Опубликовано: 06.06.2026 | Источник: The Verge (IT)

AI-приложения в дипломе: как обосновать выбор архитектуры и показать реальную эффективность

Статья The Verge от 2026 года «The AI apps are coming for your PC» — не просто прогноз, а технический сигнал. В ней описывается сдвиг: ИИ-приложения всё чаще работают локально на ПК, используя мощности GPU и NPU, а не полагаются исключительно на облако. Это меняет требования к производительности, безопасности, энергопотреблению и архитектуре ПО. Для студентов технических специальностей — это шанс сделать ВКР не про «ещё один веб-портал», а про реальный тренд: децентрализация ИИ, edge computing, оптимизация под hardware.

Если вы пишете диплом по разработке ПО, системному администрированию, архитектуре или кибербезопасности — игнорировать этот тренд значит рисковать актуальностью работы. Умение обосновать выбор стека, измерить производительность локального ИИ и сравнить его с облачными аналогами — это не просто «плюс к баллу», а признак профессионального подхода. Ниже — как использовать этот кейс в своей ВКР.

Темы для выпускной квалификационной работы

1. Разработка локального ИИ-приложения для обработки изображений на ПК

• Актуальность: статья указывает на рост числа приложений, использующих локальные модели (например, Stable Diffusion, Llama.cpp). Это снижает задержку и повышает приватность.
• Цель: создать десктопное приложение с ИИ-моделью, работающей без подключения к облаку.
• Задачи:
  • Проанализировать фреймворки: ONNX Runtime, TensorFlow Lite, PyTorch Mobile.
  • Оптимизировать модель под CPU/GPU (quantization, pruning).
  • Реализовать интерфейс и логику предобработки данных.
  • Измерить производительность и потребление ресурсов.
• Структура:
  • Глава 1 — Анализ архитектур ИИ-приложений (сравнение cloud vs. edge).
  • Глава 2 — Проектирование приложения, выбор стека, схема взаимодействия компонентов.
  • Глава 3 — Тестирование, сравнение с облачным API (например, Google Vision), расчёт TCO.

2. Сравнительный анализ производительности ИИ-моделей на разных типах железа

• Актуальность: статья упоминает, что новые ПК получают NPU — специализированные процессоры для ИИ. Это требует пересмотра тестирования.
• Цель: определить, насколько эффективно модели работают на CPU, GPU, NPU.
• Задачи:
  • Выбрать модель (например, Whisper, YOLO-NAS).
  • Настроить окружение на разных устройствах (Intel Core Ultra, Apple M-series, AMD Ryzen AI).
  • Собрать метрики: время инференса, потребление энергии, температура.
  • Построить графики и сделать выводы по эффективности.
• Структура:
  • Глава 1 — Обзор архитектур ИИ-ускорителей (NPU, TPU, GPU).
  • Глава 2 — Методика тестирования, выбор метрик (latency, throughput, watt per inference).
  • Глава 3 — Результаты, сравнение, рекомендации по выбору железа для edge-ИИ.

3. Архитектура гибридного ИИ-приложения: локально + облако

• Актуальность: не всё можно перенести на ПК. Нужна стратегия: что обрабатывать локально, что — в облаке.
• Цель: разработать систему с адаптивным распределением нагрузки.
• Задачи:
  • Определить критерии выбора: чувствительность данных, задержка, доступность сети.
  • Спроектировать API и протокол взаимодействия (gRPC, WebSockets).
  • Реализовать логику маршрутизации запросов.
  • Протестировать отказоустойчивость (RTO/RPO).
• Структура:
  • Глава 1 — Анализ архитектур: monolith, microservices, serverless, edge.
  • Глава 2 — Проектирование гибридной архитектуры, UML-диаграммы, выбор брокера сообщений (Kafka, RabbitMQ).
  • Глава 3 — Нагрузочное тестирование (JMeter, Locust), анализ метрик, экономика внедрения.

Как использовать статью в главах диплома

Аналитическая глава: сравнение решений и обоснование стека

Здесь вы не просто пересказываете, что такое ИИ. Вы показываете, что понимаете контекст. Статья из The Verge — отличный источник для введения в проблему. Пример:

• Сравните облачные ИИ (OpenAI, Gemini) и локальные (Ollama, LM Studio).
• Используйте ISO/IEC 25010 для оценки качества ПО: производительность, надёжность, безопасность, удобство сопровождения.
• Обоснуйте выбор фреймворка: например, ONNX Runtime — кроссплатформенность, поддержка NPU, совместимость с PyTorch/TensorFlow.

Проектная часть: схемы, алгоритмы, интеграция

Не ограничивайтесь UML-диаграммами «как в учебнике». Покажите реальную архитектуру. Пример:

• Схема взаимодействия: клиент → локальный ИИ-движок → fallback на облако при нехватке ресурсов.
• Используйте ГОСТ 34.602-89 при оформлении технического задания (ТЗ): разделы «Назначение», «Требования к функциональности», «Условия эксплуатации».
• Если используете микросервисы — покажите CI/CD-пайплайн (GitLab CI, GitHub Actions), контейнеризацию (Docker), оркестрацию (Kubernetes, если нужно).

Алгоритм выбора режима работы:
1. Проверить наличие интернета.
2. Оценить объём данных (если > 5 МБ → облако).
3. Проверить уровень заряда батареи (если < 20% → облако).
4. Выполнить инференс локально.
5. При ошибке — отправить в облако.

Тестирование и метрики: как доказать эффективность

Это самое слабое место у студентов. Просто «приложение работает» — недостаточно. Нужны цифры. Используйте:

• Нагрузочное тестирование: JMeter, Locust — для симуляции пользователей.
• Мониторинг: OpenTelemetry — сбор метрик (CPU, память, задержка), экспортер в Prometheus/Grafana.
• RTO/RPO: время восстановления и потери данных при сбое (важно для гибридных систем).
• Экономика: сравните TCO (Total Cost of Ownership) локального и облачного решения за 1 год.

Чему вы научитесь

• Работать с современными архитектурами: edge computing, гибридные системы.
• Обосновывать выбор технологий на основе метрик, а не предпочтений.
• Собирать и анализировать реальные данные: производительность, энергопотребление, отказоустойчивость.
• Оформлять техническую документацию по стандартам (ГОСТ, ISO/IEC 25010).
• Презентовать работу с акцентом на результат: «Снизил задержку на 60%», а не «Сделал приложение».

FAQ: Частые вопросы студентов

Как оценить сложность реализации локального ИИ?
Начните с простого: модель в ONNX, интерфейс на Python (Tkinter) или C++ (Qt). Оцените время: 2–3 недели на базовую версию.

Обязательно ли писать код в дипломе?
Да, если вы на специальности разработки. Но можно ограничиться фрагментами (алгоритмы, API). Главное — показать, что вы понимаете, как это работает.

Как правильно оформить UML-диаграммы?
Используйте PlantUML или draw.io. Сохраняйте в вектор (SVG) или PNG 300 dpi. Подписывайте: «Рисунок 2.1 — Диаграмма последовательности аутентификации».

Где брать тестовые данные?
Публичные датасеты: Kaggle, Hugging Face, UCI ML Repository. Можно сгенерировать синтетические данные (Faker, Synthea).

Источник: The AI apps are coming for your PC (опубликовано 2026-04-18)