Математика искусственного интеллекта в дипломе: от модели до защиты
В марте 2026 года Сбербанк и МФТИ объявили о создании базовой кафедры «Математика искусственного интеллекта». Это не просто новостной повод, а сигнал для всех, кто готовится к защите ВКР: искусственный интеллект окончательно стал инженерной дисциплиной, где нужны матмодели, умение выстраивать архитектуру и честные метрики. Студенту, который хочет сделать диплом актуальным, стоит отталкиваться от этой повестки. Вопрос «как написать ВКР по ИИ» теперь звучит иначе: не «что такое нейросеть», а «как спроектировать систему, которая решает реальную задачу и готова к эксплуатации». Разберём, как это сделать.
Три темы для ВКР по искусственному интеллекту
1. Графовые нейросети в рекомендательных системах
Актуальность. Сбербанк и МФТИ готовят специалистов для создания ИИ будущего. Рекомендательные системы — одно из самых востребованных применений ИИ в банковских продуктах: подбор вкладов, услуг, контента.
Цель. Разработать прототип рекомендательной системы на основе графовой нейросети (GNN).
Задачи:
- провести обзор методов: коллаборативная фильтрация, GNN, гибридные подходы;
- спроектировать архитектуру модели и пайплайн обработки данных;
- обучить модель на открытом датасете;
- сравнить качество с базовыми алгоритмами по Precision@k и Recall@k.
Структура. Глава 1 — теоретический анализ рекомендательных систем. Глава 2 — проектирование модели и архитектуры. Глава 3 — эксперименты, тестирование, оценка экономического эффекта.
2. Классификация транзакций с использованием трансформеров
Актуальность. Банковская сфера — один из главных заказчиков ИИ-разработок. Кафедра Сбербанка в МФТИ ориентирована на индустриальные задачи, среди которых фрод-детектинг.
Цель. Разработать модель классификации транзакций на основе архитектуры transformer.
Задачи:
- исследовать применимость трансформеров к табличным данным;
- подготовить и разметить открытый или синтетический датасет транзакций;
- реализовать модель и обучить её;
- оценить качество по F1, AUC-ROC и задержке инференса.
Структура. Глава 1 — аналитический обзор. Глава 2 — проектирование решения. Глава 3 — тестирование и экономика.
3. MLOps-контур для развёртывания ML-модели
Актуальность. «ИИ будущего» из новости про кафедру Сбербанка и МФТИ — это не модели в Jupyter Notebook, а надёжные сервисы в продакшене. Без MLOps ни один серьёзный проект не обходится.
Цель. Спроектировать и реализовать контур непрерывной поставки и мониторинга ML-модели.
Задачи:
- сравнить MLOps-инструменты: Kubernetes, MLflow, Kubeflow, Seldon;
- спроектировать CI/CD-пайплайн для автоматизации обучения и деплоя;
- настроить мониторинг и трассировку через OpenTelemetry;
- провести нагрузочное тестирование и оценку RTO/RPO.
Структура. Глава 1 — анализ MLOps-решений. Глава 2 — проектирование архитектуры. Глава 3 — тестирование, развёртывание, оценка стоимости внедрения.
Три распространённые ошибки в ВКР по ИИ
- Отсутствие аргументации выбора стека. Фразы «я выбрал PyTorch, потому что он популярный» недостаточно. Нужен сравнительный анализ альтернатив с критериями: скорость обучения, поддержка распределённых вычислений, интеграция с инструментами мониторинга.
- Метрики «для галочки». Одно число accuracy без разбивки по классам не доказывает работоспособность модели. Всегда указывайте размер выборки, условия эксперимента и ограничения.
- Оформление ТЗ без учёта стандартов. Если в работе есть проектная часть, используйте ГОСТ 34.602-89 для технического задания и ГОСТ 19.701-90 для схем. Это показывает уровень инженерной подготовки.
Аналитическая глава: как обосновать выбор инструментов
В аналитической главе избегайте пересказа учебников. Лучше сравнить реальные инструменты и технологии. Например, если вы выбрали PyTorch и Kubernetes, покажите, почему они подходят для вашей задачи больше, чем TensorFlow или Docker Swarm.
| Критерий | PyTorch | TensorFlow |
|---|---|---|
| Скорость обучения, с/шаг | 0.42 | 0.48 |
| Распределённое обучение | встроено | через tf.distribute |
| Интеграция с OpenTelemetry | есть трейсинг | только через TensorBoard |
| Простота отладки | высокая | средняя |
Числа в таблице должны подтверждаться ссылками на источники или собственными замерами. Такой подход сразу поднимает уровень ВКР и снимает вопрос «а почему не по-другому?».
Проектная часть: от модели к гибкой архитектуре
В проектной главе нужны не абстрактные картинки, а схемы: диаграмма вариантов использования UML, схема контейнеров, диаграмма развёртывания. Если модель работает как микросервис, опишите, как она упакована в Docker, как попадает в Kubernetes и как снимаются метрики через OpenTelemetry.
from opentelemetry import trace
tracer = trace.get_tracer(__name__)
with tracer.start_as_current_span("predict"):
result = model.predict(features)
Даже такой фрагмент кода показывает, что вы понимаете, как система ведёт себя в реальной эксплуатации.
Тестирование и метрики: что писать в третьей главе
Качество модели
Для бинарной классификации указывайте точность, полноту, F1, AUC-ROC. Для рекомендательных систем — Precision@k и Recall@k. Обязательно поясняйте, на каких данных получены значения: объём выборки, классы, способ разбиения.
Производительность и наблюдаемость
Проведите нагрузочное тестирование и зафиксируйте задержку (latency) и пропускную способность (throughput) при разных сценариях. Для распределённых систем добавьте показатели RTO и RPO — как быстро сервис восстановится после сбоя. Для мониторинга используйте OpenTelemetry и Prometheus, а в отчёте приложите скриншоты дашбордов Grafana.
Чему вы научитесь
- обоснованно выбирать фреймворки и архитектурные решения;
- проектировать ML-системы от аналитики до деплоя;
- работать с метриками качества и производительности;
- документировать проект по стандартам ГОСТ и ISO/IEC 25010.
FAQ: частые вопросы студентов
Обязательно ли писать код для ВКР по ИИ?
Желательно. Даже небольшой прототип — скрипт, notebook или микросервис — показывает, что вы умеете применять теорию. Если в вузе допускается чисто аналитическая работа, всё равно полезно добавить хотя бы псевдокод или схему алгоритма.
Где брать датасет для модели?
Используйте открытые наборы данных: Kaggle, UCI Machine Learning Repository, Hugging Face Datasets. Для банковских задач часто применяют синтетические данные — главное, указать способ генерации и ограничения.
Как измерить производительность модели в дипломе?
Проведите нагрузочное тестирование: отправляйте запросы с разной интенсивностью и замеряйте latency, throughput, нагрузку на CPU/GPU. Для распределённых сервисов подключите OpenTelemetry и покажите трейсы в Grafana или Jaeger.
Можно ли рисовать диаграммы без строгого UML?
Можно, но тогда сложнее объяснить связи между компонентами. Лучше изучить минимальный набор UML: use case, class, deployment. Диаграммы должны быть подписаны и читаемы.
Что проверить перед сдачей ВКР
- Задачи во введении соответствуют главам и выводам.
- Каждая диаграмма имеет подпись и расшифровку элементов.
- Метрики сопровождаются описанием условий эксперимента.
- В списке литературы есть ссылка на источник CNews.
- Оформление соответствует ГОСТ или методичке вашего вуза.
- В работе есть практическая часть: код, датасет или модель.
Источник: Сбербанк и МФТИ открывают кафедру для тех, кто хочет создавать искусственный интеллект будущего (опубликовано 2026-03-18)
```