Опубликовано: 16.09.2026 | Источник: CNews (новости)

```html

ИИ-агент в дипломе: как превратить кейс «Цифрового прораба» в защищаемую ВКР

24 марта 2026 года Сбербанк отчитался о внедрении корпоративной платформы с ИИ-агентом в девелоперской компании AB Centrum: ассистент берёт на себя рутинные операции стройки — от сверки статусов по объектам до подготовки сводок для руководителя. Для выпускника ИТ-направления это не просто новость, а готовая рамка для ВКР: заказчик реальный, процесс понятный, метрики считаемые. Только вот комиссия не принимает «мы повторили кейс вендора». Ей нужны собственная постановка, архитектура, измеримый эффект и корректное оформление. Ниже — как собрать такую работу так, чтобы на защите не пришлось оправдываться.

Частые вопросы до начала работы

Мне обязательно обучать свою языковую модель?

Почти всегда — нет. Защищаемая работа строится вокруг прикладной агентной системы: оркестрация, инструменты (function calling), поиск по корпоративной базе знаний, контроль качества ответов. Обучение с нуля в дипломе нереалистично по ресурсам, а вот дообучение/адаптация (LoRA, few-shot, RAG) — вполне. В главе 1 обоснуйте выбор: почему retrieval-подход дешевле и безопаснее fine-tuning в условиях меняющейся нормативки.

Где брать данные, если у меня нет доступа к реальному девелоперу?

Три законных источника: открытые реестры (разрешения на строительство, проектные декларации), синтетический корпус, сгенерированный по шаблонам вашего же процесса, и публичные регламенты. Синтетика в ВКР допустима, если вы описываете методику генерации и ограничения — это честнее, чем выдуманные «данные из компании N». Обязательно фиксируйте объём, разметку и схему валидации.

Как считать эффективность ИИ-агента, чтобы цифры не вызвали вопросов?

Разделите метрики на три уровня: качество ответа (точность извлечения, доля галлюцинаций на golden set), продуктивность процесса (время на операцию, доля операций без человека) и стоимость владения (токены, инфраструктура, часы поддержки). Одной «экономии 30%» недостаточно — нужна формула и допущения.

Что делать, если научрук просит «код и схему по ГОСТ»?

Схемы архитектуры — C4 (контекст, контейнеры, компоненты) плюс UML sequence для сценария. Схемы алгоритмов и структур данных — по ГОСТ 19.701-90, описание системы и ТЗ — по ГОСТ 34.601-90 / ГОСТ 34.602-90. Не смешивайте нотации в одном листе: комиссия ловит это моментально.

Три темы ВКР, которые вырастают из кейса

• Тема 1. Агентная система поддержки процессов девелопера на базе LLM и RAG

  Актуальность: кейс AB Centrum показывает спрос на ассистентов, встроенных в операционный контур, а не в чат «сбоку».
  Цель: спроектировать и реализовать прототип агента, снимающего не менее 40% рутинных операций согласования.
  Задачи: анализ процесса AS-IS (BPMN); выбор архитектуры и векторного хранилища; реализация оркестратора с инструментами; оценка качества и эффекта.
  Структура: Гл. 1 — анализ процесса и обзор агентных подходов; Гл. 2 — проектирование (C4, схемы БД, API) и реализация; Гл. 3 — тестирование на golden set, расчёт эффекта.

• Тема 2. Оценка качества ИИ-ассистента в корпоративном контуре: метрики и методика

  Актуальность: платформа внедрена — значит, встанет вопрос приёмки и мониторинга деградации модели.
  Цель: разработать методику оценки, пригодную для регулярного прогона в CI.
  Задачи: сформировать набор эталонных запросов; определить метрики (faithfulness, answer relevancy, доля эскалаций); собрать автоматизированный харнесс; описать пороги приёмки.
  Структура: Гл. 1 — обзор метрик и ISO/IEC 25010; Гл. 2 — проектирование стенда и датасета; Гл. 3 — эксперименты, сравнение конфигураций, выводы.

• Тема 3. Безопасность корпоративного ИИ-агента: защита от инъекций промпта и утечек данных

  Актуальность: агент с доступом к документам стройки — это канал утечки коммерческой тайны. OWASP LLM Top 10 прямо называет prompt injection риском №1.
  Цель: построить модель угроз и набор защитных механизмов с измеримым снижением риска.
  Задачи: классифицировать угрозы; реализовать санитайзинг входов и разграничение доступа к инструментам; провести пентест-серию; оценить остаточный риск.
  Структура: Гл. 1 — модель угроз и нормативная база; Гл. 2 — архитектура защиты; Гл. 3 — сценарии атак и результаты.

Как разложить материал статьи по главам

Глава 1: обоснование, а не пересказ пресс-релиза

Первая глава должна ответить на вопрос «почему агент, а не RPA и не обычный чат-бот». Постройте таблицу сравнения: скорость реакции на изменение регламента, стоимость доработки, требования к данным, объяснимость. Здесь же уместно применить ISO/IEC 25010 — разложить нефункциональные требования по характеристикам (functional suitability, reliability, security, maintainability) и показать, какие из них критичны для девелопера. Схема процесса AS-IS/TO-BE в BPMN — обязательный элемент: она доказывает, что вы видите процесс, а не только модель.

Глава 2: архитектура и реализация

Разложите систему по C4. Контекст — агент, пользователь, внешние системы (1С, CRM, файловое хранилище). Контейнеры — оркестратор, сервис извлечения, векторная база, слой инструментов, шлюз с аудитом. Компоненты — планировщик, роутер инструментов, постпроцессор ответа.

┌───────────────┐   ┌──────────────┐   ┌──────────────────┐
│ Пользователь  │──▶│ API Gateway  │──▶│  Оркестратор     │
│ (прораб, РП)  │   │ + аудит      │   │ (planner/router) │
└───────────────┘   └──────────────┘   └────────┬─────────┘
                                                │
             ┌──────────────────────────────────┼───────────────────┐
             ▼                                  ▼                   ▼
   ┌──────────────────┐              ┌──────────────────┐  ┌───────────────┐
   │ RAG: pgvector    │              │ Инструменты:     │  │ LLM (self-    │
   │ + эмбеддинги     │              │ 1С, CRM, почта   │  │ hosted/API)   │
   └──────────────────┘              └──────────────────┘  └───────────────┘

Для инструментов опишите контракт явно — это то, что комиссия любит проверять. Минимальный псевдокод агента с вызовом функции и логированием латентности:

TOOLS = {
    "get_object_status": {
        "schema": {"object_id": "str"},
        "handler": crm.get_status,
        "scopes": ["project.read"],
    },
    "create_task": {
        "schema": {"object_id": "str", "text": "str", "due": "date"},
        "handler": taskmgr.create,
        "scopes": ["task.write"],   # требует подтверждения человека
    },
}

async def run_agent(session, user_query: str) -> str:
    ctx = await retriever.search(user_query, top_k=5)          # RAG
    plan = await llm.plan(user_query, ctx, tools=TOOLS.keys())
    for step in plan.steps:
        tool = TOOLS[step.tool]
        assert step.scope in session.scopes, "access denied"   # разграничение прав
        with tracer.start_span(f"tool.{step.tool}") as span:
            result = await tool["handler"](**step.args)
            span.set_attribute("latency_ms", result.latency_ms)
        ctx.append(result.summary)
    return await llm.answer(user_query, ctx)                   # шаблон + цитаты

Отдельный подраздел — интеграция. Как правило, узкое место не модель, а доступ к учётным системам: очередь запросов, идемпотентность операций, ретраи. Покажите это на UML sequence — очень выигрышная диаграмма на защите.

Глава 3: оценка, метрики и эффект

Соберите golden set: 100–200 запросов с эталонными ответами и разметкой «допустимо/недопустимо». Прогоняйте его в CI при каждом изменении промпта или модели — иначе ваши цифры невоспроизводимы.

Трейсинг через OpenTelemetry даёт вам не картинку, а аргумент: вы показываете, где именно теряются секунды — на извлечении, на вызове модели или на ожидании 1С. Это лучший ответ на вопрос «а почему так медленно?».

Чему вы научитесь на такой работе

• Проектировать агентные системы с разграничением прав на уровне инструментов, а не «на словах».
• Строить RAG-контур: чанкинг, эмбеддинги, гибридный поиск, переранжирование.
• Считать эффект внедрения в формулах, а не в прилагательных, и защищать допущения.
• Оформлять ТЗ и схемы по ГОСТ 34 и ГОСТ 19.701 без конфликтов нотаций.
• Настраивать автоматический прогон метрик в CI, чтобы результаты были воспроизводимы.

Источник: «Цифровой прораб» для бизнеса: Сбербанк внедрил ИИ-агента в девелоперской компании AB Centrum (опубликовано 2026-03-24)

```