Алгоритмическая ошибка в дипломе: как не повторить кейс полицейского ИИ
В марте 2026 года американка провела полгода в тюрьме из-за ложной идентификации системой распознавания лиц. Преступница снимала деньги по поддельным документам, а ИИ «узнал» невиновную женщину, находившуюся в момент преступления в другом штате. Для студентов IT-специальностей этот случай — не просто новость, а идеальный кейс для ВКР. Он обнажает проблему, которую вы можете решить: как построить архитектуру, которая отлавливает ложные срабатывания моделей машинного обучения до того, как они отправят человека за решётку.
В статье разберём, как превратить этот реальный инцидент в сильную дипломную работу. Вы узнаете, какие темы брать, как обосновать актуальность, какие метрики считать и где вставлять схемы, чтобы защита прошла без вопросов «а почему именно так?». Поехали.
Три темы ВКР на основе кейса
| Тема | Актуальность (отсылка к статье) | Цель | Задачи (3–4) | Структура глав |
|---|---|---|---|---|
| 1. Разработка модуля верификации данных для систем распознавания лиц | Статья показывает: даже современные модели допускают критичные ложные срабатывания. Нужен дополнительный контур проверки. | Спроектировать сервис, который снижает вероятность ложной идентификации до заданного порога (например, precision 0.99) |
|
Гл.1 — анализ ошибок ИИ и стандарты ISO/IEC 25010; Гл.2 — архитектура модуля; Гл.3 — тестирование и экономия |
| 2. Внедрение метрик дрейфа и аномалий в CI/CD пайплайн ML-модели | Полицейский ИИ продолжал ошибаться, потому что не было мониторинга качества. В дипломе вы предложите автоматический «стоп-кран». | Разработать пайплайн с Quality Gate на основе OpenTelemetry, который останавливает деплой при снижении качества |
|
Гл.1 — обзор MLOps и стандартов; Гл.2 — проектирование пайплайна; Гл.3 — экономическое обоснование (снижение убытков от ошибок) |
| 3. Архитектура отказоустойчивого сервиса биометрической идентификации с Explainable AI | Женщина не могла оспорить решение — модель была «чёрным ящиком». Работа с объяснимостью — прямой ответ на кейс. | Спроектировать систему, которая выдаёт не только результат, но и объяснение (LIME/SHAP), а также имеет human-in-the-loop. |
|
Гл.1 — стандарты Explainable AI и юридические аспекты; Гл.2 — архитектура сервиса; Гл.3 — тестирование на открытых датасетах |
Применяем кейс в разделах диплома: конкретика
Аналитическая глава: почему выбрали именно этот стек?
В статье видно: система распознавания работала изолированно, без дополнительных контуров проверки. В своей аналитике вы показываете таблицу сравнения подходов. Например:
| Подход | Precision (точность) | Recall (полнота) | Стоимость внедрения | Соответствие ГОСТ 34.602-89 |
|---|---|---|---|---|
| Только одна CNN модель | 0.92 | 0.88 | Низкая | Не покрывает |
| Ансамбль моделей + Quality Gate | 0.985 | 0.94 | Средняя | Да |
| + Explainable AI + human-in-the-loop | 0.997 | 0.96 | Высокая | Да |
Вывод для диплома: вы показываете, что кейс из статьи — пример failure по всем трём метрикам. Ваша работа предлагает второй или третий вариант. Уже звучит убедительно.
Проектная часть: схемы, алгоритмы, интеграция
Здесь рисуете архитектуру. Обязательно диаграмму развёртывания (deployment diagram) в нотации UML. Покажите, как ваш модуль встраивается между камерой и базой данных полиции. Пример фрагмента кода для quality gate:
# Псевдокод для Quality Gate на основе дрейфа
if ps < THRESHOLD:
trigger_rollback()
send_alert("Дрейф данных превышен. Модель требует переобучения.")
else:
deploy_to_production()Укажите, что используете OpenTelemetry для сбора метрик, а CI/CD пайплайн останавливается при падении precision ниже 0.95 — это прямой ответ на ситуацию из новости.
Тестирование и метрики: нагрузочное тестирование, RTO/RPO
В дипломе обязательно должны быть цифры. Статья даёт вам отличный контекст: ложное срабатывание стоило человеку 6 месяцев свободы. Ваша задача — показать, что ваш сервис снижает вероятность такого исхода. Какие метрики считаем:
- Precision и Recall — базовые для задачи распознавания.
- FPR (False Positive Rate) — именно он привёл к аресту. Цель: снизить до <0.001%.
- RTO (Recovery Time Objective) — если качество упало, сколько времени нужно на rollback? В статье — полгода. У вас — <5 минут.
- RPO (Recovery Point Objective) — какой объём данных теряется при откате. Должен быть близок к нулю.
Где брать тестовые данные? Используйте открытые датасеты: LFW, YouTube Faces, или синтетические сгенерируйте через GAN. В дипломе обязательно укажите источник.
Чему вы научитесь, сделав такую ВКР
- Проектировать архитектуру с Quality Gate и human-in-the-loop
- Работать с OpenTelemetry для мониторинга ML-моделей
- Обосновывать выбор стека через метрики и стандарты (ГОСТ 34, ISO/IEC 25010)
- Писать техническое задание по ГОСТ 34.602-89
- Считать экономический эффект (снижение репутационных рисков и судебных издержек)
⚠️ Типичные ошибки студентов (и как их избежать)
- Подмена терминов: пишут «внедрили нейросеть», но не уточняют, какую (CNN, ResNet, Vision Transformer). Решение: всегда называйте конкретную архитектуру и версию.
- Нет метрик эффективности: диплом превращается в «просто код». Решение: добавьте таблицу с precision, recall, F1, RTO, RPO. Статья даёт вам контекст — используйте его.
- Игнорирование ГОСТ 34.602-89: ТЗ должно быть оформлено по стандарту. Решение: в приложении дайте ТЗ с разделами «Основание для разработки», «Требования к надёжности» и т.д.
Часто задаваемые вопросы
Сложно ли реализовать Quality Gate в дипломе? Не завалят?
Нет, это стандартная практика MLOps. Достаточно реализовать прототип на Python с библиотекой deepchecks или evidently. Для диплома не нужно промышленное решение — покажите концепцию, метрики и диаграммы. Большинство вузов это принимают.
Обязательно ли писать код? У меня гуманитарная специальность.
Если у вас «Прикладная информатика» — код обязателен (хотя бы прототип). Если «Бизнес-информатика» — достаточно архитектурных схем и ТЗ. Уточните в своём вузе. В любом случае, можете заказать диплом с готовой реализацией.
Как оформить UML-диаграммы, чтобы не придрались?
Используйте нотацию UML 2.5. Обязательно: диаграмма вариантов использования (use case), диаграмма деятельности (activity), диаграмма развёртывания (deployment). Инструменты: Draw.io, PlantUML. Не рисуйте от руки.
Где брать данные для тестирования, если нет доступа к полицейским базам?
Открытые датасеты: LFW (Labeled Faces in the Wild), CelebA, или сгенерируйте синтетические лица через StyleGAN. Укажите это в дипломе как ограничение. Никогда не используйте реальные фото людей без согласия.
✅ Чек-лист «Что проверить перед сдачей»
- 🔲 В каждом разделе есть отсылка к статье (актуальность, проблема, решение)
- 🔲 Таблица сравнения подходов или метрик
- 🔲 UML-диаграммы (минимум 3: use case, activity, deployment)
- 🔲 Фрагмент кода с quality gate или explainable AI
- 🔲 Расчёт RTO/RPO (даже приблизительный)
- 🔲 ТЗ оформлено по ГОСТ 34.602-89 (в приложении)
- 🔲 Выводы соответствуют задачам (не пишите лишнего)
- 🔲 Проверка на антиплагиат (оригинальность ≥70%)
🎯 Хотите такую же структуру для своей темы? Мы подготовим план ВКР за 1 день. 120 часов — среднее время работы над дипломом с нашим куратором. Оставьте заявку на бесплатную консультацию — поможем с любой темой, включая распознавание лиц, CI/CD и архитектуру.
Источник: Американка полгода просидела в тюрьме, потому что ее оговорил полицейский ИИ (опубликовано 2026-03-16)