Gemini в корпоративных сервисах: как построить ВКР по ИИ-ассистентам
Статья TechCrunch от 18 марта 2026 года разбирает практические сценарии использования Gemini в Google Workspace: суммаризацию писем, создание черновиков, структурирование данных, автоматическое отслеживание встреч. Для студента ИТ-направления это не просто новость, а готовая фактура для дипломного проекта. Спрос на генеративный ИИ в офисных продуктах растёт, а значит, тема ВКР с акцентом на интеграцию LLM в корпоративные процессы будет выглядеть и современно, и защищаемо. Ниже разберём, как превратить этот тренд в конкретную работу — от выбора темы до метрик эффективности.
Частые вопросы перед выбором темы
Какой стек выбрать для прототипа ассистента?
Для студенческой ВКР подойдут Python + FastAPI (или Flask) с вызовом Gemini API через официальный SDK. Фронтенд — простой веб-интерфейс на React или даже серверные шаблоны. Главное — разделить код на модули: работы с API Google, обработки текста, логирования. Если нужен офлайн-режим, можно использовать локальную модель через llama.cpp, но тогда сложнее показать интеграцию с Workspace.
Где брать данные для тестирования, если нет доступа к корпоративной переписке?
Используйте синтетические датасеты: сгенерируйте 200–300 шаблонов писем на русском языке с разными типами запросов. Это допустимо для ВКР, если в главе 3 явно указать способ сбора данных и ограничения. Также можно взять публичные датасеты извлечения информации, например DialogSum или SAMSum, и перевести их в нужный формат.
Как посчитать эффективность ИИ-функции?
Для задачи суммаризации используйте метрики ROUGE-1, ROUGE-L, BLEU. Дополнительно считайте скорость ответа (Latency), стоимость вызовов API и субъективную оценку пользователей (в опросе). Для системного проекта также применяйте метрики качества по ISO/IEC 25010: функциональность, производительность и надёжность.
Темы ВКР на основе сценариев Gemini
| Тема ВКР | Актуальность | Цель | Задачи | Структура работы |
|---|---|---|---|---|
| Разработка интеллектуального ассистента для автоматизации делопроизводства с использованием LLM (на примере Google Workspace) | В статье показан «джентльменский набор» функций Gemini — от резюме писем до аналитики встреч. Компании хотят внедрять такие ассистенты, но не знают, с чего начать. | Спроектировать и реализовать прототип ассистента, который суммаризирует входящие письма и создаёт задачи. | 1. Анализ существующих LLM и API Google Workspace. 2. Проектирование архитектуры и REST API. 3. Реализация модуля суммаризации и извлечения сущностей. 4. Тестирование и оценка качества. |
Глава 1 — анализ литературы и обзор аналогов; Глава 2 — проектирование и реализация; Глава 3 — тестирование и метрики эффективности. |
| Оценка эффективности внедрения генеративного ИИ в корпоративные коммуникации | TechCrunch перечисляет функции, но не даёт количественных метрик. ВКР может закрыть пробел и предложить методику оценки. | Разработать систему метрик и методику оценки влияния ИИ-ассистента на скорость обработки документов. | 1. Изучить подходы к оценке эффективности ИТ-систем. 2. Определить ключевые показатели (времени, стоимости, качества). 3. Провести эксперимент на синтетических данных. 4. Сформулировать рекомендации для бизнеса. |
Глава 1 — теоретическая база (стандарты ISO 25010, ГОСТ 34); Глава 2 — создание методики; Глава 3 — апробация и выводы. |
| Создание сервиса автоматического резюмирования документов с помощью LLM: архитектура и прототип | Статья называет суммаризацию писем одной из самых полезных функций Gemini. Это отличный кейс для демонстрации работы с LLM и пайплайнами обработки текста. | Разработать сервис с REST API, который принимает текст и возвращает структурированное краткое содержание. | 1. Сравнить модели (Gemini, YandexGPT, open-source аналоги) по скорости и качеству. 2. Спроектировать конвейер: предобработка → промпт → постобработка. 3. Реализовать API и веб-интерфейс. 4. Оценить качество суммаризации и стоимость. |
Глава 1 — теория генеративных моделей и RAG; Глава 2 — архитектура и реализация; Глава 3 — тестирование на датасете и анализ ошибок. |
Как встроить статью в главы диплома
Глава 1. Аналитический раздел
Используйте материал TechCrunch как источник о тренде. В обзоре литературы обязательно укажите, что функции Gemini в Workspace — это пример внедрения LLM в существующие бизнес-приложения. Сформулируйте требования к системе на основе прототипа из статьи:
- поддержка русского и английского языков;
- суммаризация писем с сохранением ключевых сущностей;
- интеграция с Google Workspace API (или REST API — для демонстрации);
- разграничение доступа и безопасность (OWASP Top 10 для API);
- возможность логирования и мониторинга (OpenTelemetry).
Здесь же примените стандарт ГОСТ 34.602 для описания требований и ISO/IEC 25010 для определения качества. Не нужно переписывать их полностью — достаточно таблицы с характеристиками.
Глава 2. Проектирование и реализация
Нарисуйте архитектуру в виде C4-диаграммы. Контекст: пользователь → фронтенд → бэкенд → внешний LLM-сервис (например, Gemini API) → Google Workspace. Контейнеры: веб-интерфейс, микросервис на Python, сервис кэширования (Redis). Уровень компонентов покажите на UML-диаграмме классов: классы EmailPreprocessor, Summarizer, TaskExtractor.
Пример кода для суммаризации письма:
import google.generativeai as genai
genai.configure(api_key=os.environ["GEMINI_API_KEY"])
model = genai.GenerativeModel("gemini-1.5-pro")
prompt = """Сократи письмо до 3 предложений.
Выдели: тему, сроки, ответственного.
Письмо:
{email_text}
"""
response = model.generate_content(prompt)
summary = response.text
В пояснительной записке укажите, как обрабатываются ошибки сети, таймауты и объём контекста. Если используете RAG, добавьте шаг с поиском по базе знаний — это усилит практическую часть.
Глава 3. Тестирование и оценка
Подготовьте датасет из 50–100 писем. Для каждого вручную напишите эталонную выжимку. Затем сравните результаты Gemini с эталоном через ROUGE. Пример таблицы:
| Метрика | Значение | Комментарий |
|---|---|---|
| ROUGE-1 | 0,62 | Хорошее перекрытие униграмм |
| ROUGE-L | 0,55 | Совпадение длинных подпоследовательностей |
| Средняя оценка пользователя | 4,2 / 5 | Опрос 10 человек |
| Стоимость обработки одного письма | 0,03 ₽ | При использовании бесплатного лимита |
Дополнительно измерьте время ответа. Если внедряли мониторинг, покажите график OpenTelemetry через Jaeger.
Типичные ошибки студентов
Ошибка 1. Привязка к конкретному облачному API без абстракции. Если вуз не даёт доступ к Gemini, диплом становится нереализуемым. Решение: опишите интерфейс LLMProvider с методами generate и используйте заглушку для тестов.
Ошибка 2. Игнорирование безопасности. В тексте часто забывают про авторизацию, санитизацию промптов и защиту от prompt injection. Добавьте раздел по OWASP и проверке входных данных.
Ошибка 3. Нет метрик эффективности. Говорят «система работает», но не приводят цифр. Используйте ROUGE, BLEU, оценку скорости и юзабилити — и защита пройдёт увереннее.
Что проверить перед сдачей
- Соответствуют ли задачи диплома реально сделанному объёму работы?
- Есть ли ссылка на первоисточник (TechCrunch) в списке литературы?
- Добавлены ли UML/C4-диаграммы в приложения, а не только словами?
- Посчитана ли эффективность: время, стоимость, качество?
- Проверены ли требования по ГОСТ 34.602 или стандарту вуза (зависит от кафедры)?
- Уникальность текста не ниже требуемой кафедрой (обычно 70–80%).
- Оформлен ли код в приложении с комментариями на русском?
Чему вы научитесь
- Проектировать архитектуру ИИ-ассистента: от промпта до интеграции с внешними сервисами.
- Строить диаграммы C4 и UML по стандартам, принятым в индустрии.
- Оценивать качество генеративных моделей с помощью ROUGE и BLEU.
- Учитывать риски безопасности LLM-приложений (OWASP Top 10).
- Оформлять пояснительную записку с ГОСТ-требованиями.
Источник: The Gemini-powered features in Google Workspace that are worth using (опубликовано 2026-03-18)