Опубликовано: 07.10.2026 | Источник: CNews (новости)

ИИ-ассистенты в дипломе: от RAG-ментора до генератора изображений

27 марта 2026 года МТС анонсировала запуск двух ИИ-сервисов — «ИИ-Ментора» для учебных задач и «ИИ-Генератора» для синтеза изображений. Для выпускника ИТ-специальности это не просто новость: это готовая фактура для ВКР по направлению AI/ML. Разбираем, как превратить кейс из пресс-релиза в защищаемую работу с метриками, архитектурой и воспроизводимым кодом.

Три темы ВКР, которые вырастают из этого кейса

Сразу оговоримся: тема должна быть уже́е, чем «разработать ИИ-ассистента». На защите побеждает конкретика — метрика, архитектурный паттерн, воспроизводимый пайплайн. Ниже — три рабочие формулировки, проверенные на реальных защитах 2025–2026 годов.

Как встроить кейс МТС в главы ВКР

Глава 1. Аналитика: где пригодится сам факт запуска

Не пересказывайте пресс-релиз — используйте его как подтверждение рыночного тренда. В подразделе «Анализ существующих решений» сравните «ИИ-Ментора» с аналогами (ЯндексGPT, GigaChat, локальные Ollama-модели) по таблице критериев: доступность API, стоимость 1k токенов, поддержка русского языка, наличие RAG «из коробки». Такая таблица закрывает задачу «обоснование выбора технологии» и сразу отсекает вопрос комиссии «а почему не взяли готовое?».

Глава 2. Проектирование и реализация: диаграммы, которые ждут

Минимум — три схемы. Первая — C4-диаграмма контейнеров: клиент, API-шлюз, сервис retrieval, векторная БД, LLM-рантайм. Вторая — UML sequence для сценария «студент задаёт вопрос → система отдаёт ответ со ссылками на источники». Третья — BPMN для оффлайн-этапа: загрузка документов, чанкинг, эмбеддинг, индексация. Схемы рисуйте в draw.io или PlantUML и вставляйте как приложение по ГОСТ 19.106.

А вот заготовка пайплайна retrieval — её удобно показать на защите как «ядро» работы:

from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain.text_splitter import RecursiveCharacterTextSplitter

splitter = RecursiveCharacterTextSplitter(chunk_size=800, chunk_overlap=120)
chunks = splitter.split_documents(docs)

store = FAISS.from_documents(chunks, OpenAIEmbeddings(model="text-embedding-3-small"))
retriever = store.as_retriever(search_kwargs={"k": 5})

def answer(question: str) -> dict:
    ctx = retriever.invoke(question)
    prompt = build_prompt(question, ctx)         # шаблон с требованием цитировать
    resp = ChatOpenAI(model="gpt-4o-mini", temperature=0.2).invoke(prompt)
    return {"answer": resp.content, "sources": [c.metadata["source"] for c in ctx]}

Глава 3. Оценка эффективности: чем мерить ИИ-ассистента

Здесь чаще всего сыпятся студенты. «Работает и ладно» — не аргумент. Считайте как минимум три группы метрик:

• Качество ответа: faithfulness, answer relevance (через RAGAS), hallucination rate на отложенной выборке из 100 вопросов.
• Производительность: P50/P95 latency, throughput (RPS), стоимость 1 запроса в рублях — снимайте через OpenTelemetry-трейсинг.
• Безопасность: устойчивость к prompt injection — покройте минимум 5 сценариев из OWASP LLM Top 10 (LLM01, LLM02, LLM06).

Чему вы научитесь на такой теме

• Проектировать RAG-пайплайны и обосновывать выбор чанкинга, модели эмбеддингов, reranker.
• Оценивать LLM количественно, а не «на глаз» — через RAGAS и собственный набор регрессионных тестов.
• Строить диаграммы C4/UML/BPMN и оформлять ТЗ по ГОСТ 34.602.
• Проверять решение на соответствие ISO/IEC 25010 (функциональная полнота, производительность, безопасность).
• Настраивать наблюдаемость ИИ-сервиса на OpenTelemetry и считать стоимость инференса.

FAQ: что реально спрашивают студенты

Сколько должно быть данных для RAG-ассистента?

Для демонстрации достаточно 200–500 страниц текста (методички, статьи кафедры). Главное — показать пайплайн и метрики, а не объём корпуса. Если данных мало, честно напишите в ограничениях исследования.

Можно ли обойтись без платного API OpenAI?

Да. Локальный стек: Ollama + Llama 3.1 8B или Qwen 2.5 + эмбеддинги bge-m3. Это даже выигрышнее для защиты — считайте потребление VRAM, время отклика и сравнивайте с облаком.

Какую метрику выбрать главной?

Одну — и привязать к цели. Если цель «снизить галлюцинации» — faithfulness. Если «ускорить ответ» — P95 latency. Не пытайтесь объять всё: комиссия любит глубину, а не ширину.

Нормоконтроль пропустит диаграммы из draw.io?

Да, если они сохранены как PNG 300 dpi и подписаны по ГОСТ 19.104 (Рисунок N — Название). Не забудьте ссылку на рисунок в тексте перед вставкой.

Источник: Тюменцы смогут использовать ИИ-ассистентов для учебы и создания изображений (опубликовано 2026-03-27)