Опубликовано: 21.09.2026 | Источник: TechCrunch

Генеративный ИИ в e-commerce для ВКР: архитектура персонализации покупок на примере Meta

25 марта 2026 года Meta объявила, что внедряет генеративный ИИ для выдачи информации о товарах и брендах прямо внутри Instagram и Facebook. По сути, компания превращает ленту и сторис в рекомендательную витрину: модель подбирает карточки, генерирует описания и подсказывает пользователю, что купить. Для выпускника ИТ-направления это не просто новость — это готовый каркас темы ВКР, где есть архитектура, ML-пайплайны, метрики и экономика. Ниже разберём, как превратить этот кейс в защищаемую работу, какие разделы наполнить и каких ошибок избежать.

Три темы ВКР, которые вырастают из новости Meta

Тема 1. Проектирование рекомендательной системы для маркетплейса на базе векторного поиска

Актуальность. Meta показала, что генеративный ИИ уже встроен в пользовательский путь покупки. Значит, классические коллаборативные фильтры уступают место гибридным схемам: эмбеддинги товаров + LLM для генерации описаний.

Цель: разработать архитектуру рекомендательного модуля, который по запросу пользователя возвращает релевантные карточки за время < 200 мс.

• Задача 1. Сравнить коллаборативную фильтрацию, контентную и гибридную модели.
• Задача 2. Спроектировать сервис эмбеддингов и векторный индекс (FAISS/pgvector).
• Задача 3. Реализовать прототип на Python + FastAPI, подключить LLM для генерации описаний.
• Задача 4. Провести нагрузочное тестирование и замерить precision@10.

Структура: Глава 1 — обзор подходов и требований по ISO/IEC 25010; Глава 2 — архитектура C4, схемы БД, диаграммы последовательностей; Глава 3 — тестирование, метрики, расчёт затрат на облако.

Тема 2. Оценка влияния генеративного ИИ на конверсию в мобильной торговле

Актуальность. Meta тестирует ИИ-подсказки внутри приложений. Студенту важно показать, как измерять эффект: A/B-эксперимент, доверительные интервалы, минимально детектируемый эффект.

Цель: построить методику оценки влияния ИИ-рекомендаций на CTR и GMV.

• Задача 1. Обосновать метрики продукта (CTR, add-to-cart, CR).
• Задача 2. Спроектировать схему A/B-теста с разбиением трафика 50/50.
• Задача 3. Реализовать сбор событий через Kafka + ClickHouse.
• Задача 4. Провести статистическую проверку гипотез (t-тест, bootstrap).

Структура: Глава 1 — метрики и стандарты аналитики; Глава 2 — пайплайн данных и дашборды; Глава 3 — результаты эксперимента и экономический эффект.

Тема 3. Микросервисная платформа ИИ-консультанта для интернет-магазина

Актуальность. Кейс Meta — это про интеграцию ИИ в существующую инфраструктуру соцсети. То же самое предстоит делать ритейлу: подключать LLM к каталогу, не ломая монолит.

Цель: спроектировать платформу, где ИИ-консультант отвечает на вопросы о товаре на основе RAG.

• Задача 1. Проанализировать архитектурные паттерны (BFF, API Gateway, Saga).
• Задача 2. Собрать RAG-пайплайн: чанкинг, эмбеддинги, retrieval, reranking.
• Задача 3. Развернуть сервисы в Kubernetes с автомасштабированием.
• Задача 4. Настроить мониторинг через OpenTelemetry и Prometheus.

Аналитическая глава: как обосновать стек и не скатиться в пересказ

Первая глава ВКР обычно страдает пересказом статей. Чтобы этого не случилось, привяжите каждый абзац к решению из статьи Meta. Например, сравнивайте не «PostgreSQL vs MongoDB» в вакууме, а конкретно — какая СУБД выдержит поток эмбеддингов и метаданных о товарах.

Такую таблицу удобно защищать: каждый столбец — это отсылка к конкретному пункту ТЗ. А ссылка на статью Meta — доказательство, что направление выбрано не наугад, а вслед за индустрией.

Проектная часть: схемы, которые ждёт комиссия

Во второй главе важно показать не «картинку ради картинки», а работающую модель. Минимум, который стоит нарисовать:

• Диаграмма контекста (C4 Level 1): пользователь, мобильное приложение, сервис рекомендаций, LLM-провайдер.
• Диаграмма контейнеров (C4 Level 2): API Gateway, Recommendation Service, Embedding Worker, Vector DB, Kafka.
• Sequence diagram: путь запроса «показать похожие товары» с таймаутами на каждом шаге.
• ER-диаграмма: товары, эмбеддинги, сессии, события.

Интеграцию с существующей платформой опишите как отдельный подраздел. Именно так поступила Meta: ИИ не заменил каталог, а стал слоем поверх него. В ВКР это обоснование выбора паттерна «Strangler Fig» вместо полного рефакторинга.

Тестирование и метрики: цифры, без которых работу не примут

Раздел тестирования — слабое место 8 из 10 дипломов. Вот каркас, который закрывает требования и по инженерии, и по экономике.

Функциональные и нефункциональные метрики

• Precision@10, Recall@10, NDCG — качество рекомендаций.
• p95 латентности, RPS — нагрузочное тестирование (JMeter или k6).
• RTO/RPO — при падении векторной БД. Опишите, как репликация и бэкапы обеспечивают восстановление за 15 минут.
• Стоимость 1000 запросов — обязательно с учётом токенов LLM.

Мониторинг и наблюдаемость

OpenTelemetry + Prometheus + Grafana — стандарт индустрии. В тексте ВКР покажите трейс одного запроса от мобильного клиента до ответа LLM. Такая детализация сразу отличает сильную работу от реферата.

# пример метрики для Prometheus
recommendation_latency_seconds_bucket{le="0.2"} 9823
recommendation_latency_seconds_bucket{le="0.5"} 9991
llm_tokens_total{model="gpt-4o-mini"} 142000

Чему вы научитесь на такой теме

• Обосновывать архитектурный выбор через требования заказчика и стандарты ISO/IEC 25010.
• Проектировать ML-пайплайны и интеграции с внешними LLM-провайдерами.
• Считать экономику внедрения: TCO, стоимость инференса, окупаемость.
• Оформлять ТЗ и пояснительную записку по ГОСТ 34.602-89 и ГОСТ 19.201-78.
• Настраивать наблюдаемость и защищать метрики на слайдах.

FAQ

Насколько сложно реализовать такую систему за семестр?

Прототип на FastAPI + pgvector + одна LLM через API собирается за 3–4 недели. Полноценный production-уровень — уже тема магистерской. Для бакалаврской достаточно работающего прототипа и честных замеров.

Обязательно ли писать код? Может, только архитектура?

Требования вузов разные, но код усиливает защиту. Даже 300–500 строк демонстрационного сервиса + Docker Compose дают вам аргумент «работает, вот скриншот».

Как оформлять UML и C4-диаграммы?

Используйте draw.io или PlantUML. C4 не нормирован ГОСТ, но допускается как дополнение. UML-диаграммы классов и последовательностей оформляйте по ГОСТ 19.701-90.

Где брать тестовые данные о товарах?

Amazon Product Dataset, Olist Brazilian E-Commerce, любые открытые выгрузки Kaggle. Для эмбеддингов хватит 5–10 тысяч карточек — этого достаточно для статистики.

Источник: Meta turns to AI to make shopping easier on Instagram and Facebook (опубликовано 2026-03-25)