MI veidotāji jau aizņem 27% tehnoloģiju pieprasījuma

Draup 2026. gada 30. septembra paziņojumā par Fortune 500 uzņēmumu darba sludinājumu analīzi norāda, ka MI veidotāju jeb AI Builder lomas veido 27% tehnoloģiju pieprasījuma — vairāk nekā divreiz lielāku daļu nekā 2021. gadā; uzņēmuma vadītājs Vijay Swaminathan pārmaiņu raksturo ar vārdiem “AI is not eliminating work.” Rādītājs attiecas uz tehnoloģiju amatu sludinājumu daļu, nevis visām vakancēm vai jau pieņemtiem darbiniekiem.

Analīze rāda divas saistītas pārmaiņas: uzņēmumi vairāk meklē cilvēkus, kuri spēj veidot un ieviest MI sistēmas, savukārt karjeras sākumā lielāku vietu ieņem prakse un līgumdarbs. Latvijas speciālistam svarīgākais ir atšķirt augošās lomu saimes no konkrētām prasmēm, ko var parādīt paveiktā darbā. Fortune 500 sludinājumi raksturo lielu starptautisku darba devēju izvēles, tādēļ to īpatsvarus nevar uzskatīt par Latvijas vakanču statistiku.

Kāds darbs ietilpst MI veidotāju lomu saimē

AI Builder nav viens amata nosaukums. Šajā saimē ietilpst MI un mašīnmācīšanās inženieri, ģeneratīvā MI inženieri, pilna cikla MI lietotņu izstrādātāji, MI pētnieki un arhitekti. Viņu pienākumi var atšķirties: modelis jāpielāgo konkrētam uzdevumam, jāiekļauj lietotnē vai jāizveido sistēma, kas darbojas ārpus demonstrācijas vides. Tāpēc vienāds MI pieminējums divos sludinājumos vēl nenozīmē vienādu darbu.

Tehnoloģiju pieprasījumā atsevišķi izdalīti arī Forward Deployed Engineer amati, kuru uzdevums ir ieviest tehnisko risinājumu konkrētā lietošanas vidē. Citas lomu saimes aptver drošību un kvalitāti, infrastruktūru, lietotāja pieredzi un tehnisko atbalstu. Šis dalījums palīdz saprast, kur atrodas darba galvenā atbildība: radīt MI sistēmu, nogādāt to lietošanā, uzturēt tās pamatu vai palīdzēt cilvēkiem ar to strādāt. Atbalsta amatā var prasīt MI zināšanas, lai gan pats amats nepieder MI veidotāju saimei.

Trīs prasmju prioritātes aiz augošajiem amatiem

Draup prasmju salīdzinājumā par 2020.–2026. gadu lielo valodas modeļu pielāgošanas pieprasījums audzis par 142%, MI aģentu koordinēšanas — par 128%, ar informācijas izgūšanu papildinātas ģenerēšanas jeb RAG izstrādes — par 116%, bet uzvedņu un konteksta izstrādes — par 97%; manuālās datu marķēšanas rādītājs sarucis par 44% un klasiskās mašīnmācīšanās modeļu pielāgošanas — par 39%. Prasmju salīdzinājumam izmantots plašāks globālo darba aprakstu kopums nekā Fortune 500 sludinājumu aplūkojumam. Izmaiņas rāda, kā mainās pieprasījums pēc nosauktajiem uzdevumiem, nevis to, ka katrā uzņēmumā radīsies tikpat daudz jaunu darbvietu.

Šos virzienus Latvijas speciālistam var sakārtot trīs mācību prioritātēs pēc darba rezultāta, ko iespējams parādīt portfolio vai izskaidrot intervijā:

• Informācijas piesaiste un modeļa pielāgošana. RAG risinājumā modelis saņem uzdevumam atlasītu informāciju, bet pielāgošana maina tā darbību konkrētam lietojumam. Pārliecinošs darba piemērs parādītu izmantoto datu avotu, jautājumus, uz kuriem sistēma atbild, un gadījumus, kuros atbilde ir kļūdaina. Tas ļauj spriest par izstrādes izvēlēm, nevis tikai par izmantoto rīku nosaukumiem.
• Sistēmas darbības organizēšana. Aģentu koordinēšanā būtiski ir noteikt, kā uzdevums pāriet starp modeli, citiem rīkiem un cilvēku. Darba piemērā var parādīt, kur sistēma pieņem automātisku lēmumu, kur tai vajadzīga cilvēka apstiprināšana un kas notiek, ja kāds posms neizdodas. Tas ir tieši saistīts ar atšķirību starp MI demonstrāciju un risinājumu, ko iespējams lietot ikdienā.
• Rezultāta vērtēšana. Veidotāja darbā nepietiek iegūt atbildi: jāsaprot, vai tā atbilst uzdevumam un balstās pareizajā informācijā. Neliels pārbaudes jautājumu kopums, skaidri vērtēšanas kritēriji un izskaidrotas izmaiņas parāda šo prasmi konkrētāk nekā vispārīgs apgalvojums par MI lietošanu. Arī pieredzi datu marķēšanā var izmantot kļūdu analīzē un datu kvalitātes vērtēšanā.

Šīs prioritātes nav vienāds prasību saraksts visiem amatiem. Arhitektam svarīgāks var būt visas sistēmas uzbūves pamatojums, savukārt lietotnes izstrādātājam — darbīgs risinājums ar saprotamām ievades un rezultāta pārbaudes robežām. Prasmju grafiks parāda pieprasījuma virzienu; amata pienākumi nosaka, kurš no šiem darba pierādījumiem būs nozīmīgākais.

Karjeras sākumā pieaug prakses un līgumdarba daļa

Open Data Science karjeras apskatā norādīts, ka prakses un līgumdarba daļa sākuma līmeņa iespējās pieaugusi no 13% 2020. gadā līdz 27% 2026. gadā, bet vidējais prakses ilgums — no 3,6 līdz 9,7 mēnešiem. Šeit mērīts ceļš uz pirmo darbu, nevis MI veidotāju daļa tehnoloģiju pieprasījumā. Abi rādītāji attiecas uz atšķirīgām sludinājumu grupām, lai gan sasniedz vienādu īpatsvaru.

Garāka prakse nozīmē ilgāku posmu, kurā jaunais speciālists uzkrāj darba pieredzi pirms iespējamās pārejas uz pastāvīgu amatu. No šiem datiem nevar noteikt, cik bieži šāda pāreja patiešām notiek. Tie toties izskaidro, kāpēc karjeras sākumā arvien nozīmīgāks kļūst konkrēts paveiktais darbs: ko kandidāts izveidoja, kā pārbaudīja rezultātu un par kuru daļu pats bija atbildīgs.

Ko Fortune 500 dati nozīmē Latvijas speciālistam

Latvijas tirgum šie skaitļi dod prasmju virzienu, nevis vietējo vakanču prognozi. Liela starptautiska uzņēmuma komandā MI arhitektūra, ieviešana un atbalsts var būt atsevišķi amati; mazākā komandā vairāki pienākumi var būt apvienoti vienā vakancē. Tādēļ amata nosaukums vien nepietiek, lai noteiktu, kuras no augošajām prasmēm darba devējs patiešām meklē.

Izšķirošs ir darba rezultāts, ko vakance prasa sasniegt. Ja jāveido MI lietotne, nozīme būs informācijas piesaistei, sistēmas darbības organizēšanai un rezultāta vērtēšanai. Ja galvenais pienākums ir infrastruktūras uzturēšana vai lietotāju atbalsts, MI var būt papildprasme citam darbam. Šī atšķirība nosaka, kādu pieredzi kandidātam būs vērts parādīt, arī tad, ja abos sludinājumos lietots viens un tas pats MI termins.

Lasiet arī:

• Latvijas tehnoloģiju misija Kanādā beigusies — sarunas vēl nav darījumi
• Latvijā testēs jaunas genomikas tehnoloģijas — memorands vēl nav projekts
• MI akts jau darbojas: septiņu soļu pārbaude Latvijas uzņēmumam