Опубликовано: 12.04.2026 | Источник: CNews (новости)

ИИ в дипломе: как превратить низкую долю внедрения в преимущество для ВКР

Поддомен: AI/ML

Роль: Data/ML-инженер

Семантический анализ выполнен. Выбрана структура: B

--- ### Введение В 2026 году доля ИИ в российских бизнес-процессах не превысила 5% — это не провал, а сигнал: рынок только формируется, и у вас есть шанс войти первым. Для студента-технаря это уникальная возможность — взять реальную проблему (низкая автоматизация, фрагментированные данные, отсутствие ML-инфраструктуры) и предложить не абстрактное «а давайте нейросети», а проработанное решение с измеримым эффектом. Такой диплом не просто пройдёт нормоконтроль — его захотят обсуждать. Особенно если вы покажете, почему ИИ не прижился, и как его можно внедрить без «кирпичей» и бюджета в 10 млн. Практика, а не теория — вот что ценят на защите. --- ### Основная часть: как превратить статью в ВКР #### Почему 5% — это не провал, а шанс Статья CNews указывает на ключевую причину: данные в разрозненных системах, без единой стратегии. Это классическая проблема **data silos**, знакомая каждому data-инженеру. В вашем дипломе это — не просто констатация, а отправная точка для анализа. Вы можете: - Показать, как структурировать данные из ERP, CRM и Excel-отчётов. - Спроектировать ETL-пайплайн с использованием Apache Airflow или Prefect. - Обосновать выбор модели (например, CatBoost для малых выборок). - Оценить TCO (Total Cost of Ownership) внедрения ИИ-модуля. **Где взять данные?** Используйте синтетические датасеты (например, `make_classification` из scikit-learn) или открытые данные (Федеральная служба госстатистики, open.gov.ru). Важно — не скрывать их происхождение, а честно указывать в приложении. #### Как вписать статью в структуру ВКР | Глава | Что включить | Как использовать статью | |-------|--------------|--------------------------| | **1. Анализ предметной области** | Обзор ИИ в бизнесе, обоснование низкой доли внедрения | Приведите цитату из CNews как подтверждение актуальности. Сравните с мировыми трендами (например, 35% в ЕС). | | **2. Проектирование системы** | Архитектура, выбор модели, схемы данных | Постройте C4-диаграмму уровня 2 (системы и взаимодействия). Укажите, где ИИ встраивается в бизнес-процесс (например, прогнозирование оттока). | | **3. Реализация и тестирование** | Код, метрики, сравнение моделей | Покажите, как модель работает на малых данных. Используйте precision, recall, F1-score. | #### Диаграммы, которые стоит включить - **C4-модель (контекст, контейнеры, компоненты)** — покажите, где ИИ встраивается в ИТ-ландшафт. - **BPMN-диаграмма** — до и после внедрения ИИ (например, ручная обработка заявок → автоматизированная классификация). - **UML-диаграмма классов** — если вы разрабатываете API для модели. Пример C4-диаграммы (уровень 2 — контейнеры): ``` [Клиент] --> [Веб-интерфейс] [Веб-интерфейс] --> [API-шлюз] [API-шлюз] --> [ML-сервис (FastAPI)] [ML-сервис] --> [Модель (CatBoost)] [ML-сервис] --> [База данных (PostgreSQL)] [ML-сервис] --> [Хранилище данных (MinIO)] ``` #### Метрики, которые нужно считать Не ограничивайтесь accuracy. В условиях малых данных и несбалансированных классов — это обманчиво. Используйте: - **F1-score** — баланс между precision и recall. - **ROC-AUC** — если задача бинарной классификации. - **MAE/RMSE** — для регрессии (например, прогноз продаж). - **Inference time** — критично для бизнеса. Пример кода для оценки модели:

from sklearn.metrics import classification_report, roc_auc_score
import numpy as np

y_true = np.array([0, 1, 1, 0, 1])
y_pred = np.array([0, 1, 0, 0, 1])
y_proba = np.array([0.2, 0.8, 0.4, 0.3, 0.7])

print(classification_report(y_true, y_pred))
print("ROC-AUC:", roc_auc_score(y_true, y_proba))

#### Инструменты и стек для реализации - **ML-фреймворк:** Scikit-learn, CatBoost, LightGBM (для малых данных). - **Оркестрация:** Airflow, Prefect. - **Развёртывание:** FastAPI + Docker. - **Мониторинг:** MLflow, Prometheus + Grafana (если интегрировано). - **Версионирование данных:** DVC. Пример `Dockerfile` для ML-сервиса:

FROM python:3.10-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY model.pkl .
COPY app.py .
EXPOSE 8000
CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "8000"]

--- ### Темы ВКР на основе статьи --- ### Чему вы научитесь - Проектировать ML-пайплайны с учётом ограничений реального бизнеса (мало данных, нет MLOps). - Оформлять ТЗ по ГОСТ 34.602-89 (обязательно для ИТ-специальностей). - Считать не только метрики модели, но и **экономический эффект** (ROI, TCO). - Строить архитектурные диаграммы (C4, UML) и бизнес-процессы (BPMN). - Обосновывать выбор open-source решений перед коммерческими аналогами. --- ---

FAQ

Какой стек выбрать, если в вузе не преподают ML?

Начните с простого: Python + scikit-learn + Flask. Это покрывается большинством учебных планов. Используйте Google Colab — не нужно настраивать окружение. Главное — логика, а не сложность стека.

Сколько строк кода должно быть в дипломе?

Нет жёсткого лимита. Но код должен быть достаточным для реализации функционала. 300–800 строк — норма. Важно: он должен быть рабочим и задокументированным. Пустые классы и копипаст снижают оценку.

Как доказать, что ИИ эффективен, если нет реальных данных?

Используйте синтетические данные, но обоснуйте их параметры (распределение, размер выборки). Сравните с baseline (например, среднее значение). Покажите, что модель работает лучше, чем «ручной» метод.

Как оформить схемы по ГОСТ?

Используйте стандарты: ГОСТ 19.701-90 (диаграммы потоков данных), ГОСТ 34.602-89 (ТЗ). Для UML/C4 — придерживайтесь нотации, но укажите, что используете «диаграммы в нотации UML 2.5». Эксперты принимают и современные форматы, если они читаемы.

--- --- ---

Источник: Доля ИИ в российских бизнес-процессах не превысила 5% (опубликовано 2026-03-31)