Опубликовано: 06.06.2026 | Источник: ZDNet – Enterprise Software

Персонализация ИИ в дипломе: как внедрить контекстное поведение агентов на примере Gemini

Поддомен: AI/ML

Роль: Data/ML-инженер

--- ### Семантический анализ (выполнен) **1. Основной поисковый запрос (Primary keyword):** *Персонализация ИИ-агентов в системах на основе машинного обучения* **2. LSI-запросы:** - Контекстное обучение (contextual learning) - Модели поведения пользователей (user behaviour modeling) - Интеграция ИИ с почтой и календарём (Google Workspace API) - Ранжирование релевантности запросов (relevance ranking) - Архитектура персонального ИИ (Personal Intelligence) - Метрики точности предсказаний (precision, recall, F1-score) - Приватность данных в ИИ (differential privacy, federated learning) - Диаграммы последовательности (UML Sequence Diagram) - Схемы C4 для архитектуры ИИ-систем - Валидация моделей на реальных данных (A/B testing, shadow mode) **3. Реальные вопросы студентов:** - Как доказать эффективность персонализации в дипломе, если нет доступа к большим данным? - Какие метрики использовать, чтобы показать, что ИИ стал "умнее"? - Где брать данные для обучения модели поведения пользователя? - Как оформить архитектурную схему по ГОСТ 34.19 или UML? - Можно ли использовать Google API в дипломе, если они коммерческие? **4. Ключевые сущности:** - **ГОСТ 34.19** — оформление диаграмм и схем в ВКР - **ISO/IEC 25010** — оценка качества ПО (в т.ч. функциональной пригодности и удобства использования) - **OWASP** — угрозы при работе с персональными данными (API9:2023, недостаточная защита данных) - **OpenTelemetry** — сбор метрик и трейсов для анализа поведения ИИ - **C4/UML** — моделирование архитектуры ИИ-системы --- ### Введение В статье ZDNet описывается, как включение функции **Personal Intelligence** в Google Gemini позволяет ИИ предугадывать действия пользователя, анализируя данные из Gmail, Календаря и Диска. Это не просто "умный автокомплит" — это переход от реактивных к **прогностическим агентам**. Для студентов, пишущих ВКР в области ИИ и машинного обучения, это сигнал: **персонализация — не фича, а архитектурный тренд**. И вы можете не просто описать его в теории, а реализовать прототип, измерить его эффективность и защитить работу с реальным кейсом. Главное — не копировать Gemini, а **смоделировать его логику** в контролируемой среде: с открытыми данными, понятной метрикой и корректным оформлением. --- ### Темы ВКР (таблица) --- ### Основная часть #### Как интегрировать кейс Gemini в главу 1: теоретическая база Не просто пересказывайте статью — **используйте её как кейс для анализа**. В главе 1 сравните: - **Традиционные ИИ-ассистенты** (реактивные, без контекста) - **Персонализированные агенты** (как Gemini, с доступом к данным) Приведите **диаграмму C4 уровня 1** (контекст) — покажите, как ИИ взаимодействует с Google Workspace: ``` [Пользователь] --> [Gemini] [Gemini] --> [Gmail API] [Gemini] --> [Calendar API] [Gemini] --> [Drive API] [Gemini] --> [AI Model (LLM + Behaviour Engine)] ``` Ссылайтесь на **ГОСТ 34.19** при оформлении диаграмм: подписи, масштаб, легенда. --- #### Глава 2: проектирование архитектуры персонального ИИ Не копируйте Google — **смоделируйте аналог в контролируемой среде**. Используйте **C4-модель**: - **Контекст (C1):** Пользователь → ИИ-агент → API сервисов - **Контейнеры (C2):** Frontend (чат), Backend (API), БД (поведение), ML-сервис (предсказание) - **Компоненты (C3):** Модуль анализа календаря, генератор ответов, шлюз аутентификации - **Код (C4):** Пример — функция предсказания следующего действия

def predict_next_action(user_id: str) -> str:
    # Получаем контекст: время, календарь, последние письма
    context = get_context(user_id)
    
    # Векторизуем контекст
    features = vectorize(context)
    
    # Прогнозируем действие (например, "ответить на письмо")
    action = model.predict([features])
    
    return action[0]

Используйте **UML Sequence Diagram**, чтобы показать, как ИИ запрашивает данные: ``` Пользователь -> ИИ: "Что дальше?" ИИ -> Календарь: GET /events?date=today ИИ -> Почта: GET /emails?filter=unread ИИ -> Модель: predict_action(context) ИИ -> Пользователь: "Вам нужно ответить на письмо от Иванова" ``` --- #### Глава 3: тестирование и метрики эффективности **Не оценивайте "на глаз"** — используйте метрики по **ISO/IEC 25010**: - **Функциональная пригодность:** % правильных предсказаний - **Удобство использования:** время на выполнение задачи до/после - **Производительность:** задержка ответа ИИ Пример таблицы для сравнения: Проведите **A/B-тест**: одна группа использует ИИ без контекста, другая — с. --- #### Как собрать данные, если нет доступа к Gmail? Не проблема: - Используйте **симулятор поведения** (например, генератор событий на Python) - Возьмите **анонимизированные датасеты** (например, Enron Email Dataset) - Создайте **мини-эксперимент** с 5-10 добровольцами (с их согласия) Главное — **задокументируйте источник данных** и укажите ограничения в выводах. --- ### Чему вы научитесь - Проектировать архитектуру ИИ-агентов с помощью **C4 и UML** - Оформлять схемы по **ГОСТ 34.19** - Оценивать качество ИИ по **ISO/IEC 25010** - Собирать и обрабатывать **поведенческие данные** - Считать метрики эффективности: **precision, recall, F1, TTF (time to finish)** --- ---

FAQ

Можно ли использовать Google API в дипломе, если они платные?

Да, но с оговорками. Используйте бесплатный лимит Google Workspace API (100 запросов/день). В работе укажите: "ограничение по данным компенсировано симуляцией поведения". Это нормально для ВКР.

Какие метрики считать, чтобы защититься от "а где цифры?"

Берите precision, recall, F1-score для предсказаний. Для удобства — время выполнения задачи и оценку пользователей по 5-балльной шкале. Это покажет, что вы не "рисовали", а измеряли.

Как оформить схему архитектуры, чтобы прошла нормоконтроль?

Используйте C4-модель или UML. Подпишите все элементы, укажите источники данных, добавьте легенду. Сохраняйте в векторе (SVG/PDF) и вставляйте в Word как изображение. Ссылайтесь по ГОСТ: "Рисунок 1.2 — Диаграмма контекста C4".

Где взять тему, если мой вуз не разрешает "про Google"?

Переформулируйте: не "анализ Gemini", а "Разработка ИИ-агента с контекстным поведением". Gemini — пример из практики, а не объект исследования. Так вы избежите претензий.

---

Источник: This powerful Gemini setting made my AI results way more personal and accurate (опубликовано 2026-04-19)