Опубликовано: 28.04.2026 | Источник: ZDNet – Enterprise Software

ChatGPT в дипломе: как интеграция ИИ в стриминговые платформы делает ВКР актуальным и защищаемым

2026 год — эпоха, когда искусственный интеллект перестаёт быть просто «умным чатом» и становится частью повседневных сервисов. Яркий пример — интеграция ChatGPT в бесплатный стриминговый сервис Tubi, позволяющий пользователям голосом или текстом искать фильмы и сериалы из базы более чем из 300 000 контентных единиц. Это не просто маркетинговая фишка, а системное изменение архитектуры взаимодействия между пользователем и сервисом. Для студентов IT-специальностей это сигнал: умение проектировать системы с встроенным ИИ-интерфейсом — не опция, а обязательный навык. Такие кейсы — как раз то, что может превратить типовой диплом в работу, за которую экзаменационная комиссия сама захочет поставить «отлично».

Темы ВКР, вдохновлённые интеграцией ChatGPT в Tubi

1. Разработка архитектуры медиаплатформы с ИИ-поиском на основе LLM

• Актуальность: Интеграция ChatGPT в Tubi показывает, как классические CRUD-интерфейсы уходят в прошлое. Современные сервисы требуют семантического поиска, понимания контекста и естественного языка.
• Цель: Спроектировать и реализовать прототип стриминговой платформы с ИИ-поисковым интерфейсом.
• Задачи:
  • Проанализировать существующие решения (Tubi, Netflix, Jellyfin + LLM-плагины).
  • Обосновать выбор архитектуры (микросервисы, serverless, event-driven).
  • Разработать API для взаимодействия с LLM (например, через OpenAI, Ollama, или локальную модель).
  • Реализовать прототип поиска по контенту на естественном языке.
• Структура:
  • Глава 1 — Анализ архитектур стриминговых сервисов и ИИ-поиска.
  • Глава 2 — Проектирование архитектуры, выбор стека, UML-диаграммы.
  • Глава 3 — Реализация, тестирование, экономика внедрения (TCO).

2. Оценка эффективности ИИ-поиска в контексте пользовательского опыта (UX)

• Актуальность: Переход от фильтров и категорий к диалоговому поиску — это не только про технологии, но и про метрики UX. Tubi использует ChatGPT, чтобы снизить порог входа для пользователя.
• Цель: Измерить влияние ИИ-поиска на время нахождения контента и удовлетворённость пользователя.
• Задачи:
  • Определить метрики: время до выбора контента, количество кликов, bounce rate.
  • Создать A/B-тест: классический поиск vs. ИИ-поиск.
  • Собрать данные (можно на симуляции или через MVP).
  • Проанализировать результаты с точки зрения ISO/IEC 25010 (качество ПО).
• Структура:
  • Глава 1 — Теория пользовательского опыта и методы его измерения.
  • Глава 2 — Проектирование эксперимента и метрик.
  • Глава 3 — Тестирование, анализ, выводы.

3. Архитектура безопасной интеграции LLM в публичный API

• Актуальность: ChatGPT в Tubi — это публичный API, работающий с ИИ. Но как обеспечить безопасность, лимиты запросов, защиту от prompt-инъекций?
• Цель: Разработать безопасную архитектуру взаимодействия между фронтендом, бэкендом и LLM.
• Задачи:
  • Проанализировать угрозы: инъекции, утечка данных, abuse API.
  • Разработать модель аутентификации и авторизации (OAuth2, JWT).
  • Внедрить rate limiting, фильтрацию запросов, логирование (OpenTelemetry).
  • Протестировать на уязвимости (например, с помощью OWASP ZAP).
• Структура:
  • Глава 1 — Обзор угроз и стандартов (ISO/IEC 27001, NIST SP 800-207).
  • Глава 2 — Проектирование защищённой архитектуры.
  • Глава 3 — Реализация, тестирование, оценка эффективности.

Аналитическая глава: как использовать статью в теоретической части

В первой главе диплома вы не просто пересказываете статью — вы используете её как подтверждение актуальности. Упоминание интеграции ChatGPT в Tubi — это не «ещё один пример», а доказательство смещения парадигмы: пользователь больше не ищет — он спрашивает. Это меняет требования к:

• архитектуре (нужен отдельный ИИ-сервис),
• безопасности (новые векторы атак),
• интерфейсам (необходимость обработки естественного языка).

Сравните решения в таблице:

Вывод: выбор архитектуры зависит от требований к безопасности, бюджету и масштабу. Для диплома оптимально — гибридный подход: serverless для ИИ-поиска, Kubernetes для основного бэкенда.

Проектная часть: схемы, интеграция, алгоритмы

Во второй главе вы переходите от теории к проектированию. Вот как можно использовать кейс Tubi:

Архитектурная схема (пример)

[Frontend] 
    ↓ (HTTPS)
[API Gateway] 
    ↓ (JWT, rate limit)
[Search Service] → [LLM Gateway] → [OpenAI / Ollama]
    ↓
[Content DB (PostgreSQL)]

Где:

• LLM Gateway — промежуточный сервис для санитизации запросов, кэширования, логирования (OpenTelemetry).
• Search Service — обогащает ответ ИИ метаданными из базы (жанр, год, актёры).
• API Gateway — реализует CI/CD-пайплайн через Terraform, соответствует ГОСТ 34.602-89 (требования к ТЗ).

Алгоритм обработки запроса

1. Пользователь вводит: «Покажи комедии с участием Леонардо ДиКаприо».
2. Фронтенд отправляет запрос в API Gateway с токеном.
3. Search Service проверяет права, лимиты, передаёт запрос в LLM Gateway.
4. LLM Gateway преобразует запрос в структурированный: {"genre": "комедия", "actor": "Леонардо ДиКаприо"}.
5. Search Service делает SQL-запрос к базе, возвращает результат.
6. Ответ кэшируется на 1 час (Redis).

Такой алгоритм можно оформить как диаграмму последовательности UML — это будет выглядеть профессионально и соответствовать требованиям ГОСТ.

Тестирование и метрики: как доказать эффективность

Третья глава — не просто «мы запустили и оно работает». Нужны объективные метрики. Вот какие можно использовать:

Метрика	Источник данных	Инструмент	Норматив (пример)
Время ответа ИИ	OpenTelemetry	Jaeger	≤ 1.5 с
RTO (время восстановления)	Симуляция отказа	Kubernetes + Prometheus	≤ 30 с
Точность поиска	A/B-тест	Google Analytics, собственный лог	≥ 85%
TCO за 12 месяцев	Расчёт затрат	Excel, AWS Calculator	Снижение на 25% vs. монолит

Используйте Prometheus + Grafana для визуализации метрик — это будет плюсом на защите. А расчёты TCO (Total Cost of Ownership) — докажут экономическую обоснованность.

Чему вы научитесь, работая над таким дипломом

• Проектировать модульные архитектуры с учётом масштабируемости и отказоустойчивости.
• Работать с современными фреймворками: FastAPI, LangChain, Kubernetes, Ollama.
• Оформлять техническую документацию по ГОСТ: ТЗ, ТП, отчёт.
• Обосновывать выбор стека с точки зрения безопасности, производительности и стоимости.
• Собирать и анализировать реальные метрики, а не выдумывать их.

Типичные ошибки студентов

FAQ: ответы на частые вопросы

Насколько сложно реализовать ИИ-поиск в дипломе?

На уровне MVP — вполне реально. Можно использовать OpenAI API или локальную модель (например, Llama 3 через Ollama). Главное — не гнаться за масштабом, а показать понимание архитектуры и процессов.

Обязательно ли писать код для диплома?

Да, если вы на IT-специальности. Но код — не цель. Цель — показать, что вы можете спроектировать, реализовать и оценить систему. Даже 500 строк с комментариями и тестами лучше, чем 5000 строк без структуры.

Где брать тестовые данные для медиаплатформы?

Открытые датасеты: Kaggle Movies Dataset, IMDb Public Datasets. Можно сгенерировать через Faker, но укажите это в отчёте.

Как оформить UML-диаграммы по ГОСТ?

ГОСТ не регламентирует UML напрямую, но требует читаемости и соответствия содержанию. Используйте стандартные нотации (UML 2.5), подписывайте диаграммы, включайте их в приложения. Инструменты: draw.io, PlantUML, StarUML.

Чек-лист «Что проверить перед сдачей»

Блок эксперта

Источник: I use ChatGPT's new Tubi app to find free movies and TV shows to watch - here's how (опубликовано 2026-04-09)