ИИ-чат-бот в дипломной работе: интеграция по ГОСТу и метрики результата

18 марта 2026 года «Навикон» представила умного ИИ-чат-бота для Astrum Entertainment. Это не просто новость из мира финтеха и гейминга, а готовый шаблон для вашей ВКР. Посмотрите, как построен кейс: компания объясняет, зачем понадобился бот, какие модули использовались и каким бизнес-результатом всё закончилось. Точно такую же логику вы можете применить к своей работе. И пусть у вас нет заказчика уровня Astrum, требования вуза к структуре — те же. Ниже покажу, как переложить этот enterprise-кейс на дипломный проект: от аналитики до тестирования.

Чтобы защититься хорошо, мало написать код. Нужно показать комиссии, что вы умеете обосновать архитектуру, провести сравнение альтернатив и измерить эффективность. Именно этому и учит данный кейс. А заодно разберём, как не утонуть в теоретической базе и успеть к дедлайну.

Три темы для ВКР, которые легко защищать

Тема 1. Разработка ИИ-чат-бота для службы поддержки с интеграцией в Telegram

Актуальность. Кейс «Навикон» показывает: бизнесу нужны не скриптовые боты, а системы, которые понимают контекст и снижают нагрузку на операторов. В вашем дипломе можно решить локальную задачу — например, научить бота отвечать на часто задаваемые вопросы.

Цель: спроектировать и реализовать чат-бота, который корректно обрабатывает не менее 80% запросов без участия оператора.

Задачи:

• проанализировать существующие фреймворки (Rasa, Dialogflow, YandexGPT) и выбрать подходящий;
• разработать архитектуру: Telegram Bot API → Webhook → NLP-модуль → база знаний;
• внедрить логирование запросов и трассировку через OpenTelemetry;
• провести тестирование точности ответов и нагрузочное тестирование.

Структура работы:

1. Глава 1 — Анализ предметной области, обоснование необходимости ИИ-бота, сравнение платформ.
2. Глава 2 — Проектирование архитектуры, UML-диаграммы, описание алгоритма обработки сообщений.
3. Глава 3 — Реализация, тестирование, расчёт экономической эффективности для гипотетического заказчика.

Тема 2. Сравнительный анализ платформ для создания корпоративных чат-ботов

Актуальность. В статье «Навикон» нет деталей реализации, но сам факт внедрения говорит о зрелости рынка. Компании часто выбирают между облачным сервисом и open-source решением. Для малого бизнеса такой сравнительный анализ — практическая ценность.

Цель: сформировать критерии выбора платформы и рекомендовать оптимальный вариант для малого предприятия (по ISO/IEC 25010).

Задачи:

• изучить требования к чат-ботам (функциональные, надёжность, удобство);
• сравнить Rasa, Dialogflow и Solutions on LLM по 10 критериям;
• провести моделирование нагрузки на выбранную платформу;
• оформить техническое задание по ГОСТ 34.602-89.

Структура: Глава 1 — теория и методы оценки качества; Глава 2 — создание сравнительной таблицы и профилей качества; Глава 3 — апробация выбранной платформы и выводы.

Тема 3. Масштабирование чат-бота на Kubernetes: автоматизация и снижение TCO

Актуальность. Если чат-бот будет обслуживать тысячи пользователей, станет критична инфраструктура. Новость от «Навикон» подчёркивает, что AI-решения внедряются в больших компаниях, а значит вопрос масштабирования важен.

Цель: спроектировать Kubernetes-инфраструктуру для чат-бота и доказать её экономию на 30% по сравнению с виртуальными машинами.

Задачи:

• разработать Docker-образы для NLP-модуля и API;
• описать Kubernetes-манифесты (Deployment, Service, HPA);
• настроить CI/CD-пайплайн для автоматического деплоя;
• сравнить стоимость владения (TCO) и провести нагрузочное тестирование.

Структура: Глава 1 — принципы контейнеризации и оркестрации; Глава 2 — архитектура и реализация инфраструктуры; Глава 3 — тестирование и расчёт экономической эффективности.

Аналитическая глава: как обосновать выбор технологий

Самая частая ошибка — превращать аналитическую главу в пересказ учебника. Вместо этого постройте сравнительную таблицу, как в кейсе «Навикон», но для своего проекта. Выберите три альтернативы и честно оцените их по критериям:

После таблицы обязательно сделайте вывод: почему вы выбрали конкретный стек. Комиссия оценит аргумент в духе «благодаря использованию open-source решения мы соответствуем требованиям импортозамещения» или «Rasa позволяет развернуть модель на собственных серверах, что критично для защиты персональных данных». Это уже — обоснование на уровне стандартов.

Проектная часть: от схемы к защищаемому коду

В кейсе «Навикон» ключевой момент — архитектура интеграции. В дипломе вы должны показать собственное решение, но принцип тот же. Нарисуйте схему в нотации C4 или UML:

• Контекст: пользователь → Telegram → API Gateway → чат-бот.
• Контейнеры: NLP-модуль, база данных, очередь сообщений.
• Компоненты: интент-классификатор, модуль извлечения сущностей, генератор ответов.

Если ваша тема — масштабирование, обязательно добавьте Kubernetes и mention HorizontalPodAutoscaler. Пример манифеста для диплома:

apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: chatbot-hpa
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: nlp-model
  minReplicas: 2
  maxReplicas: 10
  metrics:
  - type: Resource
    resource:
      name: cpu
      target:
        type: Utilization
        averageUtilization: 60

Не нужно писать все сервисы. Достаточно одного ключевого элемента, который демонстрирует вашу компетенцию. В приложении можно вынести полные конфиги.

Тестирование и метрики: чем измерить «значительное улучшение»

Защита не пройдёт, если вы скажете «бот стал лучше». Числа нужны. Возьмите за основу стандарты из ISО/IEC 25010 и тестовые метрики:

• Точность (Precision) — доля релевантных ответов среди выданных;
• Полнота (Recall) — доля найденных релевантных ответов;
• F1-мера — гармоническое среднее точности и полноты;
• Среднее время ответа — не более 2 секунд при 100 одновременных запросах;
• RTO/RPO — для инфраструктурной части: восстановление не более 5 минут, потеря данных — 0.

Для сбора метрик используйте OpenTelemetry. Это современный стандарт трассировки, который часто упоминают в вакансиях. В ВКР можно показать график из Grafana с временем ответа до и после оптимизации. Такие рисунки производят впечатление.

Нагрузочное тестирование проведите инструментами k6 или Apache JMeter. Результаты оформите в таблицу:

В выводе укажите, при какой нагрузке бот начинает деградировать и как это связано с архитектурой.

Чему вы научитесь

После такой ВКР вы сможете:

• обосновать архитектурные решения через ГОСТ 34.602-89 и ISO/IEC 25010;
• работать с современными инструментами — Kubernetes, Docker, OpenTelemetry;
• оформлять техническую документацию так, что её примут заказчики;
• измерять производительность и переводить её в деньги для бизнеса.

Типичные ошибки, из-за которых снижают баллы

Что проверить перед сдачей

FAQ: ответы на вопросы, которые вы стесняетесь задать

Источник: «Навикон» разработала умного ИИ чат-бота для компании Astrum Entertainment (опубликовано 2026-03-18)