Опубликовано: 09.04.2026 | Источник: CNews (новости)

Как ИИ-программа НИУ ВШЭ и БГУ усилить ВКР по искусственному интеллекту и машинному обучению

Поддомен: AI/ML
Роль: Data/ML-инженер

Семантический анализ (выполнен):

• Primary keyword: ВКР по машинному обучению с применением ИИ
• LSI-запросы: PyTorch, Scikit-learn, метрики качества модели, архитектура нейросети, валидация модели, кросс-валидация, feature engineering, pipeline ML, AUC-ROC, F1-score
• Вопросы студентов:
  1. Как показать практическую значимость модели в ВКР, если данных нет?
  2. Какие метрики считать, чтобы комиссия не придралась?
  3. Можно ли использовать предобученные модели и не будет ли это плагиатом?
  4. Как оформить схему обучения модели по ГОСТ?
  5. Как доказать, что моя модель лучше базовой?
• Ключевые сущности: ГОСТ 34.19-2021 (оформление схем), ISO/IEC 25010 (качество ПО), OWASP (безопасность данных), OpenTelemetry (мониторинг), метрики F1, AUC-ROC

Введение: почему совместная программа ВШЭ и БГУ — шанс усилить ваш диплом

В марте 2026 года НИУ ВШЭ и БГУ запустили совместную ИТ-программу с акцентом на искусственный интеллект — при поддержке Правительства Бурятии. Это не просто новость: это сигнал рынку и вузам, что ИИ-решения в регионах становятся приоритетом. Для вас, как выпускника технического направления, это возможность привязать ВКР к реальному кейсу: подготовка кадров для цифровизации региональных систем — здравоохранения, образования, ЖКХ.

Если вы пишете ВКР в области ИИ или ML, не упустите шанс использовать этот тренд как основу для актуальности и практической значимости. Покажите, что вы не просто строите модель, а решаете задачу, которую сегодня ставят ведущие вузы и госорганы. Такая работа проходит нормоконтроль легче, а на защите вызывает уважение.

Темы ВКР: как превратить новость в дипломный проект

Основная часть: как вписать кейс в структуру ВКР

Глава 1: Теоретическая база и анализ — не просто обзор, а аргументация

Не пишите «обзор методов ML». Покажите, почему вы выбрали именно Random Forest, а не нейросеть. Свяжите с задачей: «Для прогнозирования кадрового спроса важна интерпретируемость — поэтому выбраны ансамбли деревьев (Breiman, 2001), а не "чёрные ящики"».

Используйте диаграмму C4 для архитектуры системы:

[Пользователь] --> [Веб-интерфейс (Streamlit)]
[Веб-интерфейс] --> [ML-модель (XGBoost)]
[ML-модель] --> [База данных (SQLite/PostgreSQL)]
[ML-модель] --> [API (FastAPI)]
[API] --> [HH.ru / SuperJob (через парсинг)]

Оформите по ГОСТ 34.19-2021: подпись, номер, пояснения. Не забудьте про источник данных — это критично для нормоконтроля.

Глава 2: Проектирование и реализация — покажите процесс, а не только результат

Раздел «Реализация» должен быть техническим. Пример:

import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_error

# Загрузка данных
df = pd.read_csv('regional_demand.csv')
X = df[['digital_index', 'graduates_count', 'migration_rate']]
y = df['it_jobs_growth']

# Разделение
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# Обучение
model = RandomForestRegressor(n_estimators=100)
model.fit(X_train, y_train)

# Оценка
pred = model.predict(X_test)
mae = mean_absolute_error(y_test, pred)
print(f"MAE: {mae:.2f}")

Включите этот код в приложение. В тексте — объясните выбор метрики: MAE понятна заказчику (в отличие от RMSE), а R² покажет объяснённую дисперсию.

Глава 3: Тестирование и эффективность — докажите, что модель работает

Не ограничивайтесь «модель обучена». Проведите сравнение с baseline: например, с наивным прогнозом (среднее за прошлые годы). Используйте кросс-валидацию (5 фолдов) — это покажет стабильность.

Метрики для разных задач:

• Классификация: F1-score (если дисбаланс), AUC-ROC (качество ранжирования)
• Регрессия: MAE, RMSE, R²
• Рекомендации: precision@k, recall@k

Добавьте таблицу сравнения:

Вывод: «Предложенная модель сократила ошибку на 51% по сравнению с baseline, что подтверждает её применимость для прогнозирования».

Чему вы научитесь

Работая над таким проектом, вы освоите:

• Проектирование ML-пайплайна от данных до интерфейса
• Оформление архитектурных диаграмм по ГОСТ
• Подбор и расчёт метрик качества моделей
• Интеграцию модели в веб-приложение (Streamlit, FastAPI)
• Сравнение эффективности с baseline и интерпретацию результатов

FAQ: ответы на частые вопросы

Можно ли использовать предобученные модели (например, BERT)? Это не будет плагиатом?

Нет, это не плагиат. Использование предобученных моделей — стандартная практика (transfer learning). Главное — указать источник (например, «модель DeepPavlov BERT-base) и описать дообучение. Это даже плюс: вы показываете, что умеете работать с современными инструментами.

Какие требования к коду в ВКР? Нужно ли заливать репозиторий?

Код должен быть в приложении, читаемым, с комментариями. Репозиторий на GitHub — не обязателен, но желателен. Некоторые вузы просят ссылку. Уточните у научрука. Главное — чтобы код соответствовал описанию в работе.

Как доказать, что модель эффективна, если данных мало?

Используйте синтетические данные (например, make_classification из sklearn) или открытые датасеты (Kaggle, UCI). Главное — честно указать источник. Можно провести анализ чувствительности: как модель ведёт себя при разных объёмах данных.

Как оформить схему обучения модели?

Используйте диаграмму последовательности (UML) или блок-схему. Пример: «[Данные] → [Очистка] → [Нормализация] → [Обучение] → [Оценка]». Подпишите по ГОСТ 34.19: «Рисунок 2.1 — Схема процесса обучения модели».

Источник: НИУ ВШЭ и БГУ запускают совместную ИТ-программу при поддержке Правительства Бурятии (опубликовано 2026-03-31)