30 марта 2026 года Банк России, ещё год назад отрицавший масштабное внедрение ИИ, вышел на рынок с поиском российской системы управления промышленными GPU-кластерами — аналога израильской Run:ai, за прототип которой NVIDIA заплатила около $700 млн. Для выпускника ИТ-направления это не просто новость из ленты. Это индикатор того, что задачи класса «scheduler для GPU» переходят из фазы экспериментов в промышленную эксплуатацию — а значит, у них появляется нормативная база, требования к метрикам, документации и отказоустойчивости. И всё это можно превратить в сильную, защищаемую ВКР, а не в очередной реферат про «нейросети в банках».
Ниже — не список «актуальных тем», а разбор того, как техническое событие становится каркасом дипломной работы: что писать в аналитической главе, чем обосновывать стек, какие метрики считать и где брать данные, если реального кластера на 64 GPU у тебя нет.
Смотри, в чём логика. Нейросеть сама по себе — плохой объект дипломного исследования: слишком много готовых библиотек, слишком мало инженерных решений на твоём уровне. А вот инфраструктура под нейросети — это зона, где решений нет «из коробки», где нужно считать, сравнивать, проектировать и защищать компромиссы.
Актуальность. Запрос Банка России на аналог Run:ai показывает: проблема не в отсутствии GPU, а в их простое. Дорогой ускоритель, простаивающий между задачами, — это прямые финансовые потери, и именно их устраняет планировщик.
Цель: разработать архитектуру планировщика, обеспечивающего разделение одного физического GPU между несколькими задачами с заданными гарантиями по памяти и вычислительным блокам.
Задачи:
Структура: глава 1 — анализ рынка решений оркестрации GPU и обзор Run:ai как референсной архитектуры; глава 2 — проектирование (диаграммы компонентов, алгоритм планирования, схема очередей); глава 3 — реализация прототипа, тестирование, расчёт экономического эффекта.
Актуальность. Прямая цитата из новостного фона: «клонов Run:ai в России пока не изобрели, но похожие решения есть». Это готовая постановка задачи сравнения — и она востребована ровно потому, что организации вроде Банка России сейчас такой выбор делают.
Цель: сформировать методику выбора платформы оркестрации GPU для предприятия с учётом требований импортозамещения и класса нагрузки.
Задачи:
Структура: глава 1 — теория: классы планировщиков, модели лицензирования, реестр отечественного ПО; глава 2 — методика и матрица критериев; глава 3 — расчёты, сценарии внедрения, экономика владения.
Актуальность. Промышленное масштабирование нейросетей (о котором говорит интерес Центробанка к подобным решениям) невозможно без наблюдаемости: нужно видеть, кто и сколько ресурсов потребляет, иначе стоимость ИИ-инфраструктуры становится неуправляемой.
Цель: разработать подсистему сбора и визуализации метрик GPU-кластера с расчётом показателей эффективности и алертингом по порогам.
Задачи:
Структура: глава 1 — обзор систем мониторинга и стандартов наблюдаемости; глава 2 — проектирование архитектуры сбора метрик; глава 3 — конфигурация, эксперимент, интерпретация результатов.
Это место, где 80% студентов теряют баллы. Перечисление «мы выбрали Kubernetes, потому что он популярный» — не обоснование. Обоснование — это матрица критериев, веса, альтернативы и явно сформулированные ограничения.
Опирайся на статью: у Центробанка есть задача — заменить Run:ai. Значит, в аналитической главе ты можешь развернуть сравнение по параметрам, которые важны именно заказчику: лицензионная политика, поддержка отечественного железа, возможность доработки, наличие в реестре российского ПО.
| Решение | Модель распространения | Сильные стороны | Ограничения | Когда уместно в ВКР |
|---|---|---|---|---|
| Run:ai (референс из статьи) | Проприетарное, теперь часть NVIDIA | Зрелая квотирование, очереди, интеграция с Kubernetes | Лицензия, санкционные риски, закрытый код | Как эталон для сравнения, не как решение к внедрению |
| Slurm + GRES | Open source | Проверен в HPC, точное планирование, низкий оверхед | Слабая облачная нативность, отдельный контур от web-сервисов | Если нагрузка — пакетное обучение |
| Kubernetes + Kueue + device plugin | Open source | Единый контур с сервисами, очереди, GPU-квоты | Требует настройки, нет изоляции памяти «из коробки» | Смешанная нагрузка: инференс + обучение |
| Kubeflow / KServe | Open source | Полный ML-пайплайн, удобная подача инференса | Тяжёлый, много компонентов, высокий порог входа | Когда нужен сквозной MLOps-сценарий |
Совет из практики: рядом с таблицей всегда ставь абзац «почему отвергнуты остальные варианты». Именно он показывает, что ты выбирал, а не копировал.
Вторая глава — это не скриншоты консоли. Минимум, который ожидает комиссия:
Ниже — фрагмент конфигурации очереди с гарантированными квотами. Такой листинг отлично закрывает вопрос «где у тебя код?», если комиссия требует артефакты реализации.
apiVersion: kueue.x-k8s.io/v1beta1
kind: ClusterQueue
metadata:
name: gpu-queue
spec:
namespaceSelector: {}
resourceGroups:
- coveredResources: ["cpu", "memory", "nvidia.com/gpu"]
flavors:
- name: a100
resources:
- name: "nvidia.com/gpu"
nominalQuota: 8
- name: "cpu"
nominalQuota: 128
- name: "memory"
nominalQuota: 512Gi
Пояснение к листингу обязательно. Что такое nominalQuota, почему 8, откуда взялись 128 CPU и 512 GiB — это либо замеры на пилоте, либо обоснованные допущения из технического задания. Пустых чисел в проектной главе быть не должно.
Ещё одна типичная слабость. Студент пишет «система работает корректно» и считает главу закрытой. Корректно — это не метрика. Вот набор показателей, который делает третью главу защищаемой.
| Показатель | Инструмент съёма | Формула / способ расчёта | Ориентир для защиты |
|---|---|---|---|
| Утилизация GPU | DCGM Exporter | Среднее по времени, агрегация по узлам и вендорам задач | Рост относительно базового режима «один GPU — одна задача» |
| Время ожидания в очереди | Метрики планировщика | P50 / P95 от постановки задачи до выделения ресурса | Снижение на смешанной нагрузке |
| Пропускная способность | Журнал заданий | Число завершённых задач в час при фиксированном парке GPU | Прирост без закупки железа |
| MFU (доля полезных вычислений) | Профилировщик фреймворка | Отношение достигнутых FLOP/s к пиковым для модели | Сравнение режимов изоляции MIG и time-slicing |
| RTO / RPO | Сценарий отказа узла | Время восстановления сервиса и объём потерянных данных | Обязательно при заявлении отказоустойчивости |
| Стоимость GPU-часа | Расчётная модель | Амортизация + энергопотребление, делённые на полезную загрузку | Экономический раздел главы 3 |
Если реального парка GPU нет — и это нормальная ситуация для ВКР — не выдумывай замеры. Опиши стенд как эмуляцию: ограничение по ресурсам через device plugin, синтетическая нагрузка, модель масштабирования. Честная методика без железа защищается лучше, чем красивые цифры непонятного происхождения.
Типичные ошибки, которые срезают баллы
Нет. Достаточно воспроизводимого стенда: один узел с GPU или даже эмуляция через ограничение ресурсов. Ключевое — описанная методика эксперимента и признание ограничений. В выводах прямо укажи, как результаты масштабируются на парк из N ускорителей.
Публичные датасеты и открытые модели для генерации нагрузки: обучение небольшой модели на стандартном наборе данных, параллельно — синтетический инференс. Так ты получаешь воспроизводимый сценарий, который комиссия сможет повторить.
Зависит от кафедры. Практика такая: листинги выносят в приложения, а в тексте оставляют только ключевые фрагменты с пояснениями. Если ты решаешь как написать ВКР технического профиля, наличие работающего прототипа почти всегда усиливает защиту — но ценность не в объёме кода, а в обоснованности решений.
Используй нотацию корректно: компоненты — через интерфейсы, последовательности — с явными сообщениями и временными рамками. Каждый рисунок должен иметь подпись и быть упомянут в тексте до своего появления. Схемы алгоритмов — по ГОСТ 19.701-90.
Чек-лист перед сдачей работы
Если тема с GPU-кластером кажется слишком объёмной для самостоятельной реализации — это нормально, инфраструктурные работы всегда требуют больше времени, чем кажется на старте. У нас есть 120 часов на проработку: поможем сформулировать задачи, собрать аналитическую главу и подготовить прототип. Первая консультация — бесплатно, разберём вашу тему и скажем, что реально успеть к защите. Оставить заявку можно, если планируете заказать диплом или отдельные разделы — от обзора литературы до экономической части.
Источник: Центробанк проговорился о масштабном внедрении нейросетей в работу. Ему понадобился аналог израильского ПО (опубликовано 2026-03-30)