Опубликовано: 09.05.2026 | Источник: The Verge (IT)

AI-очки Google и Gucci в дипломе: как сделать ВКР по ML-устройствам современным и защищаемым

Анализ статьи от 16 апреля 2026 года на The Verge о запуске роскошных AI-очков от Google и Gucci — не просто новость, а сигнал: носимые устройства с ИИ возвращаются. И не просто возвращаются, а с упором на дизайн, брендинг и массовое принятие. Для студентов технических специальностей это шанс привязать диплом к реальному рынку, а не к абстрактной "актуальности". Особенно если вы в теме AI/ML, Embedded или UX-интеграций.

Поддомен: AI/ML

Роль: Data/ML-инженер

--- ### Семантический анализ (выполнен) **1. Основной поисковый запрос (Primary keyword):** *Диплом по носимым устройствам с искусственным интеллектом* **2. LSI-запросы:** - Модели машинного обучения для edge-устройств - Архитектура AI-очков на базе Android XR - Оптимизация нейросетей под low-power SoC - Метрики качества распознавания речи и жестов - Протоколы передачи данных между сенсорами и облаком (MQTT, gRPC) - Системы ввода-вывода в носимых устройствах - Оценка энергопотребления ML-моделей (TOPS/Watt) - ГОСТ 34.19-2023 (формализация требований к ПО) - OWASP IoT Top 10 (безопасность сенсорных данных) - OpenTelemetry для мониторинга производительности ИИ на устройстве **3. Реальные вопросы студентов:** - Как обосновать выбор модели, если у меня нет доступа к реальным данным с Google Aura? - Какие метрики считать эффективными в главе про тестирование ИИ-функций? - Можно ли использовать симуляцию вместо физического устройства? - Как оформить схему взаимодействия компонентов по ГОСТ или UML? - Как доказать, что мой подход лучше, чем у Meta Ray-Ban? **4. Ключевые сущности:** - **ISO/IEC 25010** — оценка качества ПО (функциональность, производительность, безопасность) - **OWASP IoT Top 10** — угрозы в носимых ИИ-устройствах - **OpenTelemetry** — сбор метрик производительности ИИ-моделей в реальном времени - **ГОСТ 34.19-2023** — проектирование и документирование архитектуры ПО - **C4-модель** — визуализация архитектуры ИИ-устройства (от контекста до кода) ---

Введение: почему Google x Gucci — не просто гаджет, а тема для диплома

Google возвращается к умным очкам — и на этот раз серьёзно. После провала Google Glass в 2013 году, компания делает ставку на стиль (Gucci), платформу (Android XR) и ИИ. Это не просто "очки с диктофоном", а полноценные edge-устройства с голосовыми ассистентами, распознаванием сцен и, вероятно, дополненной реальностью. Для вас, как студента, это шанс: - Связать ВКР с реальными продуктами, а не гипотетическими системами. - Показать, что вы понимаете не только алгоритмы, но и ограничения железа, UX и безопасность. - Продемонстрировать междисциплинарный подход — ML + Embedded + UX + Security. И да, это проще, чем кажется. Даже без доступа к самим очкам вы можете смоделировать архитектуру, оптимизировать модель под edge и оценить её эффективность. ---

Темы ВКР: как превратить новость в защищаемую работу

---

Основная часть: как вставить Google Aura в главы диплома

Глава 1: Теоретический анализ — не просто "обзор литературы"

Здесь вы **не копируете Википедию**, а показываете понимание контекста. Пример структуры: - **Тренды на рынке носимых ИИ-устройств** (Google Glass → Meta Ray-Ban → Google Aura + Gucci) - **Требования к edge-вычислениям**: latency < 200 мс, энергопотребление < 1 Вт - **Сравнение архитектур**: Google (Android XR + TPU) vs Meta (Custom OS + Snapdragon) - **Метрики качества**: точность распознавания, энергоэффективность (TOPS/Watt), задержка Используйте **диаграмму сравнения** (в виде таблицы или C4-Level 1): ```text [Пользователь] → [Очки] → [Edge-ИИ] → [Облако (Google Assistant)] ↓ [Локальное хранилище (шифрованное)] ↓ [Bluetooth → Смартфон] ``` ---

Глава 2: Проектирование — покажите архитектуру, а не "рисунок"

Используйте **C4-модель** для визуализации: - **Контекст (C4-L1)**: пользователь, очки, облако, смартфон - **Контейнеры (C4-L2)**: Android XR OS, ИИ-движок, сенсорный фреймворк, Bluetooth-стек - **Компоненты (C4-L3)**: модель распознавания речи, модуль шифрования, менеджер питания - **Код (C4-L4)**: фрагменты на Kotlin, TensorFlow Lite, C++ Пример фрагмента конфигурации модели (TensorFlow Lite):

# Оптимизация модели под edge
converter = tf.lite.TFLiteConverter.from_saved_model("model/")
converter.optimizations = [tf.lite.Optimize.DEFAULT]
converter.target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS_INT8]
converter.inference_input_type = tf.int8
converter.inference_output_type = tf.int8

tflite_model = converter.convert()
open("model_quantized.tflite", "wb").write(tflite_model)

---

Глава 3: Тестирование — не "всё работает", а метрики

Не пишите "модель работает хорошо". Считайте: - **Точность (accuracy)**: F1-score на тестовом датасете (например, Google Speech Commands) - **Производительность**: inference time (мс), потребление CPU/GPU - **Энергопотребление**: замер через PowerTutor или аналоги (в симуляторе) - **Безопасность**: проверка на утечки данных (по OWASP IoT Top 10) Пример таблицы результатов: | Модель | Accuracy | Latency (мс) | Потребление (мВт) | TOPS/Watt | |--------|----------|--------------|-------------------|-----------| | MobileNetV2 | 89% | 180 | 850 | 1.2 | | Quantized V2 | 87% | 110 | 620 | 1.8 | ---

Чему вы научитесь

- Проектировать архитектуру ИИ-устройств по C4 и ГОСТ 34.19 - Оптимизировать модели под edge с помощью квантования и прунинга - Оценивать эффективность по метрикам ISO/IEC 25010 (производительность, безопасность) - Строить диаграммы взаимодействия компонентов без "каляк" - Обосновывать выбор решений на основе реальных продуктов (не только теории) --- ---

FAQ: что спрашивают студенты

Где взять данные, если у меня нет физических очков?

Используйте симуляторы (Android Emulator с поддержкой XR), публичные датасеты (Google Speech Commands, COCO для визуальных задач), API Google Assistant. Главное — показать методологию, а не железо.

Какой стек выбрать: TensorFlow Lite или PyTorch Mobile?

Для Android XR — TensorFlow Lite. Он лучше интегрирован с экосистемой Google, поддерживает квантование "из коробки" и оптимизирован под ARM-процессоры. PyTorch — если вы делаете research-ориентированный проект.

Как считать эффективность, если я не проводил реальные замеры?

Используйте симуляторы (например, QEMU + PowerTutor), оценочные метрики (FLOPS, TOPS/Watt), сравнение с бенчмарками. Укажите, что это модельная оценка, но с обоснованием.

Как оформить схему архитектуры по ГОСТ?

Используйте UML-диаграммы (компоненты, последовательности) или C4. Все элементы — с подписями, масштабом, легендой. Сохраняйте в векторе (SVG/PDF). В приложении — исходники (draw.io, PlantUML).

---

Источник: Gucci-branded Google smart glasses are coming next year (опубликовано 2026-04-16)