Сервис каршеринга «Ситидрайв» внедрил робота-оператора от VS Robotics, который автоматически предупреждает водителей о превышении скорости и других нарушениях. Это не просто новость для потребителей — на её основе можно построить полноценную дипломную работу по искусственному интеллекту и автоматизации бизнес-процессов. У нас на курсе такой кейс стал стартовой точкой для трёх тем: от NLP-модели до интеграции с корпоративными системами. Сегодня разберём, как переработать этот сюжет в защищаемую ВКР, какие метрики посчитать и как оформить работу по стандартам.
Ниже — три готовые темы с типовой структурой. Первая ближе к классическому ML, вторая — к инженерии данных, третья — к проектированию архитектуры.
| Тема ВКР | Актуальность и цель | Задачи | Структура глав |
|---|---|---|---|
| Разработка диалогового агента для информирования водителей о нарушениях ПДД | Цель — создать NLP-модель (голосовой / текстовый интерфейс), которая классифицирует текст звонка и формирует соответствующее сообщение. Актуальность подтверждается кейсом «Ситидрайва», снижающим нагрузку на операторов. | 1) Собрать датасет типовых фраз водителей и операторов; 2) обучить классификатор интентов (нарушение скорости, парковка, перегруз); 3) реализовать диалоговый сценарий; 4) протестировать качество на синтетических и реальных данных. | Глава 1 — анализ существующих чат-ботов и голосовых роботов; Глава 2 — проектирование модели, обучение, выбор метрик; Глава 3 — эксперимент, сравнение с человеком-оператором. |
| Автоматизация коммуникаций каршеринга: конвейер данных и интеграция с CRM | Цель — спроектировать ETL-конвейер от входящего запроса до создания тикета в CRM. Актуальность: робот не просто говорит, а должен обновлять базу нарушений и передавать данные в смежные системы. | 1) Проанализировать архитектуру каршеринг-платформ; 2) разработать схему потоков данных (C4); 3) реализовать сервис на Python с REST API; 4) настроить мониторинг через OpenTelemetry. | Глава 1 — анализ систем автоматизации; Глава 2 — проектирование и реализация интеграции; Глава 3 — нагрузочное тестирование и оценка надёжности. |
| Оценка эффективности робота-оператора: от WER до ROI | Цель — построить модель оценки качества диалоговой системы (word error rate, полнота, точность) и рассчитать экономический эффект внедрения. Актуальность: это единственная тема, которая оправдывает затраты на NLP. | 1) Подобрать метрики и методики; 2) собрать логи звонков и разметить; 3) провести A/B-тест «робот vs человек»; 4) рассчитать TCO и окупаемость. | Глава 1 — метрики качества диалоговых систем; Глава 2 — методика эксперимента; Глава 3 — экономический анализ для каршеринга. |
В первой главе ВКР подробно опишите ситуацию в индустрии. Статья даёт реальный пример внедрения «умного» оператора, так что у вас есть ссылка на свежий источник (2026 год). Используйте её в обосновании актуальности: «Автоматизация коммуникаций достигла уровня, когда голосовой робот способен понимать нарушения и взаимодействовать с водителями». Далее проведите сравнение с известными платформами: Яндекс.Алиса, Салют от Сбера или open-source решения Rasa. Опишите ограничения: распознавание шумной речи, экстренные ситуации, юридические риски.
Для схемы системы уже на этом этапе постройте диаграмму движений в нотации BPMN или C4. На дочернем уровне контейнеров выделите модуль NLP, базу данных, сервис очередей (RabbitMQ или Kafka). C4 подходит лучше BPMN, потому что показывает архитектуру, а не бизнес-процесс.
Покажите, как робот обрабатывает запрос. Опишем флоу для каршеринга: звонок → ASR (автоматическое распознавание речи) → NLU (извлечение интента и слотов) → диалоговый менеджер → синтез речи (TTS). В тексте главы 2 обязательно дайте диаграмму последовательности.
Пример реализации классификатора интентов на Python (вставьте фрагмент кода):
import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import Pipeline
# Пример датасета: ['превышение скорости', 'неправильная парковка', ...]
train_df = pd.read_csv('intents.csv')
model = Pipeline([
('vectorizer', TfidfVectorizer(ngram_range=(1,2))),
('clf', LogisticRegression(C=2.0))
])
model.fit(train_df['text'], train_df['intent'])
# Инференс
def predict_intent(text):
return model.predict([text])[0]Для дипломной работы код не является самоцелью. Главное — объяснить выбор алгоритма: почему линейная регрессия, а не нейросеть? На учебных данных с 500–2000 фраз классическая модель Logistic Regression даёт F1 > 0.9. Если у вас есть гранты на GPU и много данных, можно использовать ruBERT, но в дипломе оценится обоснование архитектуры, а не избыточная сложность.
Во второй или третьей главе проведите оценку. Для диалогового агента обязательны метрики:
В нормоконтроле прописывайте, что показатели считались на контрольной выборке в 100–300 сообщений. Это легко защитить, даже если данные синтетические.
Развёртывание в современных ВКР предпочтительно показывать через Docker. Иногда комиссии требуют только UML и код, но наличие docker-compose.yml сразу поднимает оценку. Пример конфигурации:
version: '3.8'
services:
asr:
build: ./asr
ports: ['5001:5001']
nlu:
build: ./nlu
ports: ['5002:5002']
bot:
build: ./bot
depends_on: [asr, nlu]
environment:
- ASR_URL=http://asr:5001
- NLU_URL=http://nlu:5002Часто студенты пишут «робот снижает затраты на 30%» без расчётов. Лучше так: сравните время обработки одного звонка оператором (3 мин) и роботом (1 мин). Стоимость минуты оператора — 5 руб., робота — 0,5 руб. За 10 000 звонков в месяц экономия = 10 000 * (3*5 - 1*0,5) = 145 000 руб. Эти цифры можно найти в статьях или выдумать реалистичные, но обязательно показать методику — тогда защита пройдёт спокойно.
Ошибка 1: «модель-в-вакууме». Студенты обучают классификатор на синтетических данных и забывают остальную систему. Комиссия спрашивает: «а как ваш робот позвонит водителю?» Решение — включите в главу 2 хотя бы диаграмму компонентов, опишите ASR/TTS как внешние API.
Ошибка 2: игнорирование безопасности. Голосовой робот работает с персональными данными — фиксируется номер телефона, геопозиция. Добавьте в работу упоминание требований 152-ФЗ и защитите API токенами. Даже если в коде это только конфиг, покажите, что подумали.
Ошибка 3: нестандартное оформление по ГОСТ. Иногда диаграммы рисуют в произвольных цветах без подписей. Используйте C4 с узлами, подпишите все связи. Для проверки эффективности — напишите таблицу с расчётами и сделайте вывод.
Соберите из открытых источников: GitHub-репозитории с диалогами на русском, агрегируйте примеры из отзывов пользователей каршеринга. Либо сгенерируйте синтетические данные по шаблонам: «Вы превысили скорость на 20 км/ч», «Ваш парковочный талон истёк». В дипломе честно укажите, что данные смоделированы — многие вузы это принимают, если модель хорошо описана и метрики посчитаны.
Да. Для классификации интентов отлично работают TF-IDF + Logistic Regression. На маленьком датасете нейросеть не покажет преимуществ. В защите подчеркните, что ваша цель — работающий продукт, а не «deep learning ради deep learning». Это выглядит сильнее.
Используйте открытые данные о среднем времени обработки звонков в контакт-центрах (калькуляция из бизнес-кейсов). Опишите допущения: стоимость минуты оператора, часы пиковой нагрузки. В отзыве научного руководителя пометьте, что экономическая модель носит оценочный характер.
UML — это стандарт, и C4 легко конвертируется: диаграмма развёртывания (deployment diagram) заменяет контейнеры, диаграмма компонентов показывает модули. Не противоречьте требованиям, просто добавьте подписи с уровнями C4 в комментариях к рисунку.
Не всегда есть время на эксперименты с NLP-конвейерами и изучение требований вуза. Если вы хотите скоро сдать работу, а тема «Висит» или вы сомневаетесь в правильности оформления, мы можем провести консультацию, рассчитать структуру и указать на слабые места. Это не магия, а опыт — за 15 лет мы прошли путь от простых информационных систем до ML-сервисов.
Профессиональная помощь по ВКР — мы сопровождаем до 120 часов, бесплатно консультируем по структуре и ГОСТ, помогаем с любыми темами. Если нужно подтянуть практическую часть или разобраться с метриками, обращайтесь — подскажем оптимальный план.
Источник: Робот-оператор VS Robotics начал информировать водителей «Ситидрайва» о нарушениях (опубликовано 2026-03-18)