Опубликовано: 20.07.2026 | Источник: TechCrunch

AI-системы в дипломе: актуальность, метрики и защита на максимум

В марте 2026 года TechCrunch подвёл итоги первых трёх месяцев года — и почти каждая крупная новость была связана с искусственным интеллектом. От сделок по поглощению небольших стартапов гигантами вроде Google и Microsoft до протестов разработчиков против использования их кода для обучения моделей — всё это показывает: ИИ перестал быть просто технологией. Это экосистема, влияющая на архитектуру систем, этику разработки и даже трудовые контракты.

Для студентов технических специальностей это значит одно: если вы игнорируете ИИ в своей ВКР, вы рискуете сделать работу устаревшей ещё до защиты. Современные требования к программным решениям уже включают не только функциональность, но и способность к адаптации, самообучению, интерпретируемости решений. А стандарты вроде ISO/IEC 25010 теперь учитывают такие характеристики, как "интеллектуальная адаптивность" и "этичность поведения системы".

Темы ВКР на основе трендов из статьи

1. Интеграция LLM в корпоративные приложения: архитектурные паттерны и безопасность

• Актуальность: Статья упоминает рост числа open-source моделей и их использование indie-разработчиками. Это создаёт спрос на безопасные и эффективные способы внедрения ИИ в бизнес-процессы.
• Цель: Разработать архитектуру микросервисного приложения с встроенной LLM-поддержкой, обеспечивающую конфиденциальность данных и контроль над выводами модели.
• Задачи:
  • Проанализировать существующие подходы к интеграции LLM (API, локальные модели, промпт-инжиниринг).
  • Выбрать фреймворк (например, LangChain или LlamaIndex) и обосновать выбор.
  • Разработать схему взаимодействия с моделью через шлюз безопасности (валидация запросов, фильтрация PII).
  • Оценить производительность и задержки при разных нагрузках.
• Структура:
  • Глава 1 – Анализ архитектурных решений и требований ГОСТ 34.602-89 к ТЗ.
  • Глава 2 – Проектирование API, диаграммы последовательности UML, схема развёртывания в Kubernetes.
  • Глава 3 – Нагрузочное тестирование (JMeter), анализ RTO/RPO, расчёт TCO.

2. Мониторинг и отладка ИИ-приложений с использованием OpenTelemetry

• Актуальность: Рост сложности ИИ-систем требует новых подходов к наблюдаемости. Обычных логов недостаточно — нужны трассировки, метрики и семантические логи.
• Цель: Реализовать полноценную систему мониторинга для ИИ-сервиса на базе OpenTelemetry и Prometheus.
• Задачи:
  • Настроить сбор метрик (latency, token usage, error rate) из LLM-вызовов.
  • Интегрировать OpenTelemetry с Jaeger для трассировки цепочек запросов.
  • Создать дашборды в Grafana для визуализации KPI.
  • Обеспечить соответствие данным стандартам ISO/IEC 25010 (надёжность, эффективность).
• Структура:
  • Глава 1 – Обзор инструментов наблюдаемости и нормативных документов.
  • Глава 2 – Архитектура системы мониторинга, схема CI/CD-пайплайна.
  • Глава 3 – Результаты тестирования, сравнение метрик до и после внедрения.

3. Этическая оценка ИИ-систем: методика и автоматизация проверок

• Актуальность: Публичные скандалы вокруг ИИ (упомянутые в статье) требуют формализации подходов к этической экспертизе алгоритмов.
• Цель: Разработать методику и прототип инструмента для автоматической проверки ИИ-моделей на предвзятость и прозрачность.
• Задачи:
  • Сформулировать критерии этичности на основе международных рекомендаций (UNESCO, IEEE).
  • Реализовать модуль анализа выходов модели (например, с помощью SHAP или LIME).
  • Интегрировать проверки в CI/CD-пайплайн как gate stage.
  • Оценить применимость подхода в реальных условиях.
• Структура:
  • Глава 1 – Анализ этических рисков ИИ, обзор существующих фреймворков.
  • Глава 2 – Проектирование архитектуры проверочного модуля.
  • Глава 3 – Эксперименты, выводы, рекомендации по стандартизации.

Как использовать материал статьи в разделах диплома

Аналитическая глава: обоснование выбора технологии

Не просто пересказывайте новости — используйте их как аргумент. Например:

• Упоминание успеха indie-разработчиков с open-weight моделями — основание выбрать Llama 3 вместо GPT-4 для экономии бюджета.
• Скандалы с данными обучения — повод обосновать локальное размещение модели и отказ от внешних API.

Проектная часть: архитектура и реализация

Покажите, что вы не просто повторяете туториалы. Например:

• Если используете Kubernetes — покажите, как он помогает масштабировать ИИ-нагрузку (HPA, node affinity).
• Если делаете API — добавьте схему взаимодействия с LLM через брокер сообщений (Kafka, RabbitMQ) для очереди запросов.
• Добавьте диаграмму развёртывания с указанием компонентов: frontend → gateway → LLM-service → telemetry-collector → storage.

# Пример фрагмента CI/CD-пайплайна (GitLab CI)
test-llm:
  stage: test
  script:
    - python tests/test_bias.py
    - python tests/test_latency.py
  rules:
    - if: $CI_COMMIT_BRANCH == "main"
      when: manual

Тестирование и метрики: как доказать эффективность

Без метрик — нет научной ценности. Вот что стоит измерять:

• Latency: Время ответа модели (P50, P95).
• Token efficiency: Количество токенов на запрос (экономия бюджета).
• RTO/RPO: При отказе сервиса — время восстановления и потери данных.
• Ethical score: Уровень предвзятости (можно оценить через fairness metrics).

Используйте нагрузочные тесты (Locust, JMeter), чтобы показать поведение системы под нагрузкой. Сравните варианты: с кэшированием промптов и без, с оптимизацией контекста и без.

Чему вы научитесь

• Работать с современными архитектурами: микросервисы, event-driven design, edge-AI.
• Обосновывать выбор стека не «потому что удобно», а через сравнение по метрикам и требованиям.
• Использовать OpenTelemetry, Prometheus, Grafana для профессионального мониторинга.
• Оформлять техническую документацию по ГОСТ: ТЗ, схемы, отчёты по тестированию.
• Говорить на одном языке с заказчиком и экспертами — через конкретику, а не абстракции.

Можно ли не писать код в дипломе?

Если вы на IT-специальности — код обязателен. Даже если проект теоретический, нужен прототип (например, Flask-сервер с одним endpoint). Без практической части комиссия может поставить под сомнение вашу квалификацию.

Как правильно оформить UML-диаграммы?

Используйте стандарты ГОСТ 19.701-90. Диаграммы должны быть читаемыми: с подписями, легендой, пояснением в тексте. Лучше меньше, но точнее — одна хорошая диаграмма последовательности полезнее пяти кривых.

Где брать тестовые данные?

OpenData (data.gov.ru), Kaggle, Hugging Face, синтез через Faker. Главное — указать источник и обосновать репрезентативность. Для ИИ-проектов можно использовать публичные датасеты (например, SQuAD, Common Crawl).

Насколько сложно реализовать мониторинг на OpenTelemetry?

Сложность средняя. Нужно понимать концепции экспортеров, коллекторов, бэкендов. Но есть готовые образы Docker и Helm-чарты. Начните с простого: экспортируйте метрики из Python-приложения в Prometheus — это уже будет серьёзный плюс в работе.

Источник: The biggest AI stories of the year (so far) (опубликовано 2026-03-13)