ИИ-планировщик путешествий в дипломе: от ML-модели до защиты

Свердловчане от 25 до 34 лет всё чаще используют ИИ-инструменты для подготовки поездок. Это не просто потребительский тренд, а сигнал для студентов ИТ-специальностей: рынку нужны специалисты, способные проектировать интеллектуальные сервисы. Если ваша ВКР связана с машинным обучением или разработкой веб-приложений, кейс с ИИ-планировщиком путешествий может стать идеальной основой для диплома — он сочетает реальную бизнес-задачу, понятные данные и измеримый результат. Ниже разберём, как превратить эту новость в полноценную выпускную квалификационную работу: от формулировки темы до метрик эффективности.

Как превратить тренд из статьи в главы ВКР

Статья про ИИ-планировщики даёт готовый контекст для обоснования актуальности. В первой главе диплома можно проанализировать существующие решения (Discover, TripAdvisor, Яндекс Путешествия), выявить их ограничения и сформулировать требования к собственной разработке. Здесь же уместно сослаться на исследование CNews и добавить статистику по росту интереса аудитории 25–34 лет. Это усилит аргументацию и покажет, что вы опираетесь на реальные рыночные данные.

Вторая глава посвящается проектированию и реализации. Чтобы не утонуть в абстракциях, используйте ГОСТ 34.601–90 для описания стадий создания автоматизированной системы (постановка задачи, разработка концепции, рабочая документация). Для оценки качества готового продукта — ISO/IEC 25010 (функциональная пригодность, производительность, удобство использования). В третьей главе вы проводите тестирование и считаете метрики — обязательно опирайтесь на заданные ранее требования, чтобы результаты были проверяемыми.

Три актуальные темы ВКР по ИИ‑планировщикам

Как проектировать архитектуру ML-сервиса в дипломе

Для второй главы дипломной работы потребуются диаграммы. Используйте нотацию C4, чтобы показать контекст и контейнеры системы. На верхнем уровне — браузер пользователя, внешние API (например, геоданные), ваш бэкенд и базы данных. На уровне контейнеров детализируйте: веб-интерфейс (React), REST API (FastAPI), модель рекомендаций (Python или ONNX), векторный поиск (FAISS). Не забудьте про асинхронный обмен через RabbitMQ или Kafka, если добавляете функции обогащения заказа.

Код в ВКР должен быть читаемым и соответствовать требованиям нормоконтроля. Приводите только ключевые фрагменты, например эндпоинт для получения рекомендаций:

from fastapi import FastAPI, HTTPException
from pydantic import BaseModel

app = FastAPI()

class RouteRequest(BaseModel):
    user_id: int
    city: str
    days: int

@app.post("/api/v1/recommendations")
def recommend(req: RouteRequest):
    # Предполагаем, что model.predict возвращает список объектов
    preds = model.predict(req.user_id, req.city, req.days)
    if not preds:
        raise HTTPException(status_code=404, detail="No candidates")
    return {"status": "ok", "items": preds[:10]}

Считаем эффективность: метрики и эксперименты

Для ML-части наиболее наглядны метрики ранжирования: Precision@k и Recall@k — они показывают, сколько из предложенных моделью мест действительно посетил пользователь. Если данные о посещениях невозможно получить с достаточной точностью, используйте RMSE на основе оценок «пользователь – достопримечательность». Дополнительно замеряйте latency p95: для планировщика путешествий это критично, ведь человек ждёт ответа не дольше 1–2 секунд.

В главе «Тестирование» организуйте эксперимент: разделите выборку на train/test в соотношении 80/20, проведите валидацию и постройте график зависимости метрики от количества рекомендаций. Для воспроизводимости зафиксируйте seed и версии библиотек. Также покажите, как мониторить сервис в продакшене с помощью OpenTelemetry — это добавит практической ценности и покажет понимание наблюдаемости.

Практические выводы: чему вы научитесь

• Проектировать ML-сервисы с учётом требований к качеству программного обеспечения по ISO/IEC 25010.
• Формулировать техническое задание и выделять стадии разработки по ГОСТ 34.601–90.
• Готовить архитектурные диаграммы в нотации C4 и UML для пояснительной записки.
• Оценивать качество рекомендательных моделей с помощью RMSE, Precision@k и latency.
• Деплоить приложение в Docker/Kubernetes и настраивать observability через OpenTelemetry.

FAQ

Какой стек выбрать для дипломного проекта по ИИ-планировщику?

Минимальный набор: Python 3.11, FastAPI, scikit-learn или PyTorch, СУБД — PostgreSQL для хранения карточных данных и Redis для кэша. Для развёртывания достаточно Docker; Kubernetes может использоваться как упрощение в демонстрации. Не усложняйте: главное — показать работающий прототип и понимание архитектуры.

Где взять данные для обучения рекомендательной модели?

Используйте публичные датасеты с платформ Kaggle, Booking.com Research, а также данные OpenStreetMap для достопримечательностей. Если времени мало, сгенерируйте синтетический датасет с реалистичными распределениями и опишите это ограничение в работе. Комиссия ценит честность больше, чем фиктивные «данные с реального сайта».

Сколько кода нужно в пояснительной записке?

Полный код в приложениях — обычно не более 30–50 страниц листингов. В основной части приводите фрагменты по 10–15 строк, связанные с ключевыми функциями. Обязательно подписывайте каждую строку комментариями и в тексте работы поясняйте, как этот код реализует архитектурное решение.

Что делать, если метрики модели получились низкими?

Низкие метрики — это не провал, если в работе есть анализ причин и возможные улучшения. Зафиксируйте базовую модель, покажите, как увеличение данных или настройка гиперпараметров повлияла на результат. Главное — прозрачный эксперимент и выводы, а не «идеальные» цифры.

Источник: Свердловчане от 25 до 34 лет стали чаще обращаться к ИИ-планировщикам путешествий (опубликовано 2026-03-18)