Опубликовано: 07.05.2026 | Источник: The Verge (IT)

Генерация изображений с помощью ИИ в дипломе: как сделать работу актуальной и технически обоснованной

В апреле 2026 года The Verge опубликовал статью о новом витке использования искусственного интеллекта в политической коммуникации — Дональд Трамп опубликовал в соцсети изображение, где он изображён рядом с Иисусом Христом, созданное с помощью генеративной нейросети. Это не просто мем — это сигнал: генеративные модели уже не просто инструмент для дизайнеров, а часть медийной, политической и даже культурной инфраструктуры.

Для студентов IT-специальностей — особенно тех, кто пишет ВКР в области компьютерного зрения, машинного обучения или разработки систем на базе ИИ — такой кейс — не просто повод для обсуждения этики. Это технический тренд, который можно и нужно интегрировать в диплом. Он показывает, как быстро развиваются технологии генерации контента, какие архитектуры используются, и какие требования предъявляются к качеству, безопасности и масштабируемости решений.

Использование подобных кейсов в дипломе позволяет не просто "быть в тренде", а продемонстрировать способность анализировать реальные инциденты, оценивать архитектуры и обосновывать выбор решений — именно то, что ценят на защите.

Темы для ВКР на основе кейса с ИИ-генерацией изображений

1. Система генерации изображений на базе диффузионных моделей: архитектура и безопасность

• Актуальность: Рост числа инцидентов с генерацией дезинформации (включая политический контент) требует разработки защищённых и контролируемых систем.
• Цель: Спроектировать систему генерации изображений с контролем выхода (content moderation), трассировкой происхождения данных и защитой от злоупотреблений.
• Задачи:
  • Проанализировать архитектуры Stable Diffusion, DALL·E, Midjourney.
  • Разработать модуль фильтрации промптов и пост-обработки изображений.
  • Интегрировать механизм watermarking или метаданных (например, C2PA).
  • Оценить производительность и безопасность на тестовых данных.
• Структура:
  • Глава 1 — Анализ существующих решений и угроз.
  • Глава 2 — Проектирование архитектуры и API.
  • Глава 3 — Тестирование, метрики, экономика развертывания.

2. Оценка качества и достоверности ИИ-генерируемого контента по стандарту ISO/IEC 25010

• Актуальность: Кейс с "Трампом и Иисусом" — пример генерации контента с высокой визуальной достоверностью, но нулевой фактической корректностью.
• Цель: Применить стандарт ISO/IEC 25010 для оценки качества ИИ-генерируемого контента (включая функциональную пригодность, надёжность, безопасность).
• Задачи:
  • Определить метрики по каждой характеристике стандарта.
  • Разработать методику тестирования на примере генерации портретов.
  • Провести сравнительный анализ моделей (например, SDXL vs. DALL·E 3).
  • Оформить отчёт в соответствии с ГОСТ 34.602-89.
• Структура:
  • Глава 1 — Теоретические основы качества ПО и стандарты.
  • Глава 2 — Методика оценки и инструменты.
  • Глава 3 — Результаты тестирования и рекомендации.

3. CI/CD-пайплайн для дообучения и развёртывания генеративных моделей

• Актуальность: В реальных системах ИИ-модели обновляются, адаптируются, требуют контроля версий и тестирования.
• Цель: Построить автоматизированный пайплайн для дообучения и развёртывания модели генерации изображений.
• Задачи:
  • Выбрать фреймворк (Hugging Face, PyTorch Lightning, MLflow).
  • Настроить CI/CD (GitLab CI, GitHub Actions, ArgoCD).
  • Реализовать тестирование качества генерации (FID, CLIP Score).
  • Оценить TCO (Total Cost of Ownership) при использовании GPU-кластеров.
• Структура:
  • Глава 1 — Анализ архитектур MLOps и стандартов.
  • Глава 2 — Проектирование пайплайна и схемы интеграции.
  • Глава 3 — Тестирование, метрики, экономика.

Как использовать кейс в структуре диплома

Аналитическая глава: обоснование выбора архитектуры

Во введении и первой главе важно не просто описать технологию, а обосновать её актуальность через реальный кейс. Пример:

Такой сравнительный анализ позволяет обосновать выбор модели — например, выбрать Stable Diffusion для локального развёртывания с возможностью интеграции модуля фильтрации промптов, что особенно важно в контексте генерации политического контента.

Проектная часть: схемы и интеграция

Во второй главе стоит представить архитектурную схему системы. Пример — система генерации с модулем модерации:

[Пользователь] → [API Gateway] → [Prompt Filter (NLP)] → [Stable Diffusion] → [Image Watermarking] → [Storage] → [Frontend]
                              ↓                              ↓
                      [Логирование]                   [Модерация]

Используйте UML-диаграммы (компонентная, развёртывания), ссылайтесь на ГОСТ 19.701-90 (диаграммы потоков данных). Укажите, какие протоколы используются: REST, gRPC, WebSocket — и почему.

Тестирование и метрики: как измерить "качество фейка"

В третьей главе важно не просто сказать "всё работает", а измерить. Используйте:

• FID (Fréchet Inception Distance) — метрика качества изображений.
• CLIP Score — соответствие изображения промпту.
• RTO/RPO — если модель работает в проде, оцените время восстановления после сбоя.
• Нагрузочное тестирование — сколько запросов система выдерживает при использовании Locust или k6.

Пример таблицы:

Это позволяет сделать выводы: например, "дообучение модели с помощью LoRA улучшает качество генерации, но незначительно увеличивает задержку".

Чему вы научитесь, работая над таким дипломом

• Анализировать реальные кейсы использования ИИ и выделять технические требования.
• Обосновывать выбор архитектуры с опорой на стандарты (ISO/IEC 25010, ГОСТ 34.602-89).
• Работать с современными фреймворками: Hugging Face, PyTorch, FastAPI.
• Проектировать безопасные системы с учётом этических и правовых аспектов.
• Собирать и интерпретировать метрики производительности и качества.
• Оформлять техническую документацию по требованиям вуза.

Как оформить UML-диаграммы в дипломе?

Используйте нотацию UML 2.5. Диаграммы развёртывания и компонентов — обязательно. Экспортируйте из PlantUML или draw.io в PNG с разрешением 300 dpi. Подписывайте как «Рисунок 2.1 — Архитектура системы».

Обязательно ли писать код в дипломе?

Да, особенно если вы на IT-специальности. Достаточно 300–500 строк ключевого кода (API, алгоритм генерации, модуль фильтрации). Остальное — в приложении. Главное — чтобы код был проанализирован в тексте.

Где брать тестовые данные для ИИ-модели?

Используйте открытые датасеты: COCO, LAION-5B (частично), Hugging Face Datasets. Укажите в работе источник и лицензию. Для промптов — сгенерируйте сами, но опишите методику.

Как измерить производительность в дипломе?

Определите ключевые метрики: RPS, latency, потребление GPU. Используйте k6 или Locust для нагрузочного тестирования. Сравните с эталоном (например, базовой моделью). Покажите графики в главе 3.

Источник: Trump’s posting even more AI-generated Trump-Jesus fan art (опубликовано 2026-04-15)