Опубликовано: 23.04.2026 | Источник: ZDNet – Enterprise Software

Gemini в дипломе: как встроить AI в мобильные и встраиваемые системы с реальной пользой

Google интегрировал свой AI-ассистент Gemini в Android Auto — и это не просто «голосовой поиск». Пользователи уже используют его для сложных задач: от составления сообщений по контексту до планирования маршрутов с учётом трафика и предпочтений. Это не тренд — это сдвиг в архитектуре взаимодействия пользователя с системой. Для студентов IT-специальностей это сигнал: AI-интеграция в клиентские приложения, особенно в ресурсоограниченные среды вроде автомобильных платформ, становится стандартом. Игнорировать это в ВКР — значит упустить шанс показать понимание современной архитектуры, где AI — не отдельный сервис, а часть пользовательского стека.

Темы ВКР, основанные на интеграции Gemini и Android Auto

1. Разработка архитектуры мобильного приложения с интеграцией AI-ассистента

• Актуальность: статья ZDNet показывает, что пользователи ожидают от систем не просто ответов, а решения задач — и AI должен быть вшит в UX, а не вставлен как «дополнение».
• Цель: спроектировать и реализовать архитектуру Android-приложения с встроенным AI-модулем, аналогичным Gemini, с оптимизацией под низкие задержки и ограниченные ресурсы.
• Задачи:
  • Анализ существующих решений (Gemini, Siri, Alexa в авто).
  • Выбор фреймворков для обработки естественного языка (например, BERT, LiteRNN).
  • Проектирование API-шлюза между AI и системой.
  • Оценка производительности на устройствах с разным уровнем ресурсов.
• Структура:
  • Глава 1 — Анализ архитектур AI-ассистентов, стандарты ISO/IEC 25010 (качество ПО), требования к задержкам.
  • Глава 2 — Проектирование архитектуры, UML-диаграммы, выбор стека (Kotlin, TensorFlow Lite, gRPC).
  • Глава 3 — Тестирование, метрики: latency, accuracy, потребление CPU/памяти, сравнение с базовым сценарием.

2. Оптимизация взаимодействия AI-модели с ОС в условиях ограниченных ресурсов

• Актуальность: Android Auto работает на разных устройствах — от мощных head-unit до старых смартфонов. AI должен адаптироваться. Это вызов для архитектора.
• Цель: разработать стратегию адаптивной загрузки AI-моделей в зависимости от ресурсов устройства.
• Задачи:
  • Анализ производительности NLP-моделей на разных уровнях RAM/CPU.
  • Реализация механизма динамической загрузки легковесной/полной модели.
  • Интеграция с системным мониторингом (через OpenTelemetry).
  • Оценка энергопотребления.
• Структура:
  • Глава 1 — Анализ требований к embedded AI, стандарты ГОСТ 34.602-89 (ТЗ на ПО), метрики эффективности.
  • Глава 2 — Архитектура адаптивной загрузки, диаграммы состояний, протоколы обмена (Protobuf).
  • Глава 3 — Нагрузочное тестирование, RTO/RPO при смене модели, сравнение TCO.

3. Оценка влияния AI-интеграции на пользовательский опыт в транспортных системах

• Актуальность: как показывает статья, пользователи «не могут перестать с ним разговаривать» — это означает высокую вовлечённость. Но как её измерить?
• Цель: разработать методику оценки UX при использовании AI в мобильных приложениях.
• Задачи:
  • Формализация метрик UX: время выполнения задачи, количество шагов, оценка пользователя.
  • Создание прототипа с AI и без (A/B-тест).
  • Сбор данных через аналитику (Firebase, OpenTelemetry).
  • Формирование отчёта по ISO/IEC 25010 (удобство использования).
• Структура:
  • Глава 1 — Теория UX, стандарты, обзор кейсов (включая Gemini).
  • Глава 2 — Проектирование прототипа, дизайн интерфейса, сценарии использования.
  • Глава 3 — Проведение тестирования, анализ данных, экономика внедрения (снижение нагрузки на поддержку).

Аналитическая глава: как использовать статью в обзоре литературы и обосновании выбора

Не просто цитируйте статью — анализируйте. Вот как:

• Сравните архитектуры: Gemini в Android Auto использует гибридный подход — часть обработки на устройстве, часть в облаке. Это снижает задержку и повышает приватность. В дипломе это можно сравнить с чисто облачными решениями (например, старые версии Google Assistant).
• Обоснуйте выбор стека: если вы используете TensorFlow Lite — укажите, что это аналогично подходу Google для edge-устройств. Ссылка на статью + технические детали из официальной документации — сильное обоснование.
• Упомяните стандарты: в ГОСТ 34.602-89 есть требования к функциональным характеристикам. Вы можете показать, что AI-интеграция повышает показатели «удобства использования» и «производительности» — и подтвердить это тестами.

Проектная часть: как спроектировать систему с AI-интеграцией

Не просто «добавить API» — нужно продумать архитектуру. Вот что важно:

Схема взаимодействия

Пользователь → Android Auto → [AI Gateway] → (локальная модель / облачный API) → Ответ
                             ↑
                     Мониторинг ресурсов (OpenTelemetry)

• AI Gateway — ваш сервис-посредник. Он решает, куда отправить запрос. Это можно реализовать на Kotlin/Java, использовать шаблон «стратегия».
• Протоколы: gRPC для внутреннего взаимодействия (низкие задержки), REST — для внешних вызовов. Оба соответствуют стандартам взаимодействия в распределённых системах.
• Алгоритм выбора: если RAM < 2 ГБ → использовать Lite-модель; иначе — полную. Это можно оформить как диаграмму состояний.

Интеграция с CI/CD-пайплайнами

Если вы разрабатываете приложение — покажите, как AI-модель обновляется:

• Модель собирается в Docker-образе.
• Тестируется на наборе данных (unit-тесты для NLP).
• Разворачивается через Kubernetes (если есть серверная часть).
• Метрики собираются через OpenTelemetry и попадают в Grafana.

Это покажет, что вы понимаете не только код, но и DevOps-подход — что высоко ценится на защите.

Тестирование и метрики: как доказать эффективность

Без метрик — нет диплома. Вот какие можно использовать:

• Latency: среднее время ответа (цель — не более 500 мс).
• Accuracy: процент правильно распознанных команд (тест на 100 сценариях).
• Resource usage: потребление CPU, RAM, батареи (через Android Profiler).
• UX-метрики: время выполнения задачи, количество ошибок пользователя.

Сравните систему с и без AI — это будет ваш главный аргумент в заключении.

Чему вы научитесь, работая над такой темой

• Работать с архитектурой распределённых систем: edge + cloud.
• Выбирать и обосновывать стек технологий (TensorFlow Lite, gRPC, OpenTelemetry).
• Проектировать системы с учётом реальных ограничений (ресурсы, задержки).
• Собирать и анализировать метрики производительности и UX.
• Оформлять техническую документацию по ГОСТ: ТЗ, архитектурные диаграммы, отчёт по тестированию.

Типичные ошибки студентов

FAQ

Насколько сложно реализовать AI-модель в дипломе?

Не так сложно, как кажется. Можно использовать готовые модели (например, BERT-base или MobileBERT), дообучить на своём датасете. Главное — не писать с нуля, а показать, как вы её интегрировали и оптимизировали. Это реалистично даже за 3 месяца.

Обязательно ли писать код в дипломе?

Да, если вы на IT-специальности. Но код — не главное. Главное — архитектура, обоснование, тесты. Можно приложить репозиторий на GitHub, а в приложении — фрагменты ключевых классов.

Как правильно оформить UML-диаграммы?

Используйте стандарт UML 2.5. Диаграммы должны быть читаемы: не более 7 компонентов на схеме, подписи на русском, легенда. Инструменты: draw.io, PlantUML, StarUML. Не копируйте из интернета — комиссия проверяет.

Где брать тестовые данные для AI?

Открытые датасеты: Common Voice (Mozilla), Snips NLU, или синтезируйте свои на основе шаблонов. Главное — описать метод сбора в дипломе. Можно провести опрос у 20–30 человек и записать их фразы.

Чек-лист «Что проверить перед сдачей»

Источник: I tested Gemini on Android Auto and now I can't stop talking to it: 5 tasks it nails (опубликовано 2026-04-06)