18 марта 2026 года МТС и Институт менеджмента, экономики и агротехнологий Хакасии подписали соглашение о сотрудничестве. Цифровая экосистема будет готовить студентов к работе с искусственным интеллектом и интернетом вещей в сельском хозяйстве. Для ИТ-выпускника это не просто новость, а готовый каркас для дипломного проекта. Ниже — как превратить этот кейс в структуру ВКР, выбрать тему, спроектировать систему и защититься на «отлично».
Обычно студенты пишут «актуальность обусловлена развитием технологий», и это работает плохо. Ссылка на реальное событие делает введение живым и убедительным. В вашем случае достаточно написать:
«Согласно соглашению о сотрудничестве МТС и Института менеджмента, экономики и агротехнологий Хакасии (18.03.2026), подготовка специалистов в области ИИ и IoT становится стратегической задачей для агропромышленного комплекса. Это подтверждает необходимость разработки систем, сочетающих интернет вещей и машинное обучение».
Такая формулировка закрывает сразу три вопроса: почему тема современная, где взята информация, и какой социальный/экономический эффект ожидается. А дальше уже строите проблему: нехватка практических решений, низкая цифровизация малых хозяйств, сложность интеграции датчиков и ML-моделей.
Для ВКР по агротеху важно показать не только код, но и архитектуру. Используйте C4-модель или UML-диаграммы. Минимальный набор: диаграмма контекста (фермер → приложение → облако), контейнерная диаграмма (сервисы, БД, MQTT-брокер), диаграмма развертывания (датчики, шлюз, сервер).
Нормоконтроль: для главы проектирования подойдёт ГОСТ 34.602-2020 (техническое задание), а для оценки качества — ISO/IEC 25010. Так вы показываете, что опираетесь на стандарты, а не на «мне так удобно».
Пример конфигурации для сбора данных с датчиков через MQTT:
# docker-compose.yml
version: '3.8'
services:
broker:
image: eclipse-mosquitto:2
ports:
- "1883:1883"
influxdb:
image: influxdb:2.7
environment:
DOCKER_INFLUXDB_INIT_MODE: setup
DOCKER_INFLUXDB_INIT_ORG: agro
DOCKER_INFLUXDB_INIT_BUCKET: sensors
nodered:
image: nodered/node-red:3
ports:
- "1880:1880"
environment:
MQTT_BROKER: broker
depends_on: [broker]Для интеллектуального ядра ВКР не обязательно обучать нейросеть с нуля. Достаточно взять открытые датасеты погоды и урожайности, добавить данные с эмулятора датчиков. Хороший стек: Python, scikit-learn для классификации/регрессии, LSTM для прогнозов временных рядов.
Не забудьте про воспроизводимость: DVC для данных, MLflow для экспериментов. Это сразу выделит работу на фоне однокурсников. Пример инференса модели на краевом устройстве (Raspberry Pi):
import paho.mqtt.client as mqtt
import joblib
model = joblib.load('irrigation_model.pkl')
def predict_moisture(sensor_data):
# sensor_data: temp, humidity, soil_moisture, light
return model.predict([sensor_data])
client = mqtt.Client()
client.connect('broker', 1883)
client.subscribe('agro/sensors')
# обработка входящих сообщений и вызов predict_moisture()В третьей главе нужно посчитать метрики. Для прогнозирования урожайности — RMSE, MAE, R². Для автоматизации полива — точность классификации (F1-score). Экономический эффект считается через сокращение расхода воды: проценты + абсолютные цифры. Например:
Сравнение с базовым вариантом — это то, что ждут на защите. Если данных с реальных полей нет, используйте данные НИИ и симуляцию, это легально.
| Тема | Актуальность | Цель | Задачи | Структура глав |
|---|---|---|---|---|
| 1. Разработка системы мониторинга микроклимата в теплице на основе IoT и ML | МТС готовит аграриев к использованию ИИ и IoT — значит, на рынке нужны инженеры, умеющие проектировать такие системы | Спроектировать и протестировать систему сбора и анализа данных о температуре, влажности, освещённости | 1) Сравнить датчики и протоколы; 2) Разработать архитектуру; 3) Создать ML-модель прогноза; 4) Реализовать веб-интерфейс | Гл. 1 – анализ, Гл. 2 – проектирование, Гл. 3 – тестирование |
| 2. Прогнозирование урожайности сельхозкультур методами машинного обучения | ИИ в агросекторе — мировой тренд, поддержанный в России программой цифровизации АПК | Построить модель прогнозирования урожайности на основе исторических данных и метеонаблюдений | 1) Собрать и обработать данные; 2) Подготовить признаки; 3) Выбрать алгоритм; 4) Оценить точность | Гл. 1 – обзор предметной области, Гл. 2 – ML-эксперименты, Гл. 3 – оценка результатов |
| 3. Автоматизация полива с помощью IoT и ИИ | Соглашение МТС с хакасским институтом подчёркивает практическую значимость IoT для агропрома | Разработать прототип системы автоматического полива с прогнозным ИИ-контроллером | 1) Выбрать контроллер и исполнительные устройства; 2) Разработать алгоритм управления; 3) Создать прототип; 4) Рассчитать экономию | Гл. 1 – анализ, Гл. 2 – реализация, Гл. 3 – экономическая эффективность |
Используйте открытые данные: метеоархивы OpenWeather, агрономические датасеты с Kaggle, примеры умных теплиц из GitHub. Можно сгенерировать синтетические данные с датчиков и явно указать это в пояснительной записке.
Минимум: Raspberry Pi + датчики, MQTT-брокер, InfluxDB + Grafana, Python-скрипт с моделью. Если нет «железа» — используйте эмулятор Eclipse Paho и симуляцию данных. Это не снизит балл.
Сделайте расчёт по стандарту: капитальные затраты, эксплуатационные, экономия ресурсов и труда, срок окупаемости. Сравните два сценария: без системы и с системой. Добавьте таблицу в главу 3.
Если специальность — «Информационные системы», то диаграммы обязательны. Для «Прикладной информатики» нужны хотя бы описание бизнес-процесса (BPMN) и архитектура. Без них рецензент засчитает работу неполной.
Ошибка 1. Копирование новостной статьи во введение. Рецензенты такое сразу видят. Цитируйте 1–2 предложения, а затем анализируйте последствия для ИТ-отрасли. В тексте выше показан рабочий шаблон.
Ошибка 2. Выдуманные метрики без объяснения. Писать «эффективность повысилась на 30%» недостаточно — нужны исходные данные, методика расчёта и ограничения. Лучше привести честные результаты симуляции: «в эмуляторе из 100 контролируемых ситуаций система корректно сработала в 92 (accuracy = 0.92)».
Ошибка 3. Игнорирование стандартов. ГОСТ 34.602 и ISO/IEC 25010 показывают системный подход. Без них работа выглядит как «ученический проект». Укажите их в обосновании и списке источников.
Нужна помощь с дипломом? Если нужно уложиться в срок, спроектировать архитектуру, написать код или правильно оформить пояснительную записку — пришлите тему на бесплатную консультацию. Помогаем с 2010 года, в том числе по направлениям AI/ML, веб-разработка и DevOps.
Источник: МТС научит будущих аграриев в Хакасии работе с ИИ и интернетом вещей (опубликовано 2026-03-18)