| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Mākslīgā intelekta tehnoloģiju un rīku pašreizējo attīstības tendenču analīze |
| Nosaukums angļu valodā |
Analysis of Current Trends in the Development of Artificial Intelligence Technologies and Tools |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Jānis Grundspeņķis |
| Recenzents |
Egons Lavendelis |
| Anotācija |
Divas nozīmīgas un šobrīd aktuālās mākslīgā intelekta rīku attīstības tendences
ir aizvien mazāku un jaudīgāku modeļu attīstība kā arī kvantizācijas metožu attīstība ar
ko palīdzību iespējams izvietot modeļus uz mazas jaudas malas ierīcēm. Viena no
modernākajām pieejām modeļu kvantēšanai ir GGUF k-kvantu metodes.
Šajā darbā tiks salīdzināts kā trīs dažādas GGUF k-kavantu kvantizācijas
metodes (Q3_K_M, Q4_K_M un Q5_K_M) ietekmē maza mēroga valodas modeļa Phi
4-mini-instruct zināšanu līmeni datorsistēmu jomā, vērtējot modeļa spēju pareizi
atbildēt uz jautājumiem, kas aptver četras ar datorsistēmās saistītas tēmas, kā arī to kā
metodes izvēle ietekmē modeļa veiktspēju, veicot aiztures līdz pirmā žetona
ģenerēšanai un ģenerēto žetonu skaita sekundē mērījumus.
Iegūtie rezultāti ļauj identificēt katras metodes stiprās un vājās puses kā arī
identificēt to metodi, kas sniedz modelim Phi-4-mini-instruct optimālo līdzsvaru starp
modeļa veiktspēju un zināšanu līmeni. |
| Atslēgas vārdi |
Mākslīgais intelekts, mazais valodas modelis, kvantizācija, veiktspēja |
| Atslēgas vārdi angļu valodā |
Artificial intelligence, small language model, quantization, performance |
| Valoda |
lv |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
25.05.2026 18:07:42 |
