Опубликовано: 14.08.2026 | Источник: CNews (новости)

```html

ИИ-ассистент в дипломе: архитектура профориентационной платформы и метрики для защиты

В марте 2026 года АНО «Наука и образование» из Пензы запустила ИИ-ассистента, который помогает «сложным» подросткам определиться с профессией. Новость прошла по отраслевым СМИ — и это отличный маркер для выпускников ИТ-направлений: диалоговые помощники в образовании перестали быть экзотикой. Если вы ищете тему ВКР, которая выглядит актуально и имеет прикладной характер, кейс из Пензы даёт сразу три сценария. Ниже — готовые каркасы тем, разбор аналитической и проектной части, а также метрики, которые помогут защититься без лишних вопросов.

Три темы ВКР, которые вырастают из кейса

Тема 1. Разработка ИИ-ассистента для профориентации подростков

Актуальность: образовательные учреждения и НКО внедряют ассистентов для работы с подростками, у которых нет мотивации проходить стандартные тесты. Диалоговый формат снижает барьер.

Цель: спроектировать и реализовать прототип ИИ-ассистента, который подбирает профессии на основе ответов пользователя на естественном языке.

Задачи:

• Проанализировать существующие профориентационные сервисы («Профилум», Atlas of New Professions и др.);
• Собрать размеченный датасет диалогов на русском языке;
• Обучить NLU-модель для распознавания намерений (выбор профессии, уточнение, отказ);
• Разработать диалоговый сценарий и интеграцию с базой профессий;
• Оценить качество распознавания и время ответа.

Структура: Глава 1 — обзор подходов к профориентации и ИИ-помощникам; Глава 2 — проектирование архитектуры, выбор NLU-платформы, реализация; Глава 3 — тестирование, результаты экспериментов, экономическое обоснование.

Тема 2. Рекомендательная система профориентации с учётом личностных особенностей

Актуальность: в кейсе АНО «Наука и образование» акцент сделан на «сложных» подростках — это значит, что стандартные опросники заменяются поведенческим анализом.

Цель: разработать рекомендательный модуль, который формирует список профессий на основе психотипа и интересов.

Задачи:

• Исследовать методики профориентации (Климова, Голланда, Голомиглока);
• Формализовать профиль пользователя в виде набора атрибутов;
• Построить рекомендательный алгоритм (коллаборативная фильтрация + правила);
• Провести юзабилити-тестирование с целевой аудиторией.

Структура: Глава 1 — анализ предметной области и существующих рекомендательных систем; Глава 2 — проектирование модели и интерфейса; Глава 3 — внедрение, метрики качества рекомендаций, расчёт эффективности.

Тема 3. Сравнительный анализ платформ для создания ИИ-ассистентов

Актуальность: новость из Пензы показывает, что у НКО и школ нет собственных ML-команд — им нужны инструменты «под ключ».

Цель: сравнить RASA, Dialogflow и отечественные LLM-платформы с точки зрения требований к развёртыванию, стоимости и качеству русского языка.

Задачи:

• Сформировать критерии сравнения (лицензия, офлайн-режим, качество NLU);
• Разработать тестовый датасет и прогнать его через платформы;
• Подготовить рекомендации для образовательных организаций;
• Оценить совокупную стоимость владения (TCO).

Структура: Глава 1 — архитектура NLU-систем и требования ГОСТ 34.602-89 к ТЗ; Глава 2 — проектирование эксперимента и тестовых сценариев; Глава 3 — результаты замеров и рекомендации.

Не обязательно ограничиваться этими формулировками — их можно адаптировать под направление «Прикладная информатика», «ПО ИВТ» или «Бизнес-информатика».

Аналитическая глава: обоснование стека

Статья из Пензы пригодится уже в первом разделе диплома. Используйте кейс как пример внедрения — это поднимает актуальность. Параллельно нужно провести сравнительный анализ платформ. Комиссия обычно задаёт один вопрос: «Почему вы выбрали именно этот стек?» Ответ должен опираться на таблицу, а не на вкусовые предпочтения.

Для темы с профориентацией логично выбрать RASA, если в ВКР нужно показать архитектуру и код. Если цель — бизнес-результат, берите Dialogflow или отечественный API, чтобы уложиться в сроки и не утонуть в обучении моделей.

Проектная часть: архитектура и интеграция

В главе проектирования опишите компоненты системы: модуль распознавания намерений (NLU), диалоговый менеджер, модуль рекомендаций, базу данных профессий и внешний интерфейс (Telegram-бот или веб-чат). По ссылке из статьи видно, что ассистент работает с «трудными» подростками — значит, важна мягкая тональность диалога. Это можно отразить в дизайне диалоговых сценариев.

Фрагмент кода для дипломной работы:

# Определение намерения пользователя
intent, confidence = nlu_parser.parse(user_message)

if intent == "choose_profession":
    profile = db.get_user_profile(user_id)
    recommendations = recommender.get_top(profile, k=5)
    return formatting.card(recommendations)

if intent == "dont_know":
    return dialog.quiz_start()  # уводим в игровой формат

Не забудьте про требования к оформлению: для технического задания стоит опираться на ГОСТ 34.602-89, а для описания качества — на ISO/IEC 25010. Если в вузе не требуют буквального следования стандарту, хотя бы сошлитесь на них в списке использованных источников: это добавляет веса работе.

Тестирование и метрики: что спросит комиссия

Каждую заявленную функцию нужно подтвердить числом. Для ИИ-ассистента замеряют точность распознавания намерений, скорость ответа и качество рекомендаций. Ниже — минимальный набор метрик.

Для нагрузки прогоните тест с N параллельных сессий. В отчёте напишите, как менялась задержка при росте нагрузки — это закрывает вопросы «а если придёт 1000 пользователей?». Если в работе есть серверная часть с Kubernetes или Docker, добавьте описание деплоя и настройки горизонтального масштабирования.

Чему вы научитесь. Типичные ошибки

Работа над такой ВКР даёт конкретные навыки: проектирование NLU-конвейера, подготовка датасетов, развертывание в Docker, документирование в соответствии со стандартами. Плюс вы научитесь обосновывать выбор архитектуры — это то, что спрашивают на собеседованиях. Если ваша кафедра приветствует публикации, статью о результатах можно отправить на студенческую конференцию — тема образовательных ИИ выглядит сильной.

Вопросы, которые чаще всего задают студенты

Сложно ли сделать ИИ-ассистента без команды?

Достаточно одного человека. Возьмите RASA или Dialogflow, готовый датасет из открытых источников и ограничьте сценарий двумя-тремя намерениями. Для диплома не нужен production-grade робот — нужен работающий прототип с подтверждёнными метриками.

Обязательно ли писать код для ВКР?

Если направление связано с программированием — да. Но финальное слово за кафедрой. Если код не требуется, защитить работу можно за счёт проектирования: API-схемы, диаграммы UML, описания алгоритмов. В этом случае в главе 3 покажите экономику внедрения и сравнение с аналогами.

Где брать данные для обучения модели?

Для NLU подходят разметки от RASA (NLU Benchmark), русскоязычные корпусы диалогов. Для рекомендательной части можно собрать данные через Google Forms у студентов вашей группы и добавить их в приложение. Это законно и практично.

Как оформить диаграммы, чтобы их зачли?

Используйте UML: диаграмму вариантов использования, классов и последовательности. Оформляйте в едином стиле (PlantUML или Draw.io) и обязательно добавляйте подписи с расшифровкой элементов.

Чек-лист перед сдачей

Источник: ИИ-ассистент занимается профориентацией сложных подростков в Пензе (опубликовано 2026-03-18)

```