ВКР по AI/ML: превращаем учебный прототип в проект уровня венчурного раунда
Поддомен: AI/ML. Роль эксперта: Data/ML-инженер.
Фонд Kleiner Perkins закрыл раунд на $3,5 млрд — $1 млрд на early-stage и $2,5 млрд на поздние стадии. На что пойдут эти деньги? На AI-продукты, у которых есть не только модель, но и инфраструктура вокруг неё: пайплайны данных, деплой, мониторинг, экономика эксплуатации. Для выпускника это сигнал, который стоит перевести на язык диплома. Комиссия всё чаще задаёт вопрос: «а модель в проде у вас работала бы?» — и отвечать на него нужно не слайдами, а архитектурой, метриками и главой 3. Ниже разбираем, как переупаковать типовую ВКР по машинному обучению, чтобы она читалась как проект, в который теоретически можно вложить деньги. Без воды — только применимые решения.
Частые вопросы до старта работы над ВКР
Хватит ли одной обученной модели — или нужно что-то ещё?
Нет. Учебная модель живёт в ноутбуке, продакшн-модель живёт в контуре. ВКР должна показать хотя бы минимальный MLOps-цикл: версионирование данных и весов, переобучение по расписанию, откат версии. Иначе на защите получите вопрос «а как вы будете обновлять модель после релиза?» — и он развалит главу 3.
Где брать данные, если нет доступа к коммерческим датасетам?
Варианты: открытые репозитории (Kaggle, UCI, HuggingFace Datasets), синтетика с генеративными моделями, обезличенные выгрузки с производственной практики. Обязательно фиксируйте в главе 1 источник, лицензию, условия получения и предобработку. ISO/IEC 25010 требует прослеживаемости качества — это как раз про данные.
Обязательно ли деплоить модель в Kubernetes?
Не обязательно, но желательно показать хотя бы один промышленный вариант развёртывания: Docker-образ + FastAPI, либо Kubernetes с HPA. В главе 2 достаточно C4-диаграммы контейнеров и обоснования выбора именно такого способа. Kubernetes — сильный аргумент, но не догма.
Как посчитать экономический эффект от модели в дипломе?
Три метрики: снижение ручного труда (часы × ставка), сокращение ошибок (F1, precision/recall до и после), TCO решения (стоимость GPU/CPU-часов, хранилища, поддержки). Без экономики в третьей главе комиссия видит «ещё один ноутбук с моделью».
Три темы ВКР, которые выглядят современно на защите 2026
-
Тема 1. MLOps-конвейер для системы рекомендаций контента.
Актуальность: фонды уровня Kleiner Perkins финансируют не модели, а платформы их доставки — значит, инженерный слой и есть ценность. Цель — построить воспроизводимый пайплайн обучения и доставки рекомендаций. Задачи: (1) собрать Feature Store на базе Feast, (2) настроить оркестрацию в Airflow, (3) версионировать данные через DVC, (4) задеплоить инференс в Docker+Kubernetes с HPA. Структура: глава 1 — анализ существующих рекомендательных систем и паттернов MLOps; глава 2 — проектирование конвейера в нотации C4 (контекст, контейнеры, компоненты); глава 3 — тестирование, A/B-эксперимент, метрики качества и задержки.
-
Тема 2. Мониторинг дрейфа данных для модели кредитного скоринга.
Актуальность: финтех без ML уже не работает, а венчурный капитал идёт именно в риск-модели. Цель — построить систему раннего предупреждения деградации модели. Задачи: (1) развернуть сбор телеметрии через OpenTelemetry, (2) считать Population Stability Index и KL-дивергенцию, (3) настроить алерты в Grafana, (4) описать регламент переобучения. Структура: глава 1 — обзор дрейфа и OWASP ML Top 10 (в части poisoning и evasion); глава 2 — проектирование архитектуры мониторинга; глава 3 — эксперименты с имитацией дрейфа и метрики времени обнаружения.
-
Тема 3. Развёртывание NLP-сервиса с автоскейлингом и кэшированием.
Актуальность: генеративные модели дороги, и инвесторы смотрят на юнит-экономику. Цель — снизить стоимость одного запроса к LLM-сервису без потери качества. Задачи: (1) сравнить self-hosted и API-варианты, (2) реализовать семантический кэш на Redis, (3) настроить батчинг запросов, (4) измерить p95-латентность и стоимость. Структура: глава 1 — анализ вариантов развёртывания и метрик; глава 2 — проектирование сервиса (UML-диаграмма последовательности, компоненты); глава 3 — нагрузочное тестирование (JMeter/k6) и расчёт TCO.
Как встроить тренд в главу 1 — не «водой», а цифрами
Фраза «в современном мире AI бурно развивается» не работает. Вместо неё — конкретика: фонд X привлёк $Y млрд на AI-направление, доля инвестиций в инфраструктуру ML растёт. Разместите это в первом абзаце раздела «Анализ предметной области», снабдите сноской на оригинал TechCrunch. Далее — вывод: «следовательно, требования к специалистам смещаются от умения обучить модель к умению её эксплуатировать». Этот вывод и будет логическим мостом к задачам вашей работы.
Глава 2: архитектура без UML-картинок из интернета
Минимум три диаграммы: контекстная C4 (система и её акторы), контейнерная C4 (сервисы, базы, брокеры), диаграмма последовательности для одного бизнес-сценария. ГОСТ 34.601 применим для описания стадий, а сами диаграммы оформляйте по UML 2.5. Хороший тон — отдельный подраздел «Выбор стека» с таблицей сравнения: инструмент, плюсы, минусы, ссылка на источник. В таблицу обязательно включите лицензию и требования к железу — это то, что замечает практик в комиссии.
Глава 3: какие метрики считать
Качество модели — не только accuracy. По ISO/IEC 25010 разделяйте: функциональная пригодность (F1, precision, recall), производительность (p50/p95/p99 латентность, throughput), надёжность (SLA, error rate), сопровождаемость (время наката новой версии). Ниже — минимальный шаблон для отчёта по эксперименту: сохраните его и заполняйте на каждый прогон.
# metrics_report.yaml — карточка эксперимента
experiment: recsys_v3
dataset:
name: movielens-25m
version: dvc-hash:a1b2c3
model:
type: two-tower-nn
framework: pytorch
hash: sha256:9f2e...
quality:
precision@10: 0.41
recall@10: 0.28
ndcg@10: 0.52
performance:
p95_latency_ms: 87
throughput_rps: 320
ops:
image: registry.local/recsys:3.1.4
replicas: 3
cpu_request: 500m
memory_request: 1Gi
cost:
gpu_hours: 12
usd_per_1k_requests: 0.013
Такой YAML в приложении — это и воспроизводимость, и ответ на вопрос «откуда цифры». При необходимости сгенерируйте его автоматически через MLflow — тогда все прогоны будут сравнимы между собой.
Чему вы реально научитесь на такой работе
- Писать техническое задание и проектные разделы по ГОСТ 34.601 и ГОСТ 19.201.
- Проектировать системы по C4 и защищать архитектурные решения перед комиссией.
- Считать метрики качества, производительности и TCO — а не только accuracy.
- Организовывать воспроизводимые ML-пайплайны и версионировать артефакты.
- Оценивать риски по OWASP ML Top 10 и выстраивать базовый мониторинг.
- Все задачи во введении совпадают с выводами в заключении — один в один.
- Каждая цифра в тексте имеет ссылку на источник или на приложение.
- Схемы выполнены в единой нотации (C4 + UML), подписаны по ГОСТ.
- Метрики качества, производительности и TCO посчитаны и сведены в таблицу.
- Список литературы включает стандарты (ГОСТ, ISO/IEC 25010) и свежие отраслевые отчёты.
- Код и конфиги вынесены в приложения, в тексте — только ключевые фрагменты.
- Проверены уникальность, оформление ссылок, нумерация рисунков и таблиц.
1. «Модель обучилась — задача решена». Ровно так пишут в главе 3 многие студенты. Комиссия ждёт от вас хотя бы минимального контура эксплуатации: как обновляется модель, кто ловит деградацию, что происходит при падении сервиса. Прямая отсылка к новостям о венчурных раундах в AI помогает аргументировать, почему это важно.
2. Метрики без контекста. F1 = 0.87 ничего не говорит, если нет baseline и не указана выборка. Всегда показывайте сравнение «до/после» и указывайте, на какой подвыборке считали.
3. Нормоконтроль «в последнюю ночь». Оформление по ГОСТ 19.201 и 34.601 — не формальность, а половина успеха. Схемы, приложения, список источников — всё должно быть приведено к стандарту до финальной читки.
Источник: With $3.5B in fresh capital, Kleiner Perkins is going all in on AI (опубликовано 2026-03-25)