Как ИИ помогает студентам находить тему дипломной работы

Проблема: когда тема дипломной работы — лотерея

Выбор темы выпускной квалификационной работы (ВКР) — один из ключевых этапов обучения. Чаще всего этот процесс традиционно превращается в рутину: студенты порой предлагают темы, оторванные от их реальных компетенций, — во время консультации становится понятно, что человек не очень хорошо разбирается в практической части работы — или дублируют работы прошлых лет. В итоге научные руководители тратят ресурсы на корректировку формулировок вместо работы над сутью исследования.

В Университете управления «ТИСБИ» ежегодно защищается около 1,3 тыс. ВКР. Примерно 30–35% тем приходилось корректировать, а преподаватели тратили в среднем пять рабочих дней на согласование темы с каждым студентом.

Результат такого подхода предсказуем: снижение качества работ, потеря мотивации у студентов и административная перегрузка преподавателей. Тогда в ТИСБИ обратились к Yandex Cloud для создания подходящего решения.

Решение: связь математики и генеративного ИИ

Лаборатория искусственного интеллекта «ТИСБИ» решила автоматизировать процесс выбора темы ВКР, превратив его из административной рутины преподавателей в точку роста для студента. В 2023 году проект получил поддержку Центра технологий для общества Yandex Cloud.

Центр технологий для общества предоставил университету полноценную техническую площадку с помощью доступа к облачным сервисам Yandex Cloud. Для команды это было особенно ценно — одной из целей проекта было знакомство студентов, участвующих в лаборатории, с профессиональными инструментами разработки проектов на базе ИИ.

Данные как фундамент

Основой проекта стала информационная система управления университета, в которой за 15 лет накопилось около 100 ГБ данных. Для разработки и тестирования сервиса команда использовала выборку объёмом 1 ГБ, а для тестирования приложения — около 5 ГБ.

Система формирует цифровой профиль студента на основе трёх блоков данных из информационной системы университета (ИСУ):

• Компетенции — информация о подтверждённых навыках, которые студент получил во время обучения на всех курсах.
• Персональный план — данные о предметах и оценках студента на всех курсах.
• Портфолио — сертификаты о пройденных внешних курсах и программах.

Векторное представление и поиск похожих профилей

Команда представляет компетенции не результатом «чёрного ящика», а вектором признаков, который отражает, кто студент, что он изучал в институте, какие баллы получил и какие внешние курсы проходил. Существенная часть признаков формируется из учебного плана: результаты по дисциплинам разворачиваются в отдельные компоненты вектора. Дополняют его информация о практиках и компоненты портфолио.

Для поиска похожих студентов система использует метрику «расстояние Гауэра» — она корректно работает со смешанными типами данных и даёт устойчивое сравнение профилей.

В лаборатории экспериментировали с различными автоэнкодерами, чтобы получить более компактное представление данных и избавиться от «шума», но это не улучшило качество рекомендаций. Сейчас команда работает над усовершенствованием модели: планирует внедрить алгоритмы ранжирования, методы обучения представлений и графовые модели, а также глубже учитывать специфику данных.

Каскадная архитектура: экономия через умное распределение задач

Ключевая особенность решения — экономическая эффективность за счёт каскадирования технологий.

Этап 1. Математическое моделирование. Система находит студентов с похожим академическим профилем и анализирует успешные темы прошлых лет. Это быстрая и недорогая вычислительная операция, которая определяет смысловое ядро будущей темы.

Этап 2. Генеративный ИИ. После того как смысловое ядро определено, в работу включается Yandex AI Studio. Модель получает роль преподавателя ведущего российского университета по направлению специальности студента, специализирующегося на помощи с выбором тем ВКР.

Задача для модели формулируется так: «Написать пять тем определённой сложности с указанием предметной области, которые подходят конкретному студенту».

Требования к генерации:

• Соответствует сильным сторонам студента на основе академической успеваемости и пройденных курсов
• Учитывает данные о темах ВКР выпускников той же специальности, максимально схожих по успеваемости

Определение сложности темы:

• Средний балл > 80 → сложнейшие темы
• Средний балл > 70 → сложные темы
• Средний балл > 60 → темы средней сложности
• Средний балл ≤ 60 → лёгкие темы

Вопрос уникальности

Сейчас темы генерируются с опорой на информацию о студенте, его пожелания к теме и контекст похожих выпускников, а разнообразие контролируется настройкой температуры и контролем научного руководителя.

Строгую гарантию уникальности генерацией дать нельзя — нужна валидация. Поэтому следующий шаг развития системы — добавить автоматический пост-контроль: сравнение с архивом тем, отсеивание близких формулировок и перегенерация. Команда начала с простых фильтров, в планах — добавить семантическую проверку через эмбеддинги и порог сходства.

Реализация: облачная инфраструктура без капитальных затрат

Проект разрабатывали на базе Yandex DataSphere с использованием кластеров GPU, API Yandex AI Studio, Yandex Managed Service for Valkey^™ и Yandex Managed Service for ClickHouse^®. Выбор облачной инфраструктуры позволил университету избежать капитальных затрат на закупку серверного оборудования.

Важным для проекта оказалось динамическое масштабирование GPU для OCR. В пиковых сценариях, например при загрузке документов выпускников, система сталкивалась с резким ростом нагрузки. Динамическое масштабирование позволяет автоматически добавлять вычислительные ресурсы для параллельной обработки многих документов одновременно. Без этого обработка 3 тыс. сертификатов на одном CPU заняла бы более 2,5 часов, а с динамическим масштабированием нагрузка распределяется на несколько GPU, сокращая время до 1,5 минут.

Аналогичная ситуация с вычислением расстояния Гауэра для тысяч выпускников — ресурсоёмкой задачей, которая при последовательном выполнении на CPU становится крайне медленной. Параллельная обработка на нескольких GPU с автоматическим масштабированием ускоряет расчёты и предотвращает задержки.

Разработка велась в привычной для команды среде с использованием объектного хранилища для безопасного доступа к массивам данных.

Как это работает: взгляд пользователя

Целевая аудитория системы — преподаватели вуза. Сервис встроен в личный кабинет преподавателя в ИСУ.

Вот как выглядит пользовательский путь:

1. Преподаватель переходит в личный кабинет в ИСУ и выбирает раздел «Руководство проектами»
2. Выбирает студента с неутверждённой темой ВКР или курсовой работы
3. Отправляет запрос на генерацию списка тем
4. Получает пять персонализированных рекомендаций
5. При необходимости переходит к опции «Сгенерировать новую тему» и заполняет форму «Описание желаемой темы»
6. Получает дополнительный список из пяти тем
7. Назначает подходящую тему студенту

Первый запрос обрабатывается практически мгновенно: данные отправляются в очередь, и сервис сразу возвращает ответ. Дальнейшая обработка происходит асинхронно.

Результаты: от пилота к масштабированию

Изначально система создавалась для факультета информационных технологий, но векторное представление компетенций оказалось универсальным. Без дополнительной доработки решение масштабировали на экономический факультет и факультет управления.

43 студента уже воспользовались системой, около 500 тем было сгенерировано. Система работает на трёх из пяти факультетов университета.

Отзывы преподавателей положительные. Наибольший интерес вызывает назначение тем ВКР и курсовых работ студентам, обучающимся по заочной форме.

Перспективы: от бакалавриата к аспирантуре

Успех проекта открыл дорогу для более сложных задач. Следующий этап — работа с аспирантами, но подход здесь принципиально иной. В задаче рекомендации темы ВКР команда сделала акцент на математику: сначала система находит похожих студентов, подбирает схожую тему и добавляет разнообразие за счёт использования Yandex AI Studio.

В случае с аспирантами команда понимает, что корректнее анализировать выбранную тему, а не рекомендовать новую. Фокус смещается на предварительное изучение нормативных документов, которые определяют научно-техническую политику России. На основании этих документов можно оценивать или рекомендовать дополнения к теме. Здесь команда уходит в сторону создания новых навыков и дообучения генеративной модели для задачи анализа и рекомендации тем для аспирантов.

Кроме того, решение может быть полезно любому вузу, который обладает базой знаний о своих студентах и готов дообучить сервис на своих данных. Команда пока не планирует выпускать сервис в публичный доступ, потому что для корректной работы требуется доступ к данным конкретного вуза. Без обучения на данных вуза решение перестанет быть персонализированным.

Тем не менее, методология и архитектура проекта могут послужить основой для создания аналогичных систем в других образовательных учреждениях.