Опубликовано: 12.08.2026 | Источник: CNews (новости)

ИИ-экосистема умного дома в ВКР: проектирование, развертывание и оценка качества

В марте 2026 года MOVA объявила о переходе от производства отдельных устройств к разработке ИИ-экосистемы умного дома. Это не просто маркетинговый ход, а отражение глобального тренда: рынок бытовой техники смещается в сторону интеллектуальных платформ, где устройства обмениваются данными и принимают решения без участия человека. Для студента ИТ-специальности этот кейс — готовая основа для ВКР. Вы можете спроектировать собственную ИИ-систему, проанализировать архитектуру, оценить качество моделей или предложить улучшения. В статье разберем, как превратить новость в полноценный дипломный проект: от постановки задач до защиты, с учетом требований ГОСТ и современных инструментов.

Частые вопросы перед стартом ВКР

С чего начать, если выбрал тему «ИИ-экосистема умного дома»?

Начните с анализа предметной области: изучите, как устроены существующие платформы (Home Assistant, Яндекс.Алиса, MOVA). Определите, какую часть вы будете делать сами — модель, API, интерфейс, интеграцию. Зафиксируйте границы проекта в первой главе, чтобы не утонуть в масштабах.

Где взять данные для обучения моделей в умном доме?

Используйте открытые датасеты: Intel Berkeley Lab (данные сенсоров), CASAS Washington State University (активности в доме), OpenSHS (синтетические данные). Если проект нацелен на имитацию — сгенерируйте данные сами. Укажите в работе источник и способ предобработки.

Какие диаграммы и схемы требуют в дипломе?

Обычно — C4 для архитектуры (контекст, контейнеры, компоненты), UML-диаграммы вариантов использования и классов, BPMN для бизнес-процессов. Обязательно оформите по ГОСТ 2.105-2019 или ГОСТ 19.701-90 (в зависимости от направления). Схему можно рисовать в Draw.io, PlantUML, Visio.

Как посчитать эффективность ИИ-системы?

Для моделей — метрики точности, полноты, F1-меры, ROC-AUC. Для системы в целом — время ответа API, энергопотребление, масштабируемость, стоимость инфраструктуры. Сравните с потенциальным базовым решением. В третьей главе приведите эксперименты и интерпретацию.

Темы ВКР, которые можно развить из кейса MOVA

• Тема 1. Разработка ИИ-модуля для прогнозирования поведения пользователя в умном доме.

  Актуальность: MOVA и другие бренды ставят на персонализацию, но без моделей предсказаний это невозможно. Ваша ВКР может закрыть пробел.

  Цель: спроектировать и проверить модель, которая прогнозирует сценарии включения устройств.

  Задачи: анализ источников данных; выбор алгоритма; обучение и валидация; разработка микросервиса.

  Структура: Глава 1 — обзор ИИ-экосистем и методов прогнозирования; Глава 2 — проектирование архитектуры и модели; Глава 3 — тестирование, метрики, экономическая эффективность.

• Тема 2. Проектирование микросервисной архитектуры ИИ-платформы для умного дома.

  Актуальность: экосистема MOVA подразумевает множество подключенных устройств, обработку событий в реальном времени и масштабирование. Это классическая задача для микросервисов.

  Цель: создать архитектуру с распределенными сервисами (инференс, логирование, управление устройствами).

  Задачи: анализ требований; выбор шаблонов (Event-driven, API Gateway); развертывание в Kubernetes; оценка отказоустойчивости.

  Структура: Глава 1 — сравнительный анализ архитектурных стилей; Глава 2 — реализация; Глава 3 — нагрузочное тестирование и метрики.

• Тема 3. Оценка качества ИИ-системы умного дома по стандарту ISO/IEC 25010.

  Актуальность: при переходе к экосистемам важно не только обучить модель, но и гарантировать её надёжность, производительность и безопасность. Стандарт даёт четкие критерии.

  Цель: разработать методику оценки качества ИИ-компонента.

  Задачи: адаптация характеристик ISO/IEC 25010; разработка метрик; проведение тестов; анализ результатов.

  Структура: Глава 1 — стандарты и метрики качества; Глава 2 — проектирование оценочного стенда; Глава 3 — результаты измерений и рекомендации.

Как встроить новость о MOVA в основные главы ВКР

Глава 1: анализ предметной области и постановка проблемы

Опишите переход рынка от одиночных устройств к экосистемам, используя пример MOVA как свежий факт. В подразделе «Анализ существующих решений» сравните подходы: централизованные (все данные на серверах вендора), локальные (edge-инференс на каждом устройстве) и гибридные. Отметьте, что MOVA делает ставку на ИИ-платформу — значит, есть потребность в новых моделях и интеграционных решениях. Здесь же уместны ссылки на ГОСТ 34.601 для описания стадий создания автоматизированных систем.

Глава 2: проектирование и реализация

Нарисуйте C4-diagram: на уровне контекста покажите пользователя, устройства, облако MOVA и ваш модуль. На уровне контейнеров — API Gateway, сервис логирования, ML-сервис, базу данных. Ниже — компоненты ML-сервиса: предобработка данных, инференс, кэш. Добавьте UML-диаграмму вариантов использования для сценария «Пользователь задает сценарий “Утро”». Если используете микросервисы — опишите паттерны Saga, outbox, event-driven. Пример манифеста для ML-сервиса в Kubernetes:

apiVersion: apps/v1
kind: Deployment
metadata:
  name: ml-inference
  labels:
    app: ml-inference
spec:
  replicas: 3
  selector:
    matchLabels:
      app: ml-inference
  template:
    metadata:
      labels:
        app: ml-inference
    spec:
      containers:
      - name: predictor
        image: registry.example.com/mova-ml:1.2
        ports:
        - containerPort: 8080
        env:
        - name: MODEL_PATH
          value: "/models/activity_prediction_v3.onnx"
        resources:
          requests:
            memory: "256Mi"
            cpu: "500m"
          limits:
            memory: "512Mi"
            cpu: "1"
---
apiVersion: v1
kind: Service
metadata:
  name: ml-inference-service
spec:
  selector:
    app: ml-inference
  ports:
  - port: 80
    targetPort: 8080

Этот фрагмент показывает умение выкатывать ИИ-модели в промышленной среде — частый вопрос на защите.

Глава 3: тестирование и оценка эффективности

Определите метрики в двух категориях: качество модели (accuracy, F1, latency) и качества всей системы (доступность, время ответа, количество инцидентов). Используйте OpenTelemetry для сбора трассировок и метрик — покажите, как настроен экспорт в Prometheus или Jaeger. Например, код инициализации tracer:

from opentelemetry import trace
from opentelemetry.exporter.jaeger.thrift import JaegerExporter
from opentelemetry.sdk.resources import Resource
from opentelemetry.sdk.trace import TracerProvider
from opentelemetry.sdk.trace.export import BatchSpanProcessor

trace.set_tracer_provider(TracerProvider(resource=Resource.create({"service.name": "mova-ml"})))
tracer = trace.get_tracer(__name__)
jaeger_exporter = JaegerExporter(agent_host_name="localhost", agent_port=6831)
trace.get_tracer_provider().add_span_processor(BatchSpanProcessor(jaeger_exporter))

Сравните результаты до и после оптимизации (например, задержка инференса упала с 250 мс до 80 мс после квантизации модели). Используйте технико-экономическое обоснование: стоимость инфраструктуры, экономия электроэнергии за счет прогнозирования — это идеально ложится в третий раздел.

Чек-лист перед сдачей

Типичные ошибки студентов

Чему вы научитесь в процессе работы

Выполнив такую ВКР, вы получите практические навыки, которые можно показать на собеседовании:

• Проектировать архитектуру ИИ-сервиса, используя C4 и UML, с учётом требований к масштабированию.
• Применять стандарты ГОСТ 34, ISO/IEC 25010 для обоснования решений.
• Обучать и валидировать модели прогнозирования временных рядов (LSTM, LightGBM, Transformer).
• Упаковывать модель в Docker, разворачивать в Kubernetes и настраивать OpenTelemetry для мониторинга.
• Считать метрики качества и экономическую эффективность с опорой на реальные данные.

Источник: MOVA представила новую ИИ-экосистему умного дома (опубликовано 2026-03-18)