BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//TYPO3/NONSGML Calendarize//EN


BEGIN:VEVENT
UID:calendarize-promocijas-darbu-aizstav-eduards-mukans
DTSTAMP:20261113T134431Z

DTSTART:20261221T090000Z
DTEND:20261220T220000Z
    
SUMMARY:Promocijas darbu aizstāv EDUARDS MUKĀNS
DESCRIPTION:Temats: "Lielo valodas modeļu lietojums ievaddatu konteksta bagātināšanai dabiskās valodas apstrādes sistēmās".\nDarba zinātniskais vadītājs: Dr. sc. comp. Guntis Bārzdiņš.\n \nAnotācija:\nPromocijas darbā pētīts\, kā ievaddatu bagātināšana ar lielo valodas modeļu (LLM) ģenerētu kontekstu ietekmē modeļu veiktspēju dabiskās valodas apstrādes (NLP) uzdevumos. Piecos pētījumos (2022–2026) aplūkotas vektoru reprezentācijas\, datu bagātināšana un modeļu apmācība. Četros starptautiskos kopuzdevumos LLM ģenerētā konteksta pievienošana apmācības datiem uzlabo nosaukto entitāšu atpazīšanu par 17 makro-F1 punktiem un zāļu nevēlamo blakusparādību ekstrakciju par 2–4 punktiem. BERT-base ar GPT-3 ģenerētu kontekstu (74\,0 % F1) pārspēj piecas reizes lielāku XLM-RoBERTa-large modeli bez bagātināšanas (67\,4 %)\, kas liecina\, ka datu kvalitāte var kompensēt modeļa mērogu. Šis princips pārnesams no apmācības uz indeksēšanas laiku un ir aprobēts Graip.AI aģentu platformā ar cilvēka iesaistes darbplūsmām\; platformas izstrāde turpinās.\n \nRecenzenti:\n1) ‎Dr. sc. comp. Inguna Skadiņa\, Latvijas Universitāte\;\n2) Ph.D Maksims Ivanovs\, Elektronikas un datorzinātņu institūts\;\n3) Dr. sc. comp. Matīss Rikters\, Nacionālais progresīvās rūpnieciskās zinātnes un tehnoloģiju institūts\, Japāna.\n \nAr promocijas darbu var iepazīties LU Bibliotēkā\, Raiņa bulvārī 19.\nDalība attālinātā sēdē ar iepriekšēju pieteikšanos\, rakstot uz sintija.silina@lu.lv līdz 16. decembrim.
X-ALT-DESC;FMTTYPE=text/html:<p class="text-justify"><strong>Temats: "Lielo valodas modeļu lietojums ievaddatu konteksta bagātināšanai dabiskās valodas apstrādes sistēmās".</strong></p>\n<p class="text-justify"><strong>Darba zinātniskais vadītājs: Dr. sc. comp. Guntis Bārzdiņš.</strong></p>\n<p class="text-justify">&nbsp\;</p>\n<p class="text-justify"><strong>Anotācija:</strong></p>\n<p class="text-justify">Promocijas darbā pētīts\, kā ievaddatu bagātināšana ar lielo valodas modeļu (LLM) ģenerētu kontekstu ietekmē modeļu veiktspēju dabiskās valodas apstrādes (NLP) uzdevumos. Piecos pētījumos (2022–2026) aplūkotas vektoru reprezentācijas\, datu bagātināšana un modeļu apmācība. Četros starptautiskos kopuzdevumos LLM ģenerētā konteksta pievienošana apmācības datiem uzlabo nosaukto entitāšu atpazīšanu par 17 makro-F1 punktiem un zāļu nevēlamo blakusparādību ekstrakciju par 2–4 punktiem. BERT-base ar GPT-3 ģenerētu kontekstu (74\,0 % F1) pārspēj piecas reizes lielāku XLM-RoBERTa-large modeli bez bagātināšanas (67\,4 %)\, kas liecina\, ka datu kvalitāte var kompensēt modeļa mērogu. Šis princips pārnesams no apmācības uz indeksēšanas laiku un ir aprobēts Graip.AI aģentu platformā ar cilvēka iesaistes darbplūsmām\; platformas izstrāde turpinās.</p>\n<p class="text-justify">&nbsp\;</p>\n<p class="text-justify"><strong>Recenzenti:</strong></p>\n<p class="text-justify">1)&nbsp\;‎<i>Dr. sc. comp.&nbsp\;</i><strong>Inguna Skadiņa</strong>\, Latvijas Universitāte\;</p>\n<p class="text-justify">2)<i>&nbsp\;Ph.D&nbsp\;</i><strong>Maksims Ivanovs\,&nbsp\;</strong>Elektronikas un datorzinātņu institūts\;</p>\n<p class="text-justify">3) <i>Dr. sc. comp.&nbsp\;</i><strong>Matīss Rikters\,&nbsp\;</strong>Nacionālais progresīvās rūpnieciskās zinātnes un tehnoloģiju institūts\, Japāna.</p>\n<p class="text-justify">&nbsp\;</p>\n<p class="text-justify">Ar promocijas darbu var iepazīties LU Bibliotēkā\, Raiņa bulvārī 19.</p>\n<p class="text-justify">Dalība attālinātā sēdē ar iepriekšēju pieteikšanos\, rakstot uz&nbsp\;<a href="mailto:sintija.silina@lu.lv" title="mailto:sintija.silina@lu.lv"><strong>sintija.silina@lu.lv</strong></a>&nbsp\;<strong>līdz 16. decembrim.</strong></p>
LOCATION:LU\, Raiņa bulvāris 19\, 13. auditorija
END:VEVENT

END:VCALENDAR