ИИ и чип-производство в дипломе: от тренда Terafab до работающей ML-модели

Элон Маск анонсировал Terafab — гигантский завод чипов в Остине, который Tesla и SpaceX будут управлять совместно. Эксперты сомневаются: у Маска нет опыта в полупроводниках, а строительство требует миллиардов и многих лет. Но для студентов ИТ это отличный момент: именно на таких сложных производственных площадках нужны программные системы — от моделей прогнозирования выхода годных чипов до дашбордов мониторинга оборудования. Вы можете превратить этот тренд в актуальную тему ВКР, которую не стыдно показать на защите. Мы покажем, как написать ВКР с практической ценностью, — с темами, примерами и разбором типовых ошибок.

Что даёт статья о Terafab для вашей главы 1

Раздел анализа в ВКР часто страдает от абстрактных рассуждений. Используйте конкретный факт: спрос на чипы для ИИ растёт взрывно, а производственные мощности не успевают (это прямо подчёркивается в статье Маска). Это идеальное обоснование актуальности — вы указываете, что ваша работа решает проблему, которая волнует гигантов индустрии. Не переписывайте новость, а выведите из неё инженерную задачу: например, «повышение выхода годных изделий без покупки нового оборудования».

Такой подход сразу отличает хорошую ВКР от реферата: у вас есть не только мотивация, но и измеримая цель. В главе 1 достаточно вставить абзац о состоянии отрасли со ссылкой на статью — и переходить к постановке задачи, методам и обзору литературы.

Темы ВКР по мотивам Terafab

1. Прогнозирование выхода годных чипов с помощью машинного обучения

• Актуальность: в статье говорится о сложности производства и необходимости масштабировать выпуск; модель позволит заранее выявлять отклонения параметров технологического процесса.
• Цель: разработать ML-модель, предсказывающую yield чипов по параметрам оборудования.
• Задачи: 1) обзор методов прогнозирования временных рядов и регрессии; 2) поиск или синтез датасета; 3) обучение и сравнение моделей; 4) оценка метрик MAPE, RMSE.
• Структура: Глава 1 — анализ полупроводникового производства и методов; Глава 2 — проектирование модели и реализация на Python; Глава 3 — тестирование на контрольной выборке и интерпретация.

2. Дашборд мониторинга загрузки оборудования для чип-фабрики

• Актуальность: Terafab требует контроля огромного парка станков; простой оборудования ведёт к миллионным потерям.
• Цель: спроектировать и реализовать веб-дашборд для визуализации OEE и загрузки станков в реальном времени.
• Задачи: 1) анализ требований и выбор стека; 2) настройка сбора метрик в Kubernetes через OpenTelemetry; 3) разработка дашборда; 4) тестирование производительности.
• Структура: Глава 1 — аналитический обзор систем мониторинга; Глава 2 — архитектура и реализация; Глава 3 — нагрузочное тестирование.

3. Конвейер данных для анализа дефектов в полупроводниковом производстве

• Актуальность: данные с датчиков, изображения и логи разнородны; их нужно объединить в единое хранилище для последующего анализа.
• Цель: построить ETL-конвейер, который очищает, нормализует и обогащает производственные данные.
• Задачи: 1) обзор инструментов (Apache Airflow, Kafka); 2) проектирование схемы данных и каталога; 3) реализация пайплайна; 4) оценка надёжности и мониторинг.
• Структура: Глава 1 — методы интеграции данных; Глава 2 — реализация конвейера; Глава 3 — тестирование на наборе синтетических данных.

Глава 2: от архитектуры до кода

В вашей ВКР должны быть диаграммы. Для ML-моделей хорошо подходят C4-диаграммы (контейнеры: клиент, сервис предсказаний, база данных), а для описания процесса — BPMN. Студенты часто рисуют одну общую UML-диаграмму классов и думают, что этого достаточно. На защите это слабое место.

Используйте простое правило: одна задача — одна диаграмма. Для темы «Прогнозирование выхода чипов» можно сделать:

• C4-диаграмму контейнеров (ML-модель, API, хранилище признаков);
• UML-диаграмму последовательности для процесса обучения и предсказания;
• BPMN-диаграмму производственного процесса с точкой принятия решения о вмешательстве инженера.

Пример кода для обучения модели — это ядро практической главы. Вот минимум, который должен быть в вашем приложении:

from sklearn.ensemble import GradientBoostingRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_percentage_error

# Загрузка технологических параметров и выхода годных чипов
X = fab_data.drop('yield', axis=1)
y = fab_data['yield']

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

model = GradientBoostingRegressor(n_estimators=200, max_depth=4)
model.fit(X_train, y_train)

y_pred = model.predict(X_test)
print("MAPE:", mean_absolute_percentage_error(y_test, y_pred))

Не забудьте указать, какие гиперпараметры настраивали и почему остановились на выбранной модели. Это демонстрирует инженерное мышление, а не просто запуск библиотек.

Глава 3: метрики, тестирование, защита

В главе 3 нужно показать, что разработанное решение работает. Для ML-моделей это не всегда очевидно. Сделайте акцент на трёх вещах:

1. Качество модели. Считайте MAPE, RMSE, R²; покажите график «факт-план». Если доля брака снижается на 5–10% — это уже весомый результат.
2. Качество программной системы. Оцените её по ISO/IEC 25010: производительность, безотказность, сопровождаемость. Например, укажите, что API отвечает за 200 мс, а пайплайн восстанавливается после сбоев.
3. Соответствие стандартам. Для российских вузов важны ГОСТ 34.601 (автоматизированные системы) и ГОСТ 19.402 (описание программы). Удобно показать таблицу соответствия требований и реализации.

Если ваша работа чисто исследовательская, можно добавить раздел «Экономическая эффективность»: сколько сэкономит фабрика при использовании модели с точностью X% на конкретном объёме выпуска. Для этого достаточно приблизительных оценок и ссылки на отраслевые данные.

Чему вы научитесь

• Формулировать инженерные задачи на основе актуальных новостей и трендов.
• Проектировать архитектуру ML-решения с помощью C4, UML и BPMN.
• Готовить данные, обучать и валидировать модели, считать MAPE/RMSE.
• Оформлять результаты по требованиям ГОСТ и ISO 25010.
• Уверенно защищать проект, показывая его практическую пользу для бизнеса.

FAQ по работе

Источник: Musk says he’s building Terafab chip plant in Austin, Texas (опубликовано 2026-03-22)