Диплом с ИИ-ассистентами: обоснование выбора и практические метрики для защиты
Когда Сэм Альтман публично поблагодарил разработчиков, которые умеют писать код с нуля, интернет отреагировал мемами. Но за шутками скрывается серьёзный тренд: ИИ-инструменты вроде ChatGPT и Copilot берут на себя рутину, а ценность инженера, понимающего фундаментальные принципы, только растёт. Для студента ВКР это повод не просто «нагенерировать» код, а спроектировать решение осознанно и доказать его эффективность. В этой статье разберём, как превратить этот кейс в сильную дипломную работу.
Как связать статью с темой ВКР: актуальность и задачи
В статье TechCrunch подчёркивается разница между «кодером» и инженером, который понимает, что происходит под капотом. Для ВКР это отличная отправная точка: можно исследовать влияние ИИ-ассистентов на процесс разработки — скорость, качество, надёжность. Вместо абстрактного «использовал ChatGPT» вы получаете полноценное исследование с гипотезами, метриками и выводами.
Что взять в главу 1 (аналитическая часть)
- Обзор современных ИИ-ассистентов (GitHub Copilot, Codeium, ChatGPT) и их возможностей.
- Анализ рисков: генерация небезопасного кода, плагиат, ошибки в логике.
- Обоснование выбора методологии — например, ISO/IEC 25010 для оценки качества ПО.
Что взять в главу 2 (проектная часть)
- Архитектура решения: UML-диаграммы или C4-модель, описывающие, как ИИ-ассистент интегрируется в существующий процесс разработки.
- Проектирование эксперимента: как сравнивать код, написанный человеком, и код с помощью ИИ.
- Разработка чек-листа для оценки качества сгенерированного кода.
Что взять в главу 3 (тестирование и эффективность)
- Метрики: скорость разработки (часы), количество ошибок до и после тестирования, покрытие кода тестами.
- Расчёт экономической эффективности — сколько времени сэкономил ИИ и во что обошлись исправления.
- Оформление результатов по ГОСТ 7.32 или методичке вуза.
Темы ВКР: три готовых вектора
| Тема | Актуальность | Цель | Задачи |
|---|---|---|---|
| Разработка веб-приложения с использованием ИИ-ассистентов: оценка влияния на качество и скорость | Нет исследований, как ИИ-инструменты влияют на реальные дипломные проекты. Статья Альтмана показывает потребность в инженерах с базой. | Создать и протестировать приложение, написав часть кода с ИИ и часть вручную, сравнить метрики. | 1. Провести обзор инструментов; 2. Спроектировать архитектуру; 3. Разработать код; 4. Сравнить качество и время. |
| Автоматизация генерации unit-тестов с помощью машинного обучения | ИИ отлично генерирует код, но тесты часто пропускают. Исследование поможет понять границы применимости. | Разработать модуль, который генерирует тесты и оценивает их полноту. | 1. Изучить подходы к генерации тестов; 2. Обучить модель на open-source проектах; 3. Сравнить с ручными тестами; 4. Оценить метрики покрытия. |
| Анализ уязвимостей кода, сгенерированного ChatGPT, с использованием OWASP-методологии | AI-код может содержать критические дыры. Это острая проблема для кибербезопасности. | Выявить типичные уязвимости и предложить правила безопасной генерации. | 1. Формирование выборки; 2. Статический анализ (Semgrep, SonarQube); 3. Классификация уязвимостей по OWASP; 4. Разработка рекомендаций. |
Практические выводы: чему вы научитесь
- Проектировать эксперименты, в которых чётко разделяется ручной и автоматизированный труд.
- Считать метрики производительности и качества — от числа багов до времени выполнения.
- Оформлять архитектуру в нотации C4/UML так, чтобы её понимал руководитель.
- Валидировать результаты статистическими методами (t-критерий или хотя бы описательная статистика).
- Подготавливать текст главы 3, чтобы в нём не было «воды», а только цифры и выводы.
Типичные ошибки студентов
Ошибка 1. «Код сгенерирован — значит, я всё сделал». На защите этого недостаточно. Нужно показать, что вы понимаете каждую строчку. Как в статье Альтмана — благодарность тем, кто знает основы.
Ошибка 2. Не сравнивать с базовым вариантом. Если вы просто написали приложение с ChatGPT, это не исследование. Нужна контрольная группа — код, написанный вручную.
Ошибка 3. Игнорировать требования нормоконтроля. Например, в работе должны быть ссылки на стандарты (ГОСТ 34.601, ISO/IEC 25010), а не только на картинки из интернета.
FAQ по ВКР и ИИ-инструментам
Сложно ли защищать работу, в которой использован ИИ?
Нет, если вы честно указываете, где именно применялась генерация, и описываете, как проверяли результат. У многих вузов есть политика по AI-инструментам — уточните на кафедре.
Где взять данные для исследования?
Для экспериментов подойдут open-source репозитории с GitHub. Можно создать две ветки проекта: одна — с кодом от человека, вторая — с кодом от ИИ, затем замерить метрики.
Требования вуза к коду в приложении?
Обычно нужен листинг ключевых модулей и UML-диаграммы. Не вставляйте весь код, только фрагменты, которые иллюстрируют вашу роль.
Как посчитать эффективность?
Сравните трудозатраты в часах и количество дефектов. Например, человек пишет модуль за 5 часов, ИИ — за 1 час, но при этом исправление ошибок занимает 2 часа. Итого экономия 40%.
Чек-лист «Что проверить перед сдачей»
- Все задачи из введения нашли отражение в выводах главы 3?
- Схемы (UML, C4, BPMN) подписаны и есть ссылки на них в тексте?
- Метрики корректно посчитаны и приведён источник исходных данных?
- Список литературы оформлен по ГОСТ, включая ссылку на статью TechCrunch?
- Код в приложении отформатирован, содержит комментарии и соответствует выбранной архитектуре?
- Проверена уникальность текста, но без «технической воды» и перефразирования чужих идей?
- Сделаны презентация и речь на защиту, где визуально видны результаты эксперимента?
Если вы чувствуете, что не успеваете самостоятельно довести ВКР до ума — не спешите отчаиваться. Мы бесплатно проконсультируем по структуре, поможем с расчётом метрик или оформлением ГОСТ. Даже если вам нужна только консультация по одной главе, это сэкономит 120 часов вашего времени. Обращайтесь — разберём вашу тему без шаблонов.
Источник: Sam Altman’s thank-you to coders draws the memes (опубликовано 2026-03-18)