Опубликовано: 24.09.2026 | Источник: CNews (новости)

Офисные ИИ-ассистенты в ВКР: от данных «Авито Работы» до работающего прототипа

Введение: почему тренд из статьи — это ваш козырь на защите

Аналитики «Авито Работы» зафиксировали рост спроса на офисных специалистов с навыками работы с ИИ на 34% за зиму. Работодатели всё чаще указывают в вакансиях не «знание Excel», а «уверенное использование LLM-инструментов», «промпт-инжиниринг», «интеграция ИИ-ассистентов в бизнес-процессу». Для выпускника ИТ это не абстрактная новость, а готовая рыночная мотивация темы ВКР: комиссия любит, когда актуальность подкреплена цифрой из реального источника, а не фразой «в современном мире». Ниже — как превратить этот сигнал рынка в защищаемую работу: от подбора датасета до метрик эффективности и диаграмм по ГОСТ.

FAQ: что чаще всего спрашивают перед выбором темы

Можно ли опираться только на новость из «Авито Работы»?

Как источник актуальности — да, но одной ссылки на CNews мало. Нужен минимум второй источник (hh.ru, обзор рынка труда, внутренняя аналитика компании) и логический переход: спрос → дефицит инструментов → ваша разработка.

Где брать данные, если нет работодателя-заказчика?

Синтетические диалоги, публичные корпоративные FAQ, открытые датасеты обращений (например, обезличенные тикеты техподдержки), внутренние документы вуза. Обязательно описывайте процедуру обезличивания — иначе нормоконтроль и ИБ-секция на защите вас «съедят».

Какую метрику считать главной?

Зависит от типа задачи. Для классификации — macro-F1 и precision/recall по классам; для ассистента — latency p95, доля успешных ответов, экономия человеко-часов; для бизнес-эффекта — ROI и срок окупаемости. Всё это привязывайте к ISO/IEC 25010 (функциональная пригодность, производительность, удобство использования).

Что делать, если реального внедрения нет?

Делайте пилот на демо-данных, описывайте сценарий «что если», считайте эффект на моделируемом объёме обращений. Комиссия принимает расчётный эффект, если методология прозрачна.

Темы ВКР под тренд: 3 карточки-конструктора

• Тема 1. LLM-ассистент для обработки корпоративной переписки.
  Актуальность: офисные роли (секретариат, клиентский сервис, HR) массово переходят на ИИ-инструменты — цифра 34% прямо это подтверждает.
  Цель: снизить время обработки входящего потока писем на 30% за счёт RAG-ассистента.
  Задачи: спроектировать архитектуру C4, подготовить датасет, реализовать поиск по векторной БД, замерить latency и точность, посчитать ROI.
  Структура: Гл.1 — анализ рынка и обзор LLM/RAG; Гл.2 — проектирование и реализация (FastAPI + LangChain + pgvector); Гл.3 — тестирование, метрики, экономический эффект.
• Тема 2. Классификация обращений в техподдержку с ML и оценкой эффекта автоматизации.
  Актуальность: компании ищут специалистов, умеющих «встроить ИИ в процесс», а не просто обучить модель в блокноте.
  Цель: автоматизировать маршрутизацию тикетов с macro-F1 ≥ 0.85.
  Задачи: EDA, feature engineering, baseline (TF-IDF + LogReg) vs BERT-подобная модель, мониторинг через OpenTelemetry, расчёт сэкономленных часов.
• Тема 3. Платформа промпт-инжиниринга для внутренней базы знаний.
  Актуальность: ИИ-навыки стали требованием вакансий — значит, нужны внутренние инструменты, где эти навыки применяются.
  Цель: дать сотрудникам self-service доступ к корпоративным знаниям через LLM.
  Задачи: BPMN-схема процесса, RBAC, аудит запросов, оценка качества ответов, документация по ГОСТ 34.

Основная часть: как встроить материал статьи в главы ВКР

Глава 1. Обоснование актуальности цифрами, а не водой

Ссылка на «Авито Работу» — это ваш «якорь» в разделе 1.1. Постройте таблицу: сфера → требуемые ИИ-навыки → динамика. Рядом — обзор литературы по LLM, RAG, промпт-инжинирингу. Диаграмму процесса оформите в BPMN (as-is / to-be), а контекст системы — в C4 Level 1. Именно здесь уместно зафиксировать, почему выбранный стек закрывает спрос рынка, а не просто «интересен автору».

Глава 2. Проектирование и реализация: инструменты и паттерны

Классическая связка для 2026 года: FastAPI (сервис), LangChain / LlamaIndex (оркестрация), pgvector или Qdrant (векторный поиск), OpenTelemetry (трассировка), Docker (деплой). Архитектурные паттерны — «adapter» для смены LLM-провайдера, «port-adapter» для тестируемости, «circuit breaker» для внешних API. Ниже — минимальный каркас эндпоинта RAG с трассировкой.

from fastapi import FastAPI
from opentelemetry import trace
from langchain.vectorstores import PGVector
from langchain.embeddings import OpenAIEmbeddings

app = FastAPI()
tracer = trace.get_tracer(__name__)

@app.post("/assist")
async def assist(query: str):
    with tracer.start_as_current_span("rag_pipeline"):
        docs = PGVector(...).similarity_search(query, k=4)
        # вызов LLM с контекстом, логирование latency
        return {"answer": llm.run(query, context=docs)}

Глава 3. Метрики, тестирование и экономический эффект

Помимо технических метрик (precision, recall, F1, latency p50/p95, стоимость 1k токенов) считайте прикладные: доля обращений, закрытых без человека; сэкономленные часы; ROI = (экономия − затраты) / затраты. Привяжите их к характеристикам ISO/IEC 25010 — это снимает вопрос «а как вы оценивали качество?». Тестирование — юнит, интеграционные, e2e через pytest + httpx, нагрузочное через Locust.

Чек-лист «Что проверить перед сдачей»

Типичные ошибки студентов

Источник: Спрос на офисных специалистов с навыками работы с ИИ этой зимой вырос на 34% — «Авито Работа» (опубликовано 2026-03-25)