Опубликовано: 14.10.2026 | Источник: TechCrunch

Ниже — семантический анализ, затем готовый HTML-код статьи. **Семантический анализ** 1. **Основной поисковый запрос:** архитектура ИИ-ассистента в социальной платформе для ВКР. 2. **LSI-запросы:** микросервисная архитектура, очередь событий Kafka, gRPC/REST API, LLM-инференс, векторная база pgvector, feature flags, OpenTelemetry, rate limiting, RBAC, семантический кэш, A/B-тестирование, ГОСТ 34.602-2020, ISO/IEC 25010, 152-ФЗ. 3. **Вопросы студентов:** «Как измерить эффективность ИИ-функции в дипломе?», «Обязательно ли разворачивать модель локально?», «Где брать данные для тестов?», «Как обосновать выбор стека, а не просто перечислить библиотеки?», «Нужно ли описывать этические риски ИИ в ВКР?». 4. **Ключевые сущности:** ГОСТ 34.602-2020, ISO/IEC 25010, Kubernetes, OpenTelemetry, CI/CD-пайплайн, PostgreSQL + pgvector, 152-ФЗ. ```html

ИИ-ассистент в социальной платформе для ВКР: архитектура модерации и метрики доверия

В конце марта 2026 года Bluesky включила ИИ-инструмент Attie, который генерирует и подсказывает контент прямо в ленте. Реакция оказалась показательной: за несколько дней более 125 000 пользователей заблокировали аккаунт инструмента. По количеству блокировок Attie обошёл практически всех — кроме J.D. Vance. Формально это PR-история, но технически это готовый кейс для выпускной работы: здесь есть архитектура инференса, маркировка ИИ-контента, телеметрия поведения пользователей и метрика отторжения, которую можно посчитать.

Для выпускника ИТ-направления ценность в другом: отрасль переходит от вопроса «умеет ли система генерировать» к вопросу «принимает ли её пользователь». Это меняет состав требований, набор диаграмм и то, что вы выносите в раздел тестирования. Поэтому ниже — не пересказ новости, а разбор того, как из неё собрать защищаемую ВКР.

Три темы ВКР, которые вырастают из этого кейса

Тема 1. Сервис маркировки и модерации ИИ-сгенерированного контента

Актуальность. 125 тысяч блокировок за считанные дни — это запрос аудитории на прозрачность: пользователь хочет понимать, где ИИ, и уметь его выключить. Регуляторика движется туда же (маркировка синтетического контента, требования 152-ФЗ к обработке данных).

Цель: спроектировать сервис, который помечает, фильтрует и отключает ИИ-контент на уровне платформы, не ломая основной поток публикаций.

Задачи: проанализировать существующие подходы к маркировке; спроектировать схему данных и события маркировки; реализовать прототип с feature flags; оценить накладные расходы по задержке и нагрузке.

Структура: Глава 1 — анализ стандартов и аналогов; Глава 2 — архитектура сервиса, диаграммы компонентов и последовательностей; Глава 3 — нагрузочное тестирование, расчёт стоимости инфраструктуры, оценка эффекта на метрики вовлечённости.

Тема 2. Метрики доверия пользователей к ИИ-функции: телеметрия и A/B-оценка

Актуальность. Кейс Attie показывает: классические метрики (DAU, время в приложении) не описывают отторжение. Нужна отдельная система измерений — block rate, mute rate, доля отключений ИИ-режима, retention после включения функции.

Цель: построить подсистему сбора и визуализации метрик доверия к ИИ-функции и проверить её на смоделированных данных.

Задачи: формализовать набор метрик; спроектировать схему событий; настроить сбор через OpenTelemetry и хранилище временных рядов; провести A/B-эксперимент на тестовом контуре.

Структура: Глава 1 — обзор ISO/IEC 25010 и метрик качества в применении к ИИ; Глава 2 — проектирование пайплайна телеметрии; Глава 3 — эксперимент, статистическая значимость, интерпретация для продукта.

Тема 3. Экономика инференса: локальная модель против внешнего API

Актуальность. Массовая функция в социальной платформе упирается в стоимость запроса к модели. Обоснование «берём облако, потому что удобно» на защите не работает.

Цель: сравнить варианты организации инференса по задержке, стоимости, требованиям к данным и сложности эксплуатации.

Задачи: собрать модель нагрузки; рассчитать стоимость на 1000 и 1 млн запросов; спроектировать гибридную схему с кэшем; описать развёртывание в Kubernetes.

Структура: Глава 1 — теория, обзор подходов к инференсу; Глава 2 — архитектура гибридного шлюза; Глава 3 — расчёт TCO, стресс-тест, сравнение сценариев.

Чему вы научитесь, пока будете это делать

• Проектировать не «приложение с ИИ», а подсистему с очередями, ретраями и деградацией.
• Обосновывать выбор стека числами: задержка, стоимость запроса, требования к хранению персональных данных.
• Считать продуктовые метрики инженерно — через события, а не через скриншоты интерфейса.
• Оформлять документацию так, чтобы она проходила проверку на соответствие ГОСТ 34.602-2020 без переписывания.
• Различать требования функциональные и нефункциональные — и выносить вторые в отдельную таблицу, а не в приложение.

Аналитическая глава: сравнение решений и обоснование стека

Самая частая слабость первого раздела — перечисление технологий вместо выбора. Работает простая схема: сначала формулируете 4–5 критериев (задержка, стоимость, требования к персональным данным, сложность сопровождения, отказоустойчивость), затем прогоняете по ним 3 альтернативы и фиксируете выбор таблицей. Именно здесь кейс Attie даёт аргумент: функция, вызывающая массовое отторжение, должна уметь отключаться точечно, а значит, архитектура обязана поддерживать раздельное включение для сегментов аудитории.

Тот же приём годится для выбора брокера событий и способа хранения эмбеддингов — достаточно не менять критерии от таблицы к таблице.

Проектная часть: схемы, алгоритмы, интеграция

Компоненты и поток событий

Рабочая декомпозиция для такой подсистемы: шлюз запросов (аутентификация, лимиты, проверка флагов) → очередь (Kafka или RabbitMQ) → воркеры инференса → сервис маркировки → хранилище метаданных. Отдельным контуром идёт телеметрия: события клиента и сервера уходят в сборщик метрик, оттуда — на дашборды. Такой поток хорошо ложится на диаграмму компонентов и на диаграмму последовательности: у вас появляется естественный сценарий «пользователь заблокировал ИИ-агента — что происходит дальше».

# фрагмент воркера: маркировка и учёт реакции пользователя
def handle_generated_post(event, flags, metrics):
    if not flags.is_enabled("ai_assistant", user_id=event.user_id):
        return skip(reason="disabled_by_user")

    post = llm_client.generate(event.prompt, timeout=1.5)
    post.label = "ai_generated"
    metrics.increment("ai_posts_labeled_total")

    # реакция аудитории — отдельный поток событий
    if event.type == "user_blocked_agent":
        metrics.increment("ai_agent_blocks_total")
        return freeze_agent(user_id=event.user_id, ttl_hours=24)

Схема данных и маркировка

Минимальный набор сущностей: ai_agent, generated_content (с признаком источника), user_consent (кто разрешил, кто отключил), moderation_event (блокировка, жалоба, скрытие). Отдельно стоит предусмотреть поле версии модели: без него вы не докажете на защите, что рост блокировок связан именно с обновлением модели, а не с сезонным поведением аудитории.

Тестирование и метрики: block rate как инженерная величина

Это раздел, где большинство работ проседает. Вместо «система протестирована, работает стабильно» покажите таблицу метрик с формулами и целевыми значениями. За основу удобно взять характеристики качества из ISO/IEC 25010 и дополнить их продуктовыми показателями, которые прямо следуют из истории Attie.

Нагрузочное тестирование описывайте сценариями: одиночная публикация, всплеск при вирусном посте, деградация при недоступности провайдера модели. Для каждого — входные данные, ожидаемое поведение, фактический результат. Незакрытым оставьте вопрос деградации: система без ИИ должна продолжать работать, и это надо показать отдельным тестом.

Вопросы, которые задают чаще всего

Насколько сложна такая тема в реализации за один семестр?

Если ограничиться прототипом, укладывается. Реалистичный минимум: шлюз с проверкой флагов, очередь, один воркер, хранилище метаданных, дашборд с тремя метриками. Модель можно подключить через внешний API — защищается архитектура и измеримость, а не размер модели.

Обязательно ли писать рабочий код?

Требования вузов различаются, но при защите проекта работа без прототипа уязвима: нечего показать в разделе тестирования. Компромисс — функциональный прототип на упрощённых данных плюс подробные схемы и расчёты.

Где брать данные для тестов?

Открытые датасеты публикаций, синтетически сгенерированный поток событий или обезличенная выгрузка, согласованная с кафедрой. Обязательно опишите процедуру обезличивания — это отдельный плюс к работе с персональными данными.

Нужно ли описывать этические риски ИИ?

Да, и кейс Attie — хороший аргумент. Достаточно одного подраздела: риски (навязывание контента, потеря доверия, утечка данных), меры (маркировка, отключаемость, аудит). Это переводит работу из «сделал кнопку» в «спроектировал систему с учётом последствий».

Источник: Bluesky’s new AI tool Attie is already the most blocked account other than J.D. Vance (опубликовано 2026-03-30)

Последнее обновление: 2026-10-14 ```