Персонализированный ИИ Gemini в дипломной работе: архитектура, метрики и интеграция
Google официально открыл доступ к Personal Intelligence всем пользователям в США — теперь функция работает не только для подписчиков AI Pro и AI Ultra, но и для бесплатного тарифа. Персональные данные из Gmail, YouTube и Google Photos подключаются к Gemini как дополнительный контекст, позволяя ассистенту отвечать с пониманием личных привычек, предпочтений и истории переписки. Для студента технической специальности это не просто новость из мира больших корпораций, а сигнал: персонализированные ИИ-системы стали доступны массовому пользователю, а значит — готовы к изучению и проектированию в рамках ВКР. В статье показываю, как превратить этот кейс в полноценную дипломную работу: от выбора темы до защиты, с учётом реальных требований вузов и стандартов.
Темы ВКР, которые можно вытащить из этой новости
Тема 1. Проектирование персонализированного ИИ-ассистента на основе открытых API
Актуальность. Расширение Personal Intelligence подтверждает: будущее за ассистентами, которые учитывают контекст пользователя. Студент может спроектировать аналогичную систему, но в ограниченной предметной области — например, для рекомендаций по учебной литературе или планированию дня.
Цель. Разработать архитектуру и прототип ИИ-ассистента, использующего данные из внешних сервисов для повышения релевантности ответов.
Задачи:
- проанализировать требования к контекстным ассистентам;
- сравнить подходы: Google Personal Intelligence, классический RAG, self-hosted LLM;
- спроектировать микросервисную архитектуру с использованием REST API и OAuth 2.0;
- реализовать прототип и провести экспериментальную оценку;
- оформить проектную документацию в соответствии с ГОСТ 34.602.
Возможная структура: Глава 1 — аналитический обзор и сравнение решений; Глава 2 — проектирование архитектуры и протоколов; Глава 3 — реализация, тестирование и оценка эффективности.
Тема 2. Оценка качества персонализированных ИИ-систем по ISO/IEC 25010
Актуальность. Персональные данные в LLM — это новые риски ошибок, предвзятости и утечек. Работающие метрики качества становятся обязательной частью диплома, а не просто формальностью.
Цель. Адаптировать модель качества ISO/IEC 25010 для оценки персонализированных ИИ-ассистентов.
Задачи:
- изучить стандарт ISO/IEC 25010 и выделить ключевые характеристики: функциональная пригодность, надёжность, защищённость;
- разработать методику измерения метрик (точность, полнота, время ответа, удобство);
- провести эксперимент на реальном или синтетическом датасете;
- сравнить метрики для ассистента с персонализацией и без неё;
- оформить результаты в виде таблиц и диаграмм.
Возможная структура: Глава 1 — анализ стандартов и понятия качества ИИ; Глава 2 — методика и инструменты оценки; Глава 3 — эксперимент, результаты, выводы.
Тема 3. Безопасность при интеграции личных данных в ИИ-систему
Актуальность. Personal Intelligence требует от Google серьёзных механизмов защиты — это касается и собственных разработок студентов. Вопросы согласия, шифрования и ограниченного доступа к данным становятся частью технического задания.
Цель. Разработать модель угроз и практические рекомендации для безопасной интеграции пользовательских данных в ИИ-ассистент.
Задачи:
- проанализировать архитектуру Google Personal Intelligence и выделить возможные точки утечки;
- рассмотреть нормативные требования (152-ФЗ для РФ, GDPR для Европы) и ГОСТ;
- спроектировать схему безопасного обмена данными (OAuth 2.0, JWT, TLS);
- оценить остаточные риски и предложить меры защиты;
- оформить раздел «Безопасность» в пояснительной записке.
Возможная структура: Глава 1 — анализ угроз и нормативной базы; Глава 2 — архитектура защищённого взаимодействия; Глава 3 — экспериментальная проверка механизмов аутентификации и авторизации.
Как применить новость в аналитической главе диплома
Аналитическая глава — это не просто пересказ статей, а обоснование выбора стека. Расширение Personal Intelligence даёт повод сравнить три принципиально разных подхода:
| Критерий | Google Personal Intelligence | Self-hosted RAG (open source) | Azure OpenAI + Graph |
|---|---|---|---|
| Доступ к данным пользователя | Официальные Google APIs | Полный контроль, но нужно самому агрегировать | Microsoft Graph, ограничен по экосистеме |
| Конфиденциальность | Данные уходят в облако Google | Возможно полностью локальное развёртывание | Данные остаются в Azure |
| Сложность внедрения | Низкая, готовые API и SDK | Высокая — требуется векторная БД, пайплайн | Средняя |
| Стоимость | Бесплатно (сейчас в США) | Стоимость серверов и поддержки | Платное API |
| Гибкость | Ограничена Google | Максимальная | Хорошая |
В дипломе этот анализ важно привязать к требованиям: если задача — показать качественную инженерную работу и не использовать закрытые сервисы, выбирайте RAG. Если нужен статистический объём персональных данных и быстрый прототип — подойдёт Google API. Обоснование выбора делаются не на вкусе, а через характеристики из ISO/IEC 25010.
Проектная часть: от схемы до протоколов
В проектной части следует показать, как система взаимодействует с внешними сервисами. Архитектуру можно описать списком:
- клиент (браузер или мобильное приложение) — интерфейс Gemini;
- API Gateway — принимает запросы, проверяет токены доступа;
- микросервис оркестрации — собирает контекст из Gmail, YouTube, Photos;
- векторная БД (аналог Google’s internal embeddings) для хранения семантического представления данных;
- модуль вывода ответа — обращается к LLM с обогащённым промптом.
Для авторизации выбирайте OAuth 2.0 (в статье он упоминается как стандарт для доступа к Google-сервисам). Обмен данными — по REST API, а для потоковой генерации ответов — WebSocket. На диаграмме UML последовательности покажите, как пользователь даёт согласие на доступ к Gmail, а затем ассистент формирует запрос на получение писем, фильтрует их по релевантности и добавляет в контекст LLM.
# Пример абстрактного запроса к API (псевдокод)
GET /users/{id}/gmail/messages?q="отчет по практике"
Authorization: Bearer {access_token}
Accept: application/json
Response: { "messages": [{ "snippet": "Иван, скиньте расчетку", "date": "2026-02-11" }] }
Опишите оркестрацию микросервисов. В качестве платформы можно назвать Kubernetes (часто используется в реальных дипломных проектах). Для наблюдательности подключите OpenTelemetry — экспорт трассировок в Prometheus или Jaeger.
Тестирование и метрики: что измерить, чтобы защититься
Работодатели и члены комиссии просят «объективные данные». Обязательно добавьте раздел с тестированием:
- Функциональное тестирование — проверка сценариев: запрос с контекстом из почты, без контекста, с некорректными данными.
- Нагрузочное тестирование — с помощью Locust или JMeter, до 500 одновременных запросов. Метрика: время ответа p95.
- Отказоустойчивость — расчёт RTO (предельное время простоя) и RPO (потеря данных при сбое). Если у вас два реплицированных сервиса, RTO — до 5 минут, RPO — нескольких секунд.
- Мониторинг качества — подключите OpenTelemetry для трассировки каждого запроса; логирование — Elasticsearch или Sentry.
| Метрика | Целевое значение | Метод |
|---|---|---|
| Точность рекомендаций | ≥ 0.75 | Сравнение с экспертной выборкой |
| Время ответа p95 | ≤ 2 с | Нагрузочное тестирование |
| Готовность сервиса (uptime) | ≥ 99.5% | Мониторинг Prometheus |
| RTO / RPO | RTO ≤ 15 мин, RPO ≤ 5 мин | Симуляция отказа |
Все метрики должны соответствовать ISO/IEC 25010: функциональная пригодность (точность), эффективность производительности (время), надёжность (uptime). Такой подход закрывает сразу два формальных требования — «наличие экспериментальной части» и «использование стандартов».
Практические выводы: чему вы научитесь
Выполняя такую ВКР, вы получите навыки:
- проектировать архитектуру современных ИИ-сервисов;
- работать с внешними API и стандартами OAuth 2.0, REST;
- сравнивать технические решения по метрикам, а не на словах;
- оформлять пояснительную записку по ГОСТ 34.602-89 и адаптировать под стандарты вуза;
- использовать контейнеризацию и оркестрацию (Kubernetes, Docker) для развёртывания;
- настраивать мониторинг с OpenTelemetry.
Типичные ошибки студентов
1. Подмена терминов «персонализация» и «кэширование». Когда пишут «ИИ запоминает мои предпочтения», но имеют в виду обычную базу с фильтрами. Избежать просто: чётко опишите, где данные превращаются в контекст для языковой модели, а где — просто извлекаются из таблицы.
2. Отсутствие метрик эффективности. Фраза «ассистент стал лучше» без цифр не проходит. Добавьте хотя бы точность и recall на 100 тестовых примерах — и защита становится существенно проще.
3. Игнорирование требований ГОСТ 34.602-89 при оформлении технического задания. Вузы часто просят следовать именно этому стандарту, а студенты используют внутренний шаблон компании. Сверить своё ТЗ с перечнем разделов — 10 минут, которые экономят замечания на предзащите.
FAQ
Можно ли сделать ВКР на эту тему, если я не изучал машинное обучение?
Да. Для проектирования и тестирования ИИ-ассистента не нужно обучать нейросеть с нуля. Достаточно использовать готовые LLM-API (Gemini, OpenAI, YandexGPT) и сосредоточиться на архитектуре, интеграции и оценке. Знание Python и основ REST API — большая часть работы.
Как получить доступ к Google Personal Intelligence для тестирования?
Google официально запустил эту функцию в США. Для России и стран СНГ доступ может быть не открыт. Но это не проблема: в дипломе вы можете описать проектирование аналогичной системы, используя открытые API Google (Gmail API, YouTube Data API). Необходимо зарегистрировать проект в Google Cloud Console, включить нужные API и получить OAuth-клиент.
Где брать данные для тестового датасета?
Используйте публичные датасеты (Enron Email Dataset, выгрузки из Kaggle), сгенерируйте синтетические письма с помощью скрипта или возьмите данные с согласия участников эксперимента. Важно сохранить приватность: уберите персональную информацию из выгрузки.
Обязательно ли писать код в ВКР?
Не во всех вузах. Если вы проектируете архитектуру, достаточно диаграмм UML, спецификаций API и прототипа или макета. Экспериментальная часть с метриками может быть выполнена на существующих данных без полноценного приложения. Уточните требования кафедры — это главный критерий.
Чек-лист перед сдачей
- [ ] Актуальность/проблематика отталкивается от новости или тренда (ссылка на The Verge обязательна)
- [ ] Цель соответствует задачам, а выводы повторяют поставленные задачи
- [ ] Схемы архитектуры и диаграммы UML (C4 или UML 2.5) есть во второй главе
- [ ] Метрики качества связаны с ISO/IEC 25010
- [ ] Техническое задание оформлено по ГОСТ 34.602-89 или по методичке вуза
- [ ] Код (если есть) проходит проверку линтеров, содержит README
- [ ] В списке литературы — 5+ источников, включая официальный блог Google
Что дальше: помощь с вашей ВКР
Вы можете использовать идею Personal Intelligence в своей дипломной работе, но не всегда хватает времени, данных или навыков для полного цикла исследований. Наши специалисты готовы помочь: спроектировать архитектуру, настроить интеграцию API, провести тестирование и оформить пояснительную записку. Бесплатная консультация на старте — обсудим вашу тему без обязательств. Среднее погружение специалиста в проект — 120 часов. Мы работаем со студентами с 2010 года и умеем превращать «сырую» идею в защищённую ВКР.
Источник
Источник: Now everyone in the US is getting Google’s personalized Gemini AI (опубликовано 2026-03-17)