Опубликовано: 22.04.2026 | Источник: MIT Technology Review

AI-инструменты в дипломе: как автоматизация закупок усиливает бизнес-аналитику и цепочку поставок

В 2026 году 40% малых онлайн-продавцов в США используют AI-ассистенты для поиска производителей и оптимизации продуктов — как в случае с Mike McClary, который за месяц запустил обновлённый фонарь, снизив себестоимость с $17 до $2.50. Это не фантастика, а реальность, которую уже внедряют на платформах вроде Alibaba.com с инструментом Accio. Для студентов ИТ- и экономико-аналитических специальностей такие кейсы — золотая жила для ВКР: они сочетают AI, логистику, данные и предпринимательство. Если вы пишете диплом по анализу бизнес-процессов, цифровой трансформации или AI-решениям, игнорировать этот тренд — значит упускать шанс на высокую оценку и реальную практическую ценность.

Семантический анализ и выбор поддомена

Перед погружением — чёткая артикуляция контекста. На основе статьи определяем:

• Поддомен: AI/ML + Data Engineering (фокус на анализе решений, обработке данных, автоматизации бизнес-процессов)
• Роль: Data/ML-инженер (анализ данных, проектирование систем, оценка эффективности)

1. Основной поисковый запрос (Primary keyword)

«анализ AI-инструментов в цепочке поставок для диплома» — отражает суть темы, востребован у студентов направлений 09.03.01, 38.03.05, 09.04.03.

2. LSI-запросы

• AI-анализ поставщиков на основе больших данных
• интеграция LLM в B2B-платформы
• метрики эффективности AI в логистике (time-to-market, cost reduction)
• обработка транзакционных данных 26 лет (по аналогии с Alibaba)
• архитектура AI-агента для e-commerce (C4, UML)
• валидация рекомендаций AI в закупках
• системы поддержки принятия решений (СППР) в малом бизнесе
• документирование процессов по ГОСТ 34.003-90
• моделирование бизнес-процессов в BPMN 2.0
• оценка качества ПО по ISO/IEC 25010

3. Реальные вопросы студентов

1. Как доказать эффективность AI-решения без реального внедрения?
2. Где взять данные для анализа, если нет доступа к Alibaba?
3. Как оформить схему взаимодействия AI и поставщиков по ГОСТ?
4. Какие метрики считать в главе 3 — экономические или технические?
5. Можно ли использовать кейс из статьи, если он не про мой город?

4. Ключевые сущности

• ГОСТ 34.003-90 — для описания состава и содержания документации
• ISO/IEC 25010 — оценка качества ПО (функциональность, производительность, удобство)
• BPMN 2.0 — моделирование процесса выбора поставщика
• C4-модель — проектирование архитектуры AI-агента
• OpenTelemetry — сбор метрик производительности (если реализуете прототип)

Темы ВКР: как превратить кейс в защищаемую работу

Основная часть: как вписать кейс в структуру ВКР

Глава 1: Анализ предметной области

Здесь вы не просто пересказываете статью — вы аргументируете выбор темы. Используйте данные из статьи как подтверждение тренда:

• Упоминание 10 млн пользователей Accio — доказательство массового внедрения.
• Снижение себестоимости с $17 до $2.50 — пример экономического эффекта.
• Использование Qwen — пример применения open-source LLM.

Оформите анализ по ГОСТ 34.003-90: раздел «Общие сведения», «Назначение разработки», «Требования к системе».

Глава 2: Проектирование

Представьте, что вы проектируете аналог Accio. Используйте:

C4-модель (уровень 2 — Контейнеры)

Контейнеры:
- Веб-интерфейс (React)
- AI-движок (Qwen + RAG)
- База поставщиков (PostgreSQL)
- API шлюза (FastAPI)
- Система логирования (OpenTelemetry)

Взаимодействие:
Пользователь → Веб → API → AI-движок → Поиск в БД → Возврат результата

UML-диаграмма последовательности (Sequence Diagram)

Опишите сценарий: «Пользователь запрашивает поставщика для фонаря».

• Актор: Пользователь
• Системы: UI, AI-агент, БД поставщиков, API Alibaba
• Сообщения: запрос → анализ → поиск → возврат результата → уточнение

Глава 3: Оценка эффективности

Как считать результат, если нет реального внедрения? Используйте модельные данные:

• Time-to-market: Сравните 30 дней (с AI) vs 90 дней (без AI)
• Снижение затрат: 2.50 / 17 = 85% экономии
• Качество рекомендаций: Оцените по precision (точность подбора поставщика)

Оцените систему по ISO/IEC 25010:

Функциональная пригодность: поддержка поиска, фильтрация
Производительность: время ответа < 3 сек
Удобство использования: интерфейс типа ChatGPT
Безопасность: защита данных поставщиков, аутентификация

Как оформить код и схемы

Если делаете прототип — выносите код в приложение. Пример конфигурации RAG:

# rag_config.py
embedding_model = "sentence-transformers/all-MiniLM-L6-v2"
vector_db = "Pinecone"
retrieval_top_k = 5
llm_model = "Qwen/Qwen2-7B"
prompt_template = """
Вы — ассистент по подбору поставщиков. На основе описания товара:
{product_desc}
предложите 3 завода из Китая с минимальной стоимостью и сроком доставки.
"""

Чему вы научитесь

• Проектировать архитектуру AI-систем с использованием C4 и UML
• Моделировать бизнес-процессы в BPMN 2.0
• Оценивать эффективность по метрикам time-to-market и cost reduction
• Оформлять документацию по ГОСТ 34.003-90
• Валидировать рекомендации AI на модельных данных

FAQ: ответы на частые вопросы

Где взять данные, если нет доступа к Alibaba?

Используйте модельные данные. Создайте CSV с 50 поставщиками: страна, MOQ, цена, срок доставки. Или возьмите открытые датасеты с Kaggle (например, "Global Supplier Dataset"). Главное — объясните метод формирования выборки.

Какой стек выбрать для прототипа?

Для AI-агента: Python (LangChain), Qwen (или Llama 3), FastAPI, PostgreSQL. Для фронтенда — Streamlit или React. Это покажет современный подход и соответствует тренду из статьи.

Как оформить схему по ГОСТ?

Все схемы — в приложении. Нумерация: Рисунок 1.1, 1.2… Подпись снизу, шрифт 12 pt, пояснение в тексте. Используйте стандартные обозначения BPMN (прямоугольники, ромбы, стрелки).

Как защитить работу, если тема не про мой город?

Акцент на методологии, а не локации. Кейс из США — пример глобального тренда. Вы анализируете подход, а не рынок Иллинойса. Сравните с российскими аналогами (например, Wildberries, Ozon).

Источник: AI is changing how small online sellers decide what to make (опубликовано 2026-04-06)