Опубликовано: 09.04.2026 | Источник: CNews (новости)

Как внедрение ИИ в чат-боты усилить проектную часть ВКР по Data Science и ML

Введение

«Ростелеком» заявил о 50% автоматизации клиентской поддержки в чатах за счёт ИИ — это не просто PR, а подтверждение зрелости NLP-решений в промышленной эксплуатации. Для студентов, пишущих ВКР в сфере Data Science или ML, такой кейс — готовый ориентир: как проектировать, оценивать и внедрять интеллектуальные системы в реальном бизнесе. Вы не просто моделируете абстрактный чат-бот — вы доказываете, что ваше решение может снизить нагрузку на операторов, как у Ростелекома. Это повышает ценность работы, делает её защищаемой и актуальной. Ниже — как использовать этот кейс в дипломе, не скатываясь в теорию.

Темы ВКР

Основная часть

1. Как использовать кейс «Ростелеком» в первой главе (теоретической)

Не просто цитируйте статью — проанализируйте её как кейс внедрения ИИ в реальном бизнесе. Сравните с другими: Сбера, Тинькофф, МТС. Сделайте таблицу сравнения по критериям:

• Доля автоматизации
• Типы запросов (баланс, тарифы, жалобы)
• Используемые технологии (NLP, RAG, векторные БД)
• Интеграция с внутренними системами

Ссылайтесь на ISO/IEC 25010 — по ней оценивайте качество ПО: функциональность, производительность, удобство использования. Например, если бот Ростелекома отвечает за 1.2 сек — это соответствует высокому уровню производительности.

2. Проектирование архитектуры (вторая глава)

Используйте C4-модель или UML-диаграммы, чтобы показать, как ИИ-бот встраивается в ИТ-ландшафт. Пример уровня C4-2:

Контейнеры:
- Чат-бот (FastAPI + Transformers)
- Векторная БД (Pinecone / Weaviate)
- CRM (например, Битрикс24)
- Брокер сообщений (Kafka)
- Мониторинг (Prometheus + Grafana)

Интерфейсы:
- Бот → CRM: REST API (GET /user/{id})
- Бот → Векторная БД: gRPC (Embedding запрос)
- CRM → Kafka: событие "новый запрос"

Если вузы требуют ГОСТ, оформите диаграмму как «схему функционирования системы» по ГОСТ 19.701-90 (аналог DFD).

3. Реализация и метрики (третья глава)

Не ограничивайтесь accuracy. Используйте метрики, близкие к бизнесу:

• F1-score — баланс точности и полноты при классификации запросов
• Среднее время ответа (latency) — критично для UX
• Доля запросов, переданных оператору — аналог 50% у Ростелекома
• TCO (Total Cost of Ownership) — сравнение затрат на поддержку до/после

Пример расчёта:

# До внедрения:
10 операторов × 80 000 руб/мес = 800 000 руб/мес

# После:
3 оператора × 80 000 = 240 000
+ обслуживание бота (облако, ML-инференс) = 100 000
Итого: 340 000 руб/мес → экономия 57.5%

4. Инструменты и стек: что реально работает

Выбирайте технологии, которые можно задеплоить без бюджета:

• NLP-фреймворк: Hugging Face Transformers (DistilBERT — лёгкий, быстрый)
• Бэкенд: FastAPI (автоматическая документация, async)
• Векторная БД: Chroma (open-source, лёгкая в развёртывании)
• Мониторинг: Prometheus + OpenTelemetry (трассировка запросов)
• Деплой: Docker + Render / Fly.io (бесплатные тиры)

Пример конфигурации для OpenTelemetry:

# otel-config.yaml
receivers:
  otlp:
    protocols:
      grpc:
exporters:
  logging:
    loglevel: debug
service:
  pipelines:
    traces:
      receivers: [otlp]
      exporters: [logging]

Чему вы научитесь

• Проектировать NLP-системы с учётом бизнес-метрик, а не только accuracy
• Оформлять архитектурные диаграммы по C4 или UML, соответствующие ГОСТ
• Рассчитывать TCO и окупаемость ИИ-решения — ключевое для защиты
• Интегрировать бота с внешними системами через REST/gRPC
• Оценивать качество по ISO/IEC 25010 и объяснять это комиссии

FAQ

Какой стек выбрать, если нет GPU?

Используйте DistilBERT или MobileBERT — они работают на CPU. Для инференса — ONNX Runtime. Модель можно дообучить на Google Colab (бесплатно), а задеплоить на Render с кэшированием.

Нужно ли писать код в ВКР? Сколько строк?

Да, но не 1000 строк в приложении. Достаточно 2–3 ключевых фрагмента: обработка запроса, вызов модели, интеграция с API. Остальное — в GitHub (ссылка в приложении). Проверяющие смотрят логику, а не объём.

Как доказать, что мой бот лучше, чем у Ростелекома?

Не нужно «лучше». Сравнивайте по методике: вы взяли ту же задачу (автоподдержка), но в другой нише (например, вуз). Покажите, что ваш подход масштабируем и дешевле. Это уже научный вклад.

Как оформить схему архитектуры по ГОСТ?

Используйте ГОСТ 19.701-90 (DFD). Каждый блок — функция, стрелки — потоки данных. Подпишите: «Рисунок 2.1 — Диаграмма потоков данных системы автоматизации поддержки». Сохраните в .png с разрешением 300 dpi.

Источник: «Ростелеком» достиг 50% автоматизации клиентской поддержки в чатах с помощью ИИ (опубликовано 2026-03-31)