prezentēt intelektuālas sistēmas koncepciju, balstoties uz tehnisko un ekonomisko pamatojumu. Prasmes tiek novērtētas praktiskajos un patstāvīgajos darbos.

Kompetences integrēt ITS inženiertehniskos risinājumos, kritiski izvērtēt ITS piemērotību, sadarboties datu vadības un MI uzdevumos. Spēj patstāvīgi izvērtēt un piemērot intelektuālās tehnoloģijas konkrētās lauksaimniecības inženierijas problēmās. Spēj integrēt dažādu tehnoloģiju risinājumus (MI, sensori, automatizācija, enerģētika) vienotā sistēmā. Spēj argumentēti pamatot izvēlētos risinājumus un analizēt to efektivitāti un drošību. Kompetences tiek novērtētas patstāvīgajos darbos.

Kursa saturs(kalendārs)

1. Ievads ITS. Pamatjēdzieni – intelektuālās tehnoloģijas, intelektuālās sistēmas, mākslīgais intelekts, mašīnmācīšanās u.c. Reglamentējošie dokumenti mākslīgā intelekta izmantošanai LBTU – 1 h
2. Labā prakse failu pārvaldībā. Datu pratība iesācējiem. Praktiskās vadlīnijas MI ieviešanai iestāžu darbā un pakalpojumos. Latvijas publiskās pārvaldes IT, IS, MI lietojamības piemēri – 2 h
3. MI rīki un to pielietojums. MI rīku klasifikācija. Studējošajiem noderīgi MI rīki studiju procesā, pētniecībā, maģistra darbu sagatavošanā, datu apstrādē u.c. – 5 h
4. Progresīvo tehnoloģiju attīstības analīze pēdējās desmitgades griezumā – 1 h
5. ITS piemēri autotransportā, lauksaimniecības tehnikā, enerģētikā, mašīnu projektēšanā un ražošanā, dzīvnieku uzraudzībā, pārtikas piegādes ķēdēs u.c. LBTU darbības jomās – 2 h
6. Datu nozīme un digitālie dvīņi. Sensoru tīkli, datu vākšana, IoT, digitālo dvīņu koncepcija. Vienkārša IoT simulācija – 1 h
7. Mašīnmācīšanās pamati. Uzraudzītā un neuzraudzītā mācīšanās, regresija, klasifikācija. Datu analīze ar Python/Excel. Neironu tīkli un dziļā mācīšanās. CNN, RNN, to pielietojums tehniskajās sistēmās. Modeļa apmācība – 1 h
8. Ekspertu un lēmumu atbalsta sistēmas. Noteikumu bāzes, fuzzy logic, lēmumu koki. Vienkāršas fuzzy sistēmas izveide – 1 h
9. Robotika un autonomās sistēmas. Lauksaimniecības roboti, autonomi traktori, droni. Simulatora vai video analīze: autonomā tehnika darbībā – 1 h
10. Attēlu apstrāde un vides novērtēšana. Datorredze, attēlu klasifikācija, objektu atpazīšana. ITS modelēšana – 2 h
11. Intelektuālās enerģētikas sistēmas. Energoefektivitāte, prognozēšana, optimizācija ar MI. Enerģijas patēriņa analīze un prognoze – 1 h
12. Kiberfizikālās sistēmas un drošība. Integrētās sistēmas, datu drošība, standarti. Kiberuzbrukumu scenāriji tehnikā – 1 h
13. Intelektuālo sistēmu ekonomiskā analīze un ietekme uz ražošanas efektivitāti. ITS drošība un uzticamība. ITS un klimata pārmaiņu pielāgošanās stratēģijas. ITS datu pārvaldība un datu ētika – 1 h

14. Studējošo patstāvīgo darbu prezentācija, aizstāvēšana, kopsavilkums – 2 h

Prasības kredītpunktu iegūšanai

Studiju kurss noslēdzas ar ieskaiti. Ieskaiti studējošie iegūst, ja izstrādāti un aizstāvēti visi praktiskie un patstāvīgie darbi.

Studējošo patstāvīgo darbu organizācijas un uzdevumu raksturojums

Vismaz seši patstāvīgie uzdevumi (viens uz katrām divām studiju kursa satura tēmām), piemēram, viena Latvijas publiskās pārvaldes IT, IS, MI lietojamības piemēra padziļināta analīze; individuāls uzdevums MI rīku izmantošanā studiju procesā, pētniecībā, datu apstrādē; individuāls uzdevums progresīvo tehnoloģiju attīstības analīzē pēdējās desmitgades griezumā u.c.

Studiju rezultātu vērtēšanas kritēriji

Visi studiju darbi semestrī (praktisko darbu uzdevumi un individuālie patstāvīgie uzdevumi) tiek vērtēti 10 ballu skalā. Katrs no tiem jāizstrādā ar vismaz minimālo sekmīgo vērtējumu.

Obligātā literatūra

1. Gunchenko Y. (2021). Intellectual systems and information technologies: Monograph. Vienna; Premier Publishing s.r.o.; 184 p. DOI: 10.29013/gunchenkoy.isait.2021.184
2. Maslej N., Fattorini L., Perrault R., Gil Y., Parli V., Kariuki N., Capstick E., Reuel A., Brynjolfsson E., Etchemendy J., Ligett K., Lyons T., Manyika J., Carlos Niebles J., Shoham Y., Wald R., Hamrah A., Santarlasci L., Betts Lotufo J., … Oak S. (2025). Artificial Intelligence Index Report 2025. 457 p.
3. Moskvins G. (2008). Intelektuālās sistēmas un tehnoloģijas: Mācību līdzeklis. Jelgava: LLU. 136 lpp.

4. Russel S., Norvig P. (2022). Artificial Intelligence: A Modern Approach (4th ed.). Pearson Education Limited; 1136 p.

Papildliteratūra

1. Moskvins G. (2008). Automatizācija: Mācību līdzeklis. Jelgava: LLU. 120 lpp.
2. Araújo S. O., Peres R. S., Ramalho J. C., Lidon F., Barata J. (2023). Machine Learning applications in agriculture: Current trends, challenges, and future perspectives. Agronomy, 13. DOI: 10.3390/agronomy13122976
3. Banh L., Strobel G. (2023). Generative artificial intelligence. Electronic Markets, 33. DOI: 10.1007/s12525-023-00680-1
4. Rajak P., Ganguly A., Adhikary S., Bhattacharya S. (2023). Internet of Things and smart sensors in agriculture: Scopes and challenges. Journal of Agriculture and Food Research, 14, 100776. DOI: 10.1016/j.jafr.2023.100776
5. Xu Y., Liu X., Cao X., Huang C., Liu E., Qian S., Liu X., Wu Y., Dong F., Qiu C. W., Qiu J., Hua K., Su W., Wu J., Xu H., Han Y., Fu C., Yin Z., Liu M., … Zhang J. (2021). Artificial intelligence: A powerful paradigm for scientific research. The Innovation, 2. DOI: 10.1016/j.xinn.2021.100179

6. Aijaz N., Lan H., Raza T., Yaqub M., Iqbal R., Pathan M. S. (2025). Artificial intelligence in agriculture: Advancing crop productivity and sustainability. Journal of Agriculture and Food Research, 20, 101762. DOI: 10.1016/j.jafr.2025.101762

Periodika un citi informācijas avoti

1. Gebresenbet G., Bosona T., Patterson D., Persson H., Fischer B., Mandaluniz N., Chirici G., Zacepins A., Komasilovs V., Pitulac T., Nasirahmadi A. (2023). A concept for application of integrated digital technologies to enhance future smart agricultural systems. Smart Agricultural Technology, 5, 100255. DOI: 10.1016/j.atech.2023.100255
2. Ghazal S., Munir A., Qureshi W. S. (2024). Computer vision in smart agriculture and precision farming: Techniques and applications. Artificial Intelligence in Agriculture, 13, 64–83. DOI: 10.1016/j.aiia.2024.06.004
3. Javaid M., Haleem A., Khan I. H., Suman R. (2023). Understanding the potential applications of Artificial Intelligence in agriculture sector. Advanced Agrochem, 2, 15–30. DOI: 10.1016/j.aac.2022.10.001
4. Jiang Y., Li X., Luo H., Yin S., Kaynak O. (2022). Quo vadis artificial intelligence? Discover Artificial Intelligence, 2. DOI: 10.1007/s44163-022-00022-8
5. Kiran, Saikanth D. R. K., Saikia A. R., Chintey R., Talukdar N., Bahadur R., Vasuki A. (2023). Smart agriculture: Technologies, practices, and future directions. International Journal of Environment and Climate Change, 13 (12), 689–695. DOI: 10.9734/ijecc/2023/v13i123730
6. Masasi J., Ng’ombe J. N., Masasi B. (2024). Artificial Intelligence in agriculture: Current trends and innovations. Big Data in Agriculture, 6 (2), 96–99. DOI: 10.26480/bda.02.2024.96.99
7. Sadhu P. K., Yanambaka V. P., Abdelgawad A. (2022). Internet of Things: Security and solutions survey. Sensors, 22, 7433. DOI: 10.3390/s22197433
8. Sharma A., Georgi M., Tregubenko M., Tselykh A., Tselykh A. (2022). Enabling smart agriculture by implementing artificial intelligence and embedded sensing. Computers and Industrial Engineering, 165, 107936. DOI: 10.1016/j.cie.2022.107936
9. Sheikh H., Prins C., Schrijvers E. (2023). Mission AI: The new system technology. Springer; 421 p. DOI: 10.1007/978-3-031-21448-6

10. Waqas M., Naseem A., Humphries U. W., Hlaing P. T., Dechpichai P., Wangwongchai A. (2025). Applications of machine learning and deep learning in agriculture: A comprehensive review. In: Green Technologies and Sustainability (Vol. 3, p. 100199). KeAi Communications Co. DOI: 10.1016/j.grets.2025.100199

Piezīmes

Obligātais kurss IITF Lauksaimniecības inženierzinātnes maģistra studiju programmā.