В марте 2026 года «Яндекс Карты» анонсировали, что нейросети увеличили базу точек питания, доступных для людей с особенностями мобильности, на треть. Это не просто цифра — это переход от «всё работает» к «всё работает для всех». В дипломе такая тема становится мощным аргументом: вы не просто строите систему, вы проектируете её с учётом принципов инклюзивного дизайна и этического ИИ. Для выпускников ИТ-направлений это — возможность продемонстрировать, что вы не только пишете код, но и понимаете, зачем он нужен людям.
Самое важное: тренд уже в реальном продукте. Не теория, не лабораторный эксперимент — живой сервис, используемый миллионами. Это даёт вам три ключевых преимущества:
| Тема | Актуальность (по статье) | Цель | Задачи | Структура |
|---|---|---|---|---|
| Применение ИИ для повышения доступности цифровых сервисов | Яндекс увеличил количество доступных точек питания на 33% за счёт нейросетей. Это подтверждает, что ИИ может решать социальные задачи, а не только коммерческие. | Доказать, что ИИ-модели могут быть использованы для решения проблем доступности, а не только для персонализации или прогнозирования. | 1. Анализ существующих подходов к доступности в картографических сервисах 2. Проектирование архитектуры с фокусом на обработку и классификацию данных о доступности 3. Моделирование работы нейросети на синтезированных и реальных данных 4. Оценка влияния на пользовательский опыт |
Глава 1: Теория — доступность, ИИ, ГОСТ/ISO Глава 2: Архитектура — микросервисы, API, обработка изображений Глава 3: Тестирование — нагрузка, RTO/RPO, A/B-тестирование |
| Масштабируемость ИИ-моделей в геопространственных сервисах | Увеличение базы на 33% при одновременном снижении ошибок — это говорит о масштабируемости и стабильности модели. | Показать, как можно построить ИИ-систему, которая будет работать в условиях высокой нагрузки и разнородных данных. | 1. Выбор модели (например, YOLOv8 для анализа изображений, BERT для текстовой метки) 2. Интеграция с геосервисами (OpenStreetMap, Яндекс.Карты) 3. Оптимизация для GPU/CPU в контексте моб. приложений 4. Обратная связь от пользователей с ограниченной подвижностью |
Глава 1: Обзор стека — PyTorch, ONNX, TensorFlow Lite Глава 2: Схема системы — брокер сообщений, пул моделей, кэширование Глава 3: Метрики — latency, throughput, accuracy на разных устройствах |
| Этический ИИ и его роль в цифровой инклюзии | Яндекс не просто добавил точки — он научился различать типы доступности (подъёмные платформы, широкие входы, наличие лифта). Это — пример «инклюзивного обучения». | Обосновать необходимость этического подхода в ИИ-проектах, особенно там, где речь идёт о жизни людей. | 1. Анализ потенциальных предвзятостей в данных 2. Разработка протокола сбора и проверки информации о доступности 3. Построение «прозрачной» модели — как пользователь видит, почему точка считается доступной 4. Отчётность: как отражать результаты в технической документации |
Глава 1: Этические стандарты — IEEE Ethically Aligned Design, ГОСТ Р 57944-2017 Глава 2: Документация — требования к отчёту, описание алгоритма, контроль качества Глава 3: Защита — как защитить данные пользователей с ограниченной подвижностью |
Не надо писать «мы выбрали Python, потому что он популярен». Нужно объяснить, почему PyTorch + OpenCV + FastAPI — лучший выбор именно для задачи доступности, а не, например, TensorFlow или Spring Boot.
Сравните с другими подходами:
| Подход | Плюсы | Минусы | Связь с статьёй |
|---|---|---|---|
| Ручная классификация | Высокая точность, простота | Масштабировать нельзя, требует много времени | Яндекс заменил 33% ручных проверок на ИИ — значит, автоматизация — обязательный шаг |
| Простая ML-модель (SVM) | Быстрое обучение, простота | Не справляется с разнообразием объектов (например, разные типы лифтов) | В статье говорится о «нейросетях», а не о классических ML — значит, нужен deep learning |
| Фреймворк «Яндекс.Карт» + собственные модели | Интеграция с текущей инфраструктурой, быстрая доставка | Зависимость от внешнего API, сложность отладки | Яндекс использует внутренние модели, а не сторонние — значит, ваш проект должен быть автономным |
Важно: в анализе обязательно упомянуть ISO/IEC 25010 — например, «соответствие требованиям доступности (функциональная безопасность, совместимость)». Это покажет, что вы знаете, как измерять качество, а не просто «работает».
Ваша архитектура должна отражать три основных слоя:
Пример алгоритма в виде псевдокода:
function classifyAccessibility(image):
# 1. Обнаружение объектов
objects = YOLOv8.detect(image)
# 2. Классификация по категориям
if "лифт" in objects:
accessibility_score += 0.8
if "широкий вход" in objects:
accessibility_score += 0.6
if "подъёмная платформа" in objects:
accessibility_score += 0.5
# 3. Финальная оценка
return mapScoreToLevel(accessibility_score)Важно: не забудьте про OpenTelemetry — если вы делаете мониторинг, то нужно отслеживать не только время ответа, но и время ожидания пользователя (например, сколько секунд ждал человек с инвалидностью, пока система вернула результат).
В статье не указаны численные метрики, но вы можете вывести их из контекста: если база увеличилась на 33%, значит, модель работает с минимальными ошибками. Проверьте:
Проведите нагрузочное тестирование с помощью JMeter или Locust, имитируя 1000+ одновременных запросов от мобильных устройств. Убедитесь, что при этом не падает точность классификации — это ключевой момент: не только быстро, но и правильно.
❌ Нет ссылки на реальный кейс, нет сравнения с альтернативами, нет метрик.
✅ Сделайте таблицу сравнения: «Ручная проверка vs ИИ» с количественными показателями (время, точность, ошибка). Приведите цифры из статьи — даже если они не прямые, вы можете рассчитать их по формуле: 33% роста = X точек / Y общих = Z.
❌ В ТЗ не указано, что система должна работать с экранами-чтением, голосовым управлением, крупным шрифтом.
✅ Добавьте в раздел «Требования» пункт: «Система должна соответствовать ГОСТ Р 57944-2017 и обеспечивать работу с assistive technologies (VoiceOver, NVDA, TalkBack)».
❌ В работе только «тестирование на локалке», нет отчётов о производительности в продакшене.
✅ Включите в раздел «Тестирование» блок про OpenTelemetry — как собираются метрики, куда отправляются, какие alert-ы нужны (например, > 2s latency → notify dev team).
Сложность зависит от уровня детализации. Если вы сделаете модульную систему — например, отдельный сервис для классификации, который получает фото и возвращает уровень доступности — то всё укладывается в 3–4 месяца. Главное — не пытайтесь сделать всё с нуля. Используйте готовые модели (например, YOLOv5) и адаптируйте под свои данные.
Нет. В современных дипломах акцент на архитектуре и обосновании. Но если ваша кафедра требует код — напишите API-интерфейс на Python (FastAPI), а внутри — вызовы к нейросети. Важно: все компоненты должны быть описаны в UML-диаграммах, а не просто «я сделал функцию».
Отличный источник — открытые данные Росстата по объектам инфраструктуры, а также сам Яндекс.Карты — можно скачать скриншоты и провести ручную проверку. Также используйте OpenStreetMap — там есть теги wheelchair=yes, access=designated.
Сначала сделайте архитектурную диаграмму (component diagram), затем — последовательность (sequence diagram) для основного сценария: «пользователь ищет кафе → система возвращает список с уровнем доступности». Все элементы должны иметь подписи, а не просто «сервис А», «сервис Б».
Если вы хотите, чтобы мы помогли с выбором темы, написанием архитектуры или проверкой работы — у нас есть бесплатная 120-минутная консультация. Мы поможем вам не просто сдать ВКР, а защититься с уверенностью.
Источник: Нейросети «Яндекса» помогают маломобильным пользователям искать доступные кафе (опубликовано 2026-03-13)