Разработка мобильного приложения рекомендательной системы для локализованных культурных мероприятий (выставки, концерты) с применением ИИ.

1.1. Технико-экономическая характеристика предметной области и предприятия

В этом разделе раскрывается общая характеристика сферы культуры в России, роль цифровых платформ, а также описание ООО «Культурный гид»: организационная структура, основные виды деятельности, используемые информационные технологии. Особое внимание уделяется тому, как предприятие взаимодействует с пользователями и какие данные о мероприятиях (выставки, концерты) собирает.

Пример: «ООО "Культурный гид" ежемесячно агрегирует информацию более чем о 200 культурных событиях в Москве и Санкт-Петербурге. Однако отсутствие персонализированного подхода приводит к низкой вовлечённости пользователей — менее 15% посещают мероприятия, найденные через сайт».

Сложности:

• Сложно найти открытые данные о деятельности конкретного предприятия (часто приходится моделировать).
• Требуется чёткое соответствие между предметной областью (культура) и ИТ-процессами.

Время: 12–16 часов.

1.2. Характеристика комплекса задач и обоснование необходимости автоматизации

Описывается текущий процесс подбора мероприятий: как пользователи ищут события, какие фильтры используют, насколько точны рекомендации. Обосновывается, почему ручной или полуавтоматический подход неэффективен.

Пример: «В настоящее время подбор мероприятий осуществляется вручную через каталог с базовыми фильтрами (дата, тип мероприятия). Отсутствие рекомендательного алгоритма на основе предпочтений пользователя снижает конверсию на 40% по сравнению с конкурентами».

Сложности:

• Необходимо чётко сформулировать «болевые точки» процесса.
• Требуется связь с ИИ-технологиями: почему именно ИИ, а не простые фильтры?

Время: 10–14 часов.

1.3. Анализ существующих разработок и выбор стратегии автоматизации

Проводится сравнительный анализ аналогов: Eventim, Afisha, Google Events и др. Оцениваются их рекомендательные механизмы, точность, использование ИИ. На основе анализа выбирается стратегия — например, гибридная рекомендательная система (коллаборативная фильтрация + контент-анализ).

Пример: «Система Afisha использует контент-фильтрацию, но не учитывает поведение пользователя. Для ООО "Культурный гид" предложена гибридная модель, сочетающая анализ жанров, локации и истории просмотров».

Сложности:

• Нужно найти реальные источники о технологиях конкурентов.
• Выбор стратегии должен быть технически обоснован и соответствовать ресурсам предприятия.

Время: 14–18 часов.

1.4. Обоснование проектных решений

Формулируется архитектура будущей системы: мобильное приложение (iOS/Android), бэкенд на Python/Node.js, база данных PostgreSQL, модель ИИ (например, на основе TensorFlow Lite). Обосновывается выбор технологий с учётом масштабируемости и бюджета ООО «Культурный гид».

Пример: «Для реализации рекомендательной системы выбран фреймворк TensorFlow Lite, позволяющий выполнять ИИ-модель на устройстве пользователя, что снижает задержку и нагрузку на сервер».

Сложности:

• Необходимо продемонстрировать техническую грамотность без излишней детализации.
• Решения должны быть реалистичными для условного предприятия.

Время: 10–12 часов.

Выводы по главе 1

Обобщаются ключевые проблемы ООО «Культурный гид» в области подбора мероприятий, обосновывается необходимость внедрения ИИ-решения и формулируется общая концепция проекта.

Время: 4–6 часов.

2.1. Разработка проекта автоматизации

Создаётся модель бизнес-процесса «подбор мероприятий» в нотации BPMN, выделяются роли (пользователь, администратор), описываются сценарии использования. Формируется техническое задание на разработку.

Пример: «Сценарий: пользователь открывает приложение, указывает интерес к "современному искусству", система рекомендует ближайшие выставки с рейтингом выше 4.5 на основе поведения похожих пользователей».

Сложности:

• Требуется знание нотаций моделирования (BPMN, UML).
• Сложно увязать бизнес-логику с ИИ-компонентом.

Время: 14–18 часов.

2.2. Информационное обеспечение задачи

Разрабатывается модель данных: сущности (Пользователь, Мероприятие, Жанр, Локация), связи, атрибуты. Строится ER-диаграмма. Описывается структура таблиц в БД.

Пример: «Таблица "Мероприятие" содержит поля: id, название, дата, описание, жанр_id, локация_id, рейтинг. Связь с таблицей "Пользователь_Интересы" через промежуточную таблицу».

Сложности:

• Необходимо избегать избыточности и обеспечить нормализацию.
• Модель должна поддерживать ИИ-алгоритмы (например, хранение истории взаимодействий).

Время: 12–16 часов.

2.3. Программное обеспечение задачи

Описывается архитектура ПО: фронтенд (React Native), бэкенд (Flask), ИИ-модуль (Python + scikit-learn/TensorFlow). Приводятся фрагменты кода (например, функция генерации рекомендаций).

Пример: «Функция recommend_events(user_id) возвращает топ-5 мероприятий, используя веса предпочтений по жанрам и геопроблизости, рассчитанные на основе истории просмотров».

Сложности:

• Код должен быть рабочим, но не перегруженным.
• Требуется объяснение, как ИИ-модель интегрируется в систему.

Время: 20–25 часов.

2.4. Контрольный пример реализации проекта и его описание

Демонстрируется работа системы на конкретном примере: пользователь с ID 101, интересуется джазом и живописью. Система рекомендует джаз-концерт в клубе "Иглу" и выставку "Авангард XX века". Приводятся скриншоты интерфейса (можно сгенерировать).

Пример: «На основе анализа 15 предыдущих просмотров система определила, что пользователь предпочитает камерные мероприятия. Рекомендации соответствуют его геолокации (центр города)».

Сложности:

• Нужно показать не просто интерфейс, а логику ИИ.
• Сложно смоделировать "живые" данные без реального бэкенда.

Время: 12–16 часов.

Выводы по главе 2

Подтверждается, что разработанная система решает поставленную задачу автоматизации подбора мероприятий и соответствует требованиям, сформулированным в главе 1.

Время: 4–6 часов.

3.1. Выбор и обоснование методики расчёта экономической эффективности

Выбирается методика (например, расчёт чистого дисконтированного дохода — NPV, срока окупаемости). Обосновывается, почему именно она подходит для ИТ-проекта в сфере культуры.

Пример: «Для оценки эффективности внедрения мобильного приложения выбран метод расчёта NPV, так как он учитывает временные затраты и будущие выгоды от роста аудитории».

Сложности:

• Студенты часто путают методики или выбирают неподходящие.
• Требуется обоснование параметров (ставка дисконтирования, горизонт расчёта).

Время: 8–10 часов.

3.2. Расчёт показателей экономической эффективности проекта

Рассчитываются затраты (разработка, внедрение, поддержка) и выгоды (рост посещаемости, увеличение дохода от партнёрств). Приводится таблица с расчётами.

Пример: «Годовые затраты на поддержку — 420 тыс. руб. Ожидаемый рост аудитории — 25%, что даёт дополнительный доход 1,2 млн руб. Срок окупаемости — 7 месяцев».

Сложности:

• Нужно подобрать реалистичные цифры для условного предприятия.
• Часто ошибаются в расчётах NPV или ROI.

Время: 12–16 часов.

Выводы по главе 3

Подтверждается экономическая целесообразность проекта: система окупается менее чем за год и приносит устойчивую выгоду ООО «Культурный гид».

Время: 4–6 часов.

Если после прочтения вы осознали, что самостоятельное написание отнимет слишком много сил, или вы просто хотите перестраховаться — обращение к нам является взвешенным и профессиональным решением. Мы возьмём на себя все технические сложности, а вы получите готовую, качественную работу и уверенность перед защитой.