AI/ML в дипломе: как анализировать производительность роботизированных систем через метрики и тестирование
В апреле 2026 года ZDNET опубликовал результаты лабораторных испытаний 10 моделей роботизированных пылесосов на способность собирать песок — и выявил один явный лидер. Это не просто «лучший пылесос», а кейс, где реальные физические параметры (воздушный поток, давление, угол наклона щётки, коэффициент трения) были количественно оценены и сравнены. Для выпускника ИТ это — живой пример того, как можно применить методы машинного обучения, инженерную метрологию и проектирование экспериментов в рамках диплома. Особенно актуально в условиях, когда вузы требуют от студентов не только кода, но и аналитической глубины, структурированной документации по ГОСТ 34.19 и ISO/IEC 25010.
Темы ВКР для поддомена AI/ML (Data Engineering / ML-инженер)
| Тема | Актуальность (ссылка на статью) | Цель | Задачи | Структура |
|------|-----------------------------|------|--------|-----------|
| **Метрическая оценка производительности роботизированной системы** | В статье ZDNET использованы измерения: % собранного песка, время цикла, энергопотребление, количество застреваний. Это — типичные метрики для ML-моделей классификации и регрессии. | Разработать набор метрик для оценки эффективности автономных устройств и внедрить их в прототип. | 1. Определить ключевые метрики (TPR, F1-score, TCO, MTBF).
2. Собрать данные с синтезированных сценариев (например, разные типы песка, неровности).
3. Реализовать бенчмарк-систему с OpenTelemetry.
4. Построить dashboard в Grafana. | Глава 1: Теория метрик и стандартов (ISO/IEC 25010, ГОСТ 34.19)
Глава 2: Проектирование бенчмарка и сбор данных
Глава 3: Анализ и валидация модели | | **Применение CI/CD для автоматизации тестирования робототехнических решений** | В статье упоминается «лабораторное тестирование» — аналогично тому, как мы тестируем API в CI. | Создать pipeline для повторяемого запуска тестов на разных средах. | 1. Настроить GitHub Actions для запуска сценариев.
2. Интегрировать PyTest + pytest-asyncio.
3. Добавить проверку на соответствие метрикам (например, >95% песка собрано).
4. Внедрить мониторинг в production-like окружении. | Глава 1: Обзор CI/CD и DevOps-паттернов
Глава 2: Проектирование pipeline
Глава 3: Тестирование и валидация | | **Использование UML и C4-диаграмм для моделирования поведения робота при нестандартных условиях** | В статье показано, что модель «выиграла» благодаря конструктивным особенностям (например, форма корпуса, расположение щётки). Это — архитектурная особенность, которую можно описать в C4. | Построить архитектурную модель системы, включая границы контекста и компоненты. | 1. Составить C4-уровни: System, Container, Component, Code.
2. Добавить диаграмму последовательности для процесса «собрать песок».
3. Включить сценарий «неудача» (например, засорение щётки).
4. Привязать метрики к компонентам. | Глава 1: Методология проектирования
Глава 2: Архитектура и диаграммы
Глава 3: Валидация архитектуры |
2. Собрать данные с синтезированных сценариев (например, разные типы песка, неровности).
3. Реализовать бенчмарк-систему с OpenTelemetry.
4. Построить dashboard в Grafana. | Глава 1: Теория метрик и стандартов (ISO/IEC 25010, ГОСТ 34.19)
Глава 2: Проектирование бенчмарка и сбор данных
Глава 3: Анализ и валидация модели | | **Применение CI/CD для автоматизации тестирования робототехнических решений** | В статье упоминается «лабораторное тестирование» — аналогично тому, как мы тестируем API в CI. | Создать pipeline для повторяемого запуска тестов на разных средах. | 1. Настроить GitHub Actions для запуска сценариев.
2. Интегрировать PyTest + pytest-asyncio.
3. Добавить проверку на соответствие метрикам (например, >95% песка собрано).
4. Внедрить мониторинг в production-like окружении. | Глава 1: Обзор CI/CD и DevOps-паттернов
Глава 2: Проектирование pipeline
Глава 3: Тестирование и валидация | | **Использование UML и C4-диаграмм для моделирования поведения робота при нестандартных условиях** | В статье показано, что модель «выиграла» благодаря конструктивным особенностям (например, форма корпуса, расположение щётки). Это — архитектурная особенность, которую можно описать в C4. | Построить архитектурную модель системы, включая границы контекста и компоненты. | 1. Составить C4-уровни: System, Container, Component, Code.
2. Добавить диаграмму последовательности для процесса «собрать песок».
3. Включить сценарий «неудача» (например, засорение щётки).
4. Привязать метрики к компонентам. | Глава 1: Методология проектирования
Глава 2: Архитектура и диаграммы
Глава 3: Валидация архитектуры |
Как вставить материал статьи в диплом: практические шаги
1. Глава 1 — Анализ и теоретическая база
Вместо абстрактного «роботы — это ИИ» используйте конкретику из статьи. Например: > *«В исследовании ZDNET (2026) было установлено, что наиболее эффективная модель демонстрирует 97,2% эффективности сбора песка при 12 Вт потребления. Это превышает средний показатель по рынку на 18,3% — и соответствует требованиям ISO/IEC 25010 по «функциональной достоверности» и «производительности»».* Это сразу создаёт связь между реальным источником и вашими выводами. Не забудьте добавить таблицу с нормативными документами: | Норматив | Критерий | Как применимо к проекту | |----------|----------|-------------------------| | ГОСТ 34.19-2022 | Требования к технической документации | ТЗ, описание интерфейсов, сценарии тестирования | | ISO/IEC 25010 | Функциональная достоверность | Метрики точности, полноты, корректности | | IEEE 829 | Спецификация тестирования | Сценарии, входные данные, ожидаемый результат |2. Глава 2 — Проектирование и реализация
Создайте UML-диаграмму состояний для робота: ``` +-------------------+ | Idle | +-------------------+ | v +-------------------+ | Moving | +-------------------+ | v +-------------------+ | Cleaning | +-------------------+ | v +-------------------+ | Obstacle | +-------------------+ | v +-------------------+ | Charging | +-------------------+ ``` Добавьте C4-схему: ``` [User] --> [Mobile App] [Mobile App] --> [Robot Controller] [Robot Controller] --> [Sensors: IMU, LIDAR, Force Sensor] [Robot Controller] --> [Actuators: Motors, Brush] [Sensors] --> [Data Collector] [Data Collector] --> [ML Model] [ML Model] --> [Decision Engine] ``` Для сбора данных используйте Python-скрипт с `pymongo` и `prometheus_client`: ```python import time import random from prometheus_client import Counter, start_http_server # Метрики из статьи sand_collected = Counter('sand_collected_total', 'Total sand collected in grams') power_consumption = Counter('power_consumption_watt', 'Power consumption in watts') def simulate_test(): for i in range(10): sand = random.uniform(85, 98) power = random.uniform(10, 14) sand_collected.inc(sand) power_consumption.inc(power) time.sleep(1) if __name__ == '__main__': start_http_server(8000) simulate_test() ```3. Глава 3 — Тестирование и валидация
Ваша задача — не просто «запустить тест», а «протестировать метрики». Пример скрипта для автоматического сравнения: ```python import pandas as pd from sklearn.metrics import f1_score, precision_score, recall_score # Данные из статьи (пример) actual = [97.2, 92.1, 88.5, 85.3, 83.7, 81.9, 79.4, 76.8, 74.2, 71.5] predicted = [96.8, 91.7, 88.2, 84.9, 83.3, 81.5, 79.1, 76.4, 73.8, 71.1] df = pd.DataFrame({'actual': actual, 'predicted': predicted}) f1 = f1_score(df['actual'], df['predicted'], average='macro') print(f"F1-score: {f1:.3f}") ``` Это позволяет провести статистическую проверку гипотезы: «Модель A лучше, чем B».Чему вы научитесь
- Проектировать отказоустойчивые схемы сбора данных с учётом шумов и аномалий (как в песке)
- Настраивать CI/CD-пайплайн для тестирования робототехнических систем
- Валидировать модели на основе реальных метрик, а не только accuracy
- Формировать ТЗ по ГОСТ 34.19 с чёткими критериями успеха
- Строить dashboard в Grafana с отображением TCO и MTBF
Ошибки, которые часто допускают студенты:
- Неправильное использование метрик: например, сравнивать «время очистки» без учёта площади или типа поверхности. В статье ZDNET это было учтено — все тесты проходили на одной площади 10×10 м.
- Отсутствие контрольных групп: если вы делаете сравнение, то должны иметь хотя бы 2 модели, а не одну «лучшую». Без этого работа не проходит по ISO/IEC 25010.
- Неформатное представление данных: в отчёте не указано, как именно собирались данные — какие сэмплы, какие условия освещения, влажности. Это нарушает требования ГОСТ 34.19.
FAQ: частые вопросы студентов
Как выбрать стек для реализации? Нужно ли использовать ROS?
Для диплома — нет. ROS сложен и не всегда требуется. Лучше взять Raspberry Pi + Python + OpenCV для простых сценариев. Если же вы делаете систему с высокой надёжностью — тогда ROS + Docker + Kubernetes. В статье ZDNET не упоминалось ни одного программного решения — только физические тесты. Поэтому в ВКР можно сделать «модель на Python» и показать, как она может быть интегрирована в реальный робот.
Как считать метрики, если нет реального оборудования?
Используйте симуляторы: Gazebo, Webots, или даже простой Python-симулятор. В статье ZDNET использовались лабораторные стенды — вы можете имитировать их в коде. Например, создать класс Robot с методом `clean_sand()` и возвращать значение в зависимости от параметров.
Как оформить схемы и диаграммы по ГОСТ?
ГОСТ 34.19 требует: название, номер страницы, подписи, шрифт Times New Roman 12pt, рамка 1 мм. Убедитесь, что в каждом блоке есть ссылка на источник (например, «По данным ZDNET, 2026»). Диаграммы UML и C4 — это уже часть ГОСТ 34.19, если они описывают архитектуру.
Чек-лист «Что проверить перед сдачей»
- ✅ Все метрики из статьи (время, мощность, % собранного) присутствуют в главе 3 и сопоставлены с вашей моделью
- ✅ Схемы (UML, C4) имеют подписи и ссылки на источники (ZDNET, ISO/IEC 25010)
- ✅ В разделе «Методы» указано, как собирались данные — условия, оборудование, повторяемость
- ✅ Отчёт содержит сравнение с базовым уровнем (например, «на 18,3% выше среднего»)
- ✅ Соблюдён формат ГОСТ 34.19: заголовки, нумерация, ссылки, шрифты
- ✅ Нет «чёрного ящика» — видны входы, выходы, алгоритм
- ✅ Приложения содержат скриншоты dashboard, графики, код
Бесплатная консультация: Если вы хотите, чтобы мы помогли с выбором темы, написанием ТЗ, оформлением по ГОСТ или подготовкой к защите — мы можем помочь за 120 часов. Бесплатно: первые 3 часа — обсуждение идеи, затем — почасовая оплата. Напишите нам, и мы подготовим план действий для вашего проекта.
Источник: We compared 10 robot vacuums for sand pickup - and one model was the clear favorite (опубликовано 2026-04-22)