Опубликовано: 09.08.2026 | Источник: ZDNet – Enterprise Software

```html

Персональный ИИ-ассистент как объект ВКР: архитектура и оценка эффективности на примере Gemini Personal Intelligence

В марте 2026 года ZDNet опубликовал материал, где журналист протестировал гиперперсонализированный режим Gemini — «Personal Intelligence». Автор признаётся, что был одновременно впечатлён и встревожен тем, насколько точно ИИ знает его контекст: переписки, привычки, рабочие паттерны. При этом режим оказался неожиданно полезным — Gemini подсказывает, что делать, на основе реальных данных пользователя.

Для студента технического направления это не просто новость о «фишке» из мира Big Tech. Это тренд, который меняет требования к дипломным проектам: от статичных веб-приложений к интеллектуальным системам с персональной адаптацией. В вашей ВКР уже мало написать «реализовать чат-бота» — нужно проектировать систему, которая анализирует поведение пользователя, делает выводы и защищает его приватность. Разберём, как превратить эту статью в обоснование темы, архитектурные решения и метрики для вашего диплома.

Семантический анализ: как разложить статью на составные части

Прежде чем предлагать структуру работы, зафиксируем, какие запросы и сущности связывают эту новость с требованиями вузов к ВКР. Именно они лягут в основу глав, таблиц и пояснительной записки.

Тип	Запрос/сущность	Где используется в ВКР
Primary keyword	персональный ИИ-ассистент архитектура	Формулировка темы, цель работы
LSI-запрос	проектирование рекомендательных систем	Аналитическая глава (сравнение подходов)
LSI-запрос	конфиденциальность данных пользователя	Требования к системе, раздел безопасности
LSI-запрос	контекстное моделирование	Проектирование модуля персонализации
LSI-запрос	метрики качества ИИ-сервиса	Глава тестирования (precision, recall, RTO/RPO)
LSI-запрос	CI/CD для моделей машинного обучения	Эксплуатация, автоматизация
LSI-запрос	OpenTelemetry мониторинг	Раздел наблюдения и сбора метрик
LSI-запрос	ГОСТ 34.601-90 разработка АС	Оформление стадий проектирования
LSI-запрос	ISO/IEC 25010 оценка качества	Критерии тестирования, атрибуты
LSI-запрос	Kubernetes развертывание	Инфраструктура, масштабирование

Что выносят студенты из этой статьи для своих дипломов

• «Как измерить производительность рекомендательной системы в дипломе, если нет продакшн-данных?» — используют открытые датасеты и имитационное профилирование.
• «Обязательно ли писать код или можно сделать исследование?» — если тема — «анализ архитектур», то код не обязателен, но нужны сравнительные таблицы и прототип.
• «Где брать метрики для расчётов эффективности внедрения ИИ-ассистента?» — из нагрузки на API, датасетов с персональными данными (синтетика), таймингов инференса.
• «Как оформить UML-диаграммы и схемы, чтобы преподаватель не придрался?» — по стандарту «1C:Предприятие» не подходит; используйте нотацию UML 2.5 и согласование с руководителем.
• «Слишком сложная тема для бакалавра?» — можно сузить до одного модуля: классификация намерений пользователя, а не весь ассистент.

Три темы ВКР, которые вырастают из новости про Gemini

Ниже — три варианта тем. Выбирайте в зависимости от того, какой аспект вам ближе: алгоритмы, архитектура или аналитика.

Тема 1. Разработка модуля персонализации для интеллектуального ассистента

Актуальность: статья подтверждает спрос — пользователи хотят, чтобы ИИ понимал их контекст. Но каждая реализация упирается в проблему качества данных и конфиденциальности.

Цель: спроектировать и протестировать модуль, который извлекает персональный контекст из диалога и на его основе рекомендует действия.

Задачи:

• Проанализировать существующие подходы к персональной адаптации (Gemini, ChatGPT Memory, Perplexity).
• Спроектировать архитектуру модуля: контекстное хранилище, эмбеддинги, механизм обновления знаний.
• Реализовать прототип на базе open-source LLM (например, Llama 3) с обёрткой FastAPI.
• Оценить качество извлечения контекста и время ответа.

Структура: Глава 1 — анализ аналогов и стандарты (ISO/IEC 25010); Глава 2 — проектирование модуля, ER-диаграммы, UML; Глава 3 — интеграция, нагрузочное тестирование, экономический эффект.

Тема 2. Проектирование защищённой персональной базы знаний для ИИ-ассистента

Актуальность: журналист ZDNet испугался объёма данных, которые ИИ о нём знает. Значит, вопросы приватности — главный тормоз для внедрения. В дипломе можно сделать упор на инженерную защиту данных.

Цель: разработать схему локального/гибридного хранения персонального контекста с шифрованием и разграничением доступа.

Задачи:

• Сравнить централизованный и локальный подходы к персональным данным.
• Разработать модель данных с учётом требований GDPR/152-ФЗ.
• Внедрить механизмы шифрования, анонимизации и протоколы безопасного обмена.
• Оценить RTO/RPO и возможные точки отказа.

Структура: Глава 1 — анализ угроз и защитных механизмов; Глава 2 — архитектура защищённого хранилища (Kubernetes, секреты, vault); Глава 3 — испытания на проникновение и оценка соответствия ГОСТ Р 56545-2015.

Тема 3. Анализ и оптимизация персональных рекомендательных сервисов

Актуальность: «Personal Intelligence» — это ещё и сложность обучения модели под каждого пользователя. Необходимы метрики, чтобы не превратить сервис в чёрный ящик.

Цель: разработать методику оценки качества гиперперсонализированных рекомендаций на основе открытых датасетов.

Задачи:

• Формализовать жизненный цикл контекстной информации.
• Подобрать метрики качества: precision@k, recall@k, nDCG, доля «холодных» сессий.
• Провести A/B-тестирование в песочнице.
• Разработать дашборд для мониторинга (OpenTelemetry + Prometheus).

Структура: Глава 1 — критерии качества рекомендательных систем; Глава 2 — экспериментальный стенд и архитектура сбора метрик; Глава 3 — результаты, графики, выводы о применимости.

Аналитическая глава диплома: обоснование выбора архитектуры

Вот здесь вы вставляете статью ZDNet в раздел 1.2 «Сравнение существующих решений»: показать, что Google уже делает персональную адаптацию, но пользователи ещё не готовы. Из этого рождается противоречие — запрос на персонализацию и запрос на защиту приватности — которое ваша ВКР должна разрешить.

Рекомендую сделать сравнительную таблицу: Gemini Personal Intelligence, ChatGPT Memory, «Алиса» с контекстом, ваш собственный проектный вариант. Сравнивайте по 5 критериям:

Обязательно ссылайтесь на первоисточник в списке литературы — это покажет научному руководителю, что тема действительно новая и вы читаете зарубежные обзоры. Официальная ссылка будет в конце статьи.

Проектирование системы в ВКР: алгоритмы, интеграция, схемы

Переходим к практической части. Допустим, вы пишете диплом «Разработка персонального ИИ-ассистента с адаптивным интерфейсом». Что берём из статьи как основу?

Компоненты «персонального интеллекта»

1. Модуль сбора данных. Аналог того, что Google получает через свои сервисы. В вашем случае — через Telegram-бота или веб-форму.
2. Контекстный инференс. Трансформерная модель, которая определяет, что сейчас важнее — календарь или последняя переписка.
3. Политика приватности. Механизм согласия, удаления данных и запрета на использование чувствительных категорий.
4. Оркестрация. Kubernetes: поды с API, поды с воркерами, сервисы векторной БД.

Пример фрагмента Kubernetes-манифеста для модуля персонализации (можно вставить в приложение к ВКР):

apiVersion: apps/v1
kind: Deployment
metadata:
  name: personal-context-api
spec:
  replicas: 2
  selector:
    matchLabels:
      app: personal-context
  template:
    metadata:
      labels:
        app: personal-context
    spec:
      containers:
      - name: context-model
        image: myrepo/context-model:v1.2
        ports:
        - containerPort: 8080
        resources:
          requests:
            cpu: 250m
            memory: 512Mi
          limits:
            cpu: 1
            memory: 1Gi
        env:
        - name: DATA_STORE
          value: "redis://redis-vector:6379"
        - name: MODEL_PATH
          value: "/models/personal_intent_v3"

Если в вашей специальности не требуется глубокое погружение в код, можно описать этот манифест как «развёртывание микросервиса рекомендаций» в тексте параграфа, а полный листинг вынести в приложение.

Алгоритм работы персонального ассистента

Схема в тексте: «система получает запрос → извлекает активные контексты из профиля → ранжирует их по релевантности (косинусная близость эмбеддингов) → формирует ответ с использованием LLM → записывает новую информацию в базу знаний». Не забудьте нарисовать UML-диаграмму последовательности для этой логики — это уважают большинство руководителей.

Тестирование и метрики: как доказать, что ваш диплом работает

Техническую часть диплома без цифр преподаватель не примет. Вот метрики, которые логично взять, имея в виду кейс Gemini.

• Качество персонализации. Accuracy и F1 на тестовом наборе диалогов с размеченными интентами. Синтетические данные генерите сами, но опишите методику.
• Скорость ответа. P95, P99 времени от запроса до ответа. Замеряете через OpenTelemetry distributed tracing.
• Нагрузка. Возможность выдержать 100, 500, 1000 одновременных пользователей. Если сценарий не подразумевает такого — укажите, что это не требуется по ТЗ.
• RTO/RPO для контекстной БД. Насколько быстро восстановите данные пользователя после сбоя. Ссылаетесь на статью — там упоминается «unsettled by how much it knew about me». Значит, потеря данных — критический сценарий.

Для качества интерфейса и юзабилити примените ISO/IEC 25010: функциональная пригодность, производительность, совместимость, удобство использования, надёжность, защищённость. Например: «эффективность (time behavior) — время ответа в пределах 2 с; защищённость (confidentiality) — наличие шифрования TLS 1.3». По этим атрибутам проводите тесты.

Чему вы научитесь, сделав диплом по этой теме

Вы не просто напишете работу, а получите конкретные инженерные навыки:

• Проектировать архитектуру систем с использованием Kubernetes и микросервисов.
• Обосновывать выбор LLM/embedding-моделей под задачу (а не «потому что модно»).
• Строить ETL-пайплайны для сбора и очистки данных пользователя.
• Оформлять технологическую документацию в соответствии с ГОСТ 34.601-90 и 34.602-89.
• Настраивать наблюдаемость через OpenTelemetry, Prometheus, Grafana.
• Грамотно оценивать стоимость внедрения и снижение издержек на ручную модерацию контента.

Типичные ошибки студентов в исследованиях по ИИ

FAQ: коротко о частых вопросах

Слишком сложно для бакалавра? Что если не потяну реализовать LLM?

Не обязательно использовать собственную LLM. Возьмите API дообученной модели (например, YandexGPT или GigaChat), а весь ваш код — это контекстный менеджер и сервис персонализации. ВКР с практической частью, где реализованы обвязка, API-шлюз и тесты — это сильная работа.

Обязательно ли писать программный код?

Зависит от направления. Для «Прикладной информатики» — да, обязательно, хотя бы прототип. Для «Бизнес-информатики» можно сделать сравнительный анализ, описать требования, процессную модель, экономическую оценку. Но показать макет, скриншоты или схему интерфейса лучше.

Как оформить UML-диаграммы, чтобы их приняли?

Используйте только нотацию UML 2.5. Не рисуйте стрелки от руки в Paint — применяйте PlantUML или Draw.io с экспортом в PNG/SVG. Названия диаграмм подписывайте по ГОСТ 7.32-2017, чтобы совпадали с текстом.

Где брать данные для обучения/тестирования персонального ассистента?

Варианты: открытый датасет Persona-Chat, диалоги из Kaggle, собственная разметка 200-300 диалогов, а также синтетические сценарии, сгенерированные на основе статьи ZDNet. В любом случае опишите выборку и способ очистки данных.

Как измерить экономическую эффективность, если продукт не внедряется?

Используйте имитацию: оцените, сколько времени оператор колл-центра экономит при автоматизации ответов. Или сравните стоимость инференса вашей модели и полного времени разработчика на ручную кастомизацию.

Чек-лист: проверьте себя перед сдачей

Источник: Gemini's Personal Intelligence shocked me with everything it knows - here's how to turn it on (or off) (опубликовано 2026-03-18)

```