World models в дипломе: от краудсорсинговых данных Pokémon Go до защищаемой ВКР
Поддомен: AI/ML. Роль: Data/ML-инженер.
Введение
Пока одни спорят о «перегретости» ИИ, Niantic Spatial спокойно превращает 500 миллионов установок Pokémon Go в 60 дней — в источник геопространственных данных для world model. Технология, которая «заземляет» LLM в реальной среде, уже помогает роботам-курьерам точнее ориентироваться на улицах. Ровно в том же выпуске MIT Technology Review публикует AI Hype Index — инструмент, который отделяет реальные достижения от маркетинга. Для выпускника ИТ это двойная возможность: взять world models как содержательное ядро ВКР, а метрики хайпа — как методологию оценки собственных результатов. Ниже — как собрать из этого защищаемую работу без выдуманных результатов и «воды» в третьей главе.
FAQ: что чаще всего спрашивают перед началом
Мне точно хватит данных из статьи для ВКР?
Нет, статья — только обоснование актуальности. Данные вы берёте из открытых источников: OpenStreetMap, Overture Maps, NuScenes, KITTI, собственные логи ROS 2. В главе 1 достаточно корректно сослаться на кейс Niantic, чтобы показать реальность задачи.
Насколько сложный world model нужен для бакалаврской ВКР?
Уровень бакалавра — это репликация известной архитектуры (VAE, DreamerV3-lite, OccNet) на уменьшенном датасете плюс собственная метрика. Магистр — модификация лосса или интеграция с ROS 2 навигацией.
Как оформить метрики, если эксперимент «провалился»?
Отрицательный результат — тоже результат. Сравните baseline и вашу модель по RMSE, IoU, mAP, latency и оформите таблицу в приложении. Комиссия любит честные цифры больше, чем красивый график без методологии.
Что делать, если руководитель просит «новизну»?
Новизна не обязана быть научным прорывом. Достаточно адаптации метода под новый домен (городская логистика, склад, сельхоз), нового набора метрик или разработанного пайплайна ввода данных.
Темы ВКР, которые реально защищаются
| Тема | Актуальность из статьи | Цель | Задачи (сокращённо) |
|---|---|---|---|
| World model на краудсорсинговых геоданных для навигации мобильных роботов | Niantic Spatial строит world model из данных Pokémon Go для курьеров | Построить и оценить модель предсказания проходимости для ROS 2-робота | Обзор архитектур; сбор и разметка датасета; обучение; интеграция с Nav2; оценка RMSE и latency |
| Индекс хайпа как методология оценки AI-портфеля компании | AI Hype Index от MIT Technology Review | Разработать внутренний инструмент оценки зрелости AI-проектов | Опрос экспертов; шкала; дашборд; пилот на 5 проектах; валидация через Cronbach α |
| Пайплайн автоматической генерации контента из корпоративных встреч | WebinarTV превращает Zoom-звонки в AI-подкасты без согласия | Спроектировать пайплайн с обязательным согласием и разметкой PII | Анализ требований ИБ; ASR-конвейер; фильтрация PII; оценка WER; шаблон согласия по 152-ФЗ |
| Оценка рисков дипфейков в корпоративной среде | Иск Балтимора против xAI из-за Grok-изображений | Разработать методику выявления и минимизации рисков | Классификация атак; тестовый датасет; детектор; отчёт по ISO/IEC 27005 |
Каждая тема ложится в классическую структуру: Глава 1 — анализ предметной области и обзор методов, Глава 2 — проектирование и реализация, Глава 3 — эксперименты, метрики и оценка эффективности. Схемы рисуйте в C4 (контекст и контейнеры) и UML (диаграммы классов/последовательностей), ТЗ оформляйте по ГОСТ 34.601-90.
Основная часть: как встраивать материал по главам
Глава 1. Обоснование через реальный кейс
Не пересказывайте статью целиком. Возьмите три факта: 500 млн установок за 60 дней, вычленённый из игрового трафика датасет, поворот Niantic в сторону AI-компании. Постройте на их основе обзорную таблицу «Игровые краудсорсинговые данные → ML-задача» и добавьте блок о регуляторике: Anthropic против Пентагона наглядно показывает, что обучение на закрытых данных — это не только техника, но и право. Здесь же — обзор ISO/IEC 25010 как рамки для нефункциональных требований к будущей системе.
Глава 2. Архитектура и код
Опишите пайплайн и подтвердите его воспроизводимым конфигом. Пример dvc.yaml, который в ВКР смотрится как «инженерная зрелость»:
# dvc.yaml — воспроизводимость экспериментов для ВКР
stages:
ingest:
cmd: python src/ingest.py --source osm --region spb
deps: [src/ingest.py]
outs: [data/raw/osm_spb.parquet]
embed:
cmd: python src/embed.py --model dinov2_vitb14
deps: [data/raw/osm_spb.parquet, src/embed.py]
outs: [data/processed/embeddings.npz]
metrics: [metrics/embed_quality.json]
train_world_model:
cmd: python src/train.py --config configs/world_model.yaml
deps: [data/processed/embeddings.npz, src/train.py]
outs: [models/world_model.pt]
metrics: [metrics/train_metrics.json, metrics/val_metrics.json]
Плюсом к этому — C4-диаграмма контейнеров (робот → ROS 2-нода → inference-сервис → MLOps-хранилище) и UML-диаграмма последовательности для запроса предсказания. Так вы закрываете сразу требования нормоконтроля и показываете, что проект не «в блокноте», а в развёртываемой системе.
Глава 3. Метрики и оценка
Здесь пригодится логика AI Hype Index: любое утверждение должно подкрепляться измеримым индикатором. Для world model — RMSE предсказания глубины, IoU карты проходимости, p95 latency инференса на Jetson Orin. Для пайплайна контента — WER, доля отфильтрованных PII, время генерации подкаста. Для индекса хайпа — согласованность экспертов (альфа Кронбаха) и корреляция с реальным adoption внутри компании. Метрики вынесите в отдельную таблицу и постройте графики в Matplotlib/Seaborn с явно подписанными осями.
Нормоконтроль и воспроизводимость
Ссылки — по ГОСТ Р 7.0.5-2008, листинги — моношрифт, репозиторий выложен с README и requirements.txt/lock-файлом. Если код воспроизводится на чистой машине одной командой — это уже половина защиты.
Чему вы научитесь
- Строить воспроизводимые ML-пайплайны (DVC, MLflow) — не «в блокноте», а как инженерный артефакт.
- Проектировать архитектуру по C4 и описывать её UML-диаграммами без ручного «додумывания».
- Считать метрики поддомена (RMSE, IoU, WER, p95 latency) и защищать их перед комиссией.
- Оформлять ТЗ по ГОСТ 34 и оценивать качество ПО по ISO/IEC 25010.
- Учитывать требования ИБ и 152-ФЗ там, где ИИ касается персональных данных.
Чек-лист перед сдачей
- Список литературы содержит ≥30% источников не старше 5 лет, включая оригинальный кейс Niantic.
- Задачи из введения дословно повторяются в выводах по главам и в заключении.
- Схемы (C4, UML, BPMN) подписаны, пронумерованы и упомянуты в тексте.
- Метрики содержат baseline и хотя бы одну альтернативу.
- Листинги оформлены как приложения, а не врезаны в основной текст.
- Проверка уникальности — не ниже порога вуза (обычно 70–80%).
- Репозиторий собран из lock-файла без ручных правок на чужой машине.
Типичные ошибки
- Пересказ статьи вместо анализа. Комиссия сразу видит, что глава 1 — это конспект The Download. Решение: превращайте факты в таблицу «источник → данные → вывод → применимость к ВКР».
- Метрики без baseline. Обучать модель и показывать «точность 0.87» недостаточно. Обязательна точка сравнения — обучение без вашего улучшения, простая эвристика или публичный чекпоинт.
- Игнор регуляторики. Кейсы Anthropic/Пентагона и иска Балтимора прямо показывают, что работа с данными и дипфейками — это юридическая зона. В главе 2 добавьте подраздел про согласие и минимизацию PII.
Если тема только формируется или нужен внешний взгляд на архитектуру и метрики — можно получить бесплатную консультацию: мы разбираем 120 часов работы над ВКР поэтапно, от формулировки задач до защиты. Помогаем с любой темой по AI/ML, Cloud и Data Engineering — без навязанных услуг.
Источник: The Download: reawakening frozen brains, and the AI Hype Index returns (опубликовано 2026-03-25)