Опубликовано: 26.09.2026 | Источник: MIT Technology Review

AI-пайплайн для discovery-задач в ВКР: от гипотезы до валидации модели

Поддомен: AI/ML. Роль автора: Data/ML-инженер. Схема подачи: C (вопросы → темы → реализация).

Введение

В свежем выпуске The Download сразу три сюжета складываются в один тренд: SES AI — производитель литиевых батарей из Массачусетса — полностью разворачивается от железа к AI-поиску новых материалов. Калифорнийский стартап Axiom Math выпускает бесплатный инструмент, который ищет математические закономерности там, где человек их ещё не замечал. А «AI Scientist» впервые прошёл peer review — то есть ИИ-агент, автоматизирующий научный цикл, больше не концепт, а рабочий инструмент.

Для выпускника ИТ-специальности это означает простую вещь: работодателю и комиссии уже недостаточно модели, обученной на Kaggle-датасете. Нужна воспроизводимая цепочка «данные → признаки → модель → интерпретация → мониторинг», привязанная к предметной области. Именно такая цепочка превращает диплом в защищаемый проект, а не в пересказ статьи. Если вы ищете, как написать ВКР по AI/ML, чтобы её не разнесли на предзащите, — читайте дальше.

Частые вопросы студентов по AI/ML-дипломам

1. Что выбрать для ВКР: классический ML или LLM-агент?

Смотрите на наличие данных. Если у вас есть структурированный датасет хотя бы на 5–10 тыс. записей с целевой переменной — берите классику (градиентный бустинг, случайный лес, линейные модели). LLM-агент даёт «вау»-эффект на защите, но требует либо платного API, либо локального инференса с GPU, и легко скатывается в демонстрацию без измеримых метрик. Хороший компромисс — гибрид: LLM как генератор признаков или ассистент аннотации, классический ML — как основной предиктор.

2. Где брать датасет, чтобы его не забраковали?

Публичные репозитории (UCI ML, Papers with Code Datasets, Materials Project для AI-материаловедения, zbMATH и arXiv-корпуса для математических задач), корпоративные логи (если есть доступ от кафедры), синтетические данные с явно обоснованным генератором. Обязательно указывайте лицензию и способ получения — комиссия любит этот вопрос.

3. Как считать эффективность, если модель не даёт state-of-the-art?

Сравнивайтесь не с SOTA-статьями, а с базовыми линиями (baseline) и с бизнес-метриками. Для регрессии — RMSE, MAE, R²; для классификации — F1, ROC-AUC, PR-AUC; для ранжирования — NDCG. Плюс инженерные метрики: время инференса, потребление памяти, стоимость запроса. Комиссия ценит честный анализ ошибок выше красивого числа.

4. Нужна ли MLOps-часть в бакалаврской ВКР?

Минимум — да: разделение train/inference, фиксация версий данных и моделей, воспроизводимый запуск. Даже один dvc.yaml и MLflow-run поднимут работу на голову выше типичного «ноутбука в приложении». По опыту, именно MLOps-блок приносит максимум вопросов на защите — и максимум баллов.

Темы ВКР, которые вырастают из статьи

• Тема 1. ML-модель прогноза свойств материала для электрохимии. Отсылка к SES AI: компания ушла в AI, потому что перебор материалов датасетом ускоряется в разы.
  Цель: построить регрессионную модель, предсказывающую ёмкость/проводимость по составу и структуре.
  Задачи: собрать данные из Materials Project, провести feature engineering по кристаллической решётке, сравнить 3–4 модели (Ridge, RandomForest, XGBoost, GNN), провести валидацию и SHAP-анализ.
  Структура: Гл.1 — обзор AI-материаловедения и постановка; Гл.2 — пайплайн и архитектура; Гл.3 — эксперименты, метрики, обсуждение ошибок.

• Тема 2. AI-ассистент поиска математических закономерностей. По мотивам Axiom Math: инструмент ищет скрытые связи в последовательностях и структурах.
  Цель: спроектировать систему, которая по выборке числовых последовательностей предлагает гипотезы (OEIS-подобно) с оценкой правдоподобия.
  Задачи: сформировать корпус последовательностей, обучить символьный регрессор, реализовать ранжирование гипотез, оценить точность через Top-k.
  Структура: Гл.1 — символьный регресс и нейро-символьные методы; Гл.2 — архитектура, C4-диаграмма; Гл.3 — валидация на контрольной выборке.

• Тема 3. MLOps-платформа для автоматизации научных экспериментов. Прямая отсылка к «AI Scientist», прошедшему peer review.
  Цель: реализовать сервис, который по конфигу эксперимента запускает обучение, собирает метрики и формирует отчёт.
  Задачи: развернуть MLflow, DVC и FastAPI; реализовать оркестрацию (Airflow/Prefect); настроить трекинг дрейфа данных; подготовить REST-API.
  Структура: Гл.1 — обзор MLOps и Process/People/Tools; Гл.2 — проектирование сервиса; Гл.3 — нагрузочное тестирование и SLO.

• Тема 4. Система мониторинга дрейфа данных для ML-модели в проде.
  Цель: обнаруживать деградацию модели до падения бизнес-метрик.
  Задачи: реализовать PSI/KL-дивергенцию, настроить алерты через Prometheus + Grafana, провести имитационные эксперименты с drift.
  Структура: Гл.1 — типы дрейфа и требования ISO/IEC 25010; Гл.2 — архитектура наблюдаемости; Гл.3 — эксперименты и метрики MTTD.

Как встроить материал статьи в главы ВКР

Глава 1: анализ предметной области

Кейс SES AI используйте как аргумент актуальности:Western-производители батарей разоряются, а те, кто перестраивают R&D под AI-поиск материалов, получают конкурентное преимущество. Добавьте в обзор 2–3 абзаца о Materials Project, GNoME от DeepMind и подобных проектах. Обязательно постройте диаграмму Исикавы «почему классический R&D тормозит» — комиссия любит причинно-следственные схемы.

Глава 2: проектирование пайплайна

Здесь вы описываете архитектуру. Формат C4 (Context → Container → Component) — золотой стандарт для ML-систем: он показывает не только код, но и место человека, внешние источники данных, хранилище признаков. Минимум три диаграммы:

• Context: пользователь-химик, внешний датасет, система ML-сервиса;
• Container: API, Feature Store, Training Worker, Model Registry, Monitoring;
• Component: внутри Training Worker — препроцессинг, обучение, оценка.

Не забудьте про UML Sequence для сценария «запрос предсказания» — он снимает половину вопросов на защите.

Глава 3: эксперименты и метрики

Зафиксируйте версии всех экспериментов. Базовый шаблон dvc.yaml:

stages:
  featurize:
    cmd: python src/featurize.py
    deps:
      - data/raw/materials.csv
    outs:
      - data/features.parquet
  train:
    cmd: python src/train.py
    deps:
      - data/features.parquet
    outs:
      - models/model.pkl
    metrics:
      - metrics.json:
          cache: false

А так выглядит минимальный трекинг через MLflow:

import mlflow, json
from sklearn.ensemble import GradientBoostingRegressor

with mlflow.start_run(run_name="gbm-baseline"):
    model = GradientBoostingRegressor(n_estimators=500, max_depth=4)
    model.fit(X_train, y_train)
    rmse = ((model.predict(X_val) - y_val) ** 2).mean() ** 0.5
    mlflow.log_param("n_estimators", 500)
    mlflow.log_metric("rmse", rmse)
    mlflow.sklearn.log_model(model, "model")

Метрики сравнения сведите в таблицу и обязательно добавьте интерпретацию: почему выиграл тот или иной алгоритм, где модель ошибается чаще, как это связано с физикой предметной области.

Чему вы научитесь на такой ВКР

• Проектировать ML-пайплайны в терминах C4 и UML, а не «на словах».
• Воспроизводить эксперименты через DVC + MLflow — навык, который ценится на любой ML-вакансии.
• Валидировать модели с учётом предметной области и объяснять ошибки через SHAP/LIME.
• Настраивать мониторинг дрейфа и SLO для ML-сервиса.
• Оформлять ТЗ, архитектурные схемы и приложения по ГОСТ 34 и ГОСТ 19.

FAQ (продолжение)

Сколько экспериментов нужно в Главе 3?

Минимум 6–8: baseline + 3–4 модели + ablation-эксперименты (без того или иного блока признаков) + проверка на дрейфе. Комиссия проверяет наличие систематичности, а не количество.

Можно ли использовать готовые AutoML-сервисы?

Да, но обязательно сравните AutoML с вашей ручной моделью и объясните, почему выбрали то или иное решение. «Просто подключил AutoGluon» — не аргумент, «AutoGluon дал R²=0.87, моя GBM с подобранными признаками — 0.89 при в 3 раза меньшем времени инференса» — сильный аргумент.

Как оформлять схемы, если нет Visio?

Mermaid, PlantUML и draw.io — прямой путь: они хранятся в репозитории рядом с кодом, что само по себе плюс к воспроизводимости. Экспорт в SVG/PNG попадает в приложение, а исходник — в git.

Типичные ошибки студентов

Чек-лист перед сдачей

Источник: The Download: a battery pivot to AI, and rewriting math (опубликовано 2026-03-26)