Опубликовано: 11.08.2026 | Источник: ComNews

Регулирование ИИ в выпускной работе: проектирование, стандарты и оценка рисков

В марте 2026 года Госдума одобрила концепцию законопроекта, регулирующего искусственный интеллект в России, и направила рекомендации в правительство. Это не просто новость для юристов — это сигнал для студентов ИТ-направлений. Уже сейчас при разработке дипломных проектов, связанных с ИИ, приходится учитывать будущие требования к прозрачности алгоритмов, безопасности данных и ответственности за принятые решения. В этой статье разберём, как использовать новость о законопроекте в вашей ВКР: от формулировки актуальности до конкретных метрик и архитектурных решений.

Темы ВКР, которые становятся актуальными благодаря законопроекту

1. Разработка сервиса проверки ИИ‑систем на соответствие требованиям законодательства

Актуальность: после принятия закона каждая организация, внедряющая ИИ, будет обязана подтверждать соответствие системы нормативным требованиям. Сервис автоматической проверки станет востребованным продуктом.

Цель: создать прототип веб‑сервиса, который анализирует документацию и логи работы ИИ‑системы на соответствие концепции законопроекта.

Проанализировать концепцию законопроекта и выделить формализуемые требования;
Спроектировать архитектуру сервиса (модуль сбора данных, модуль анализа, модуль отчётов);
Реализовать прототип с использованием Kubernetes для развёртывания и OpenTelemetry для трассировки проверок;
Провести тестирование на синтетических данных и оценить производительность.

Структура: Глава 1 — анализ нормативных документов и существующих решений; Глава 2 — проектирование архитектуры и выбор стека; Глава 3 — реализация, тестирование, экономическая оценка.

2. Адаптация архитектуры ИИ‑системы под регуляторные требования

Актуальность: законопроект требует объяснимости решений и контролируемости ИИ. Именно архитектурные изменения позволяют обеспечить эти свойства.

Цель: разработать план и прототип модернизации существующей ИИ‑системы (например, системы рекомендаций) для соответствия будущему законодательству.

Выполнить сравнительный анализ требований законопроекта и атрибутов качества ISO/IEC 25010;
Спроектировать дополнительные компоненты: журнал аудита, модуль объяснения решений, интерфейс вывода;
Интегрировать OpenTelemetry для сбора метрик и трейсов в Kubernetes;
Оценить влияние изменений на производительность и стоимость сопровождения.

Структура: Глава 1 — анализ требований и текущего состояния; Глава 2 — архитектурное проектирование; Глава 3 — реализация, нагрузочное тестирование и выводы.

3. CI/CD‑пайплайн для ИИ‑сервисов с автоматическим формированием регуляторной документации

Актуальность: закон требует, чтобы было понятно, на каких данных обучалась модель, какие версии использовались и какова логика решений. Автоматизировать этот процесс можно через пайплайн.

Цель: создать конвейер непрерывной поставки, который генерирует отчёты о данных, версиях моделей и параметрах обучения.

Изучить требования к воспроизводимости и прозрачности ИИ‑систем;
Спроектировать пайплайн с использованием Docker и Kubernetes для изолированных сред;
Реализовать генерацию манифестов и отчётов на каждом этапе;
Проверить работу на учебном проекте и замерить длительность пайплайна.

Структура: Глава 1 — обзор подходов к регулированию и CI/CD; Глава 2 — архитектура и реализация; Глава 3 — тестирование и экономика внедрения.

Как использовать статью в разделах диплома

Аналитическая глава: сравнение решений и обоснование стека

В аналитической главе нужно показать, что вы понимаете контекст. Используйте новость о законопроекте как отправную точку: укажите, что к 2026 году в России формируется нормативная база, аналогичная европейскому AI Act. Сравните подходы к регулированию, а затем перейдите к техническим требованиям:

прозрачность алгоритмов — возможность логировать каждый запрос;
безопасность данных — шифрование, контроль доступа;
ответственность — версии моделей и воспроизводимость.

Пример таблицы для сравнения подходов к регулированию:

Аспект	ЕС (AI Act)	Россия (концепция)
Объяснимость решений	Обязательна для высокорисковых систем	Введено требование логирования и интерпретации
Ответственность за ущерб	Возложена на оператора	Распределяется между разработчиком и оператором
Требования к данным	Качество и отсутствие предвзятости	Аналогично, плюс требование о национальной инфраструктуре данных

Такое сравнение обосновывает выбор стека: если нужно обеспечить логирование и мониторинг, используем OpenTelemetry; для масштабируемости — Kubernetes; для воспроизводимости — контейнеры и CI/CD. Это логично перетекает в проектную часть.

Проектная часть: схемы, алгоритмы, интеграция

В проектной части важно показать, как именно ваша система соответствует требованиям. Вот пример фрагмента проектирования для темы №2:

sequenceDiagram
    actor Пользователь
    participant API
    participant AuthService
    participant AuditModule
    participant ML_Engine
    User->>API: Запрос с данными
    API->>AuthService: Проверка токена
    AuthService-->>API: OK
    API->>ML_Engine: Получение решения
    ML_Engine->>AuditModule: Лог: версия модели, параметры, контекст
    AuditModule-->>API: Идентификатор аудита
    API-->>User: Ответ + explanation_id

Такая схема показывает, что вы учли требование объяснимости: каждое решение можно «разобрать» по журналу аудита. В проектной части опишите также деплой на Kubernetes: манифесты для баз данных, подов с моделями и серверов OpenTelemetry Collector.

Тестирование и метрики

Для оценки системы используйте метрики, которые будут понятны и техническому руководителю, и потенциальному «проверяющему» со стороны законодательства:

Производительность: среднее время ответа API, P95, P99 (например, до 300 мс в норме);
Надёжность: RTO (целевое время восстановления) и RPO (точка восстановления) — если вы используете Kubernetes, можно обосновать RTO = 5 минут, RPO = 1 минута;
Объяснимость: процент решений, для которых сформировано внятное текстовое объяснение (например, ≥ 95%);
Соответствие стандартам: полнота покрытия требований ISO/IEC 25010 (функциональность, надёжность, производительность).

Нагрузочное тестирование можно провести с помощью k6 или JMeter, а собирать метрики — через OpenTelemetry в Prometheus/Grafana. В экономической части диплома оцените стоимость внедрения по сравнению с потенциальными штрафами за несоответствие закону — это добавит практической ценности.

Чему вы научитесь

Выполняя такую ВКР, вы освоите навыки, которые действительно запрашивают работодатели:

анализ нормативной базы и перевод юридических требований в технические спецификации;
проектирование архитектуры с учётом требований безопасности и объяснимости;
работа с Kubernetes и OpenTelemetry, настройка CI/CD для моделей машинного обучения;
оформление технического задания по ГОСТ 34.602-89 и оценка качества по ISO/IEC 25010.

Типичные ошибки студентов

Ошибка 1. Простое упоминание закона в введении и ничего в основной части.
Как избежать: выделите в аналитической главе отдельный подраздел «Анализ требований к ИИ-системам», где детально разберите концепцию и определите, какие из требований влияют на архитектуру вашей системы.

Ошибка 2. Нет метрик эффективности.
Как избежать: в главе «Тестирование» приведите конкретные числа: количество запросов в секунду, P95, долю объяснённых решений. Это превращает «соответствие закону» в проверяемый технический критерий.

Ошибка 3. Игнорирование стандартов оформления.
Как избежать: используйте ГОСТ 34.602-89 для ТЗ, а требования к качеству — по ISO/IEC 25010. Наличие структурированного ТЗ и таблицы соответствия атрибутам качества повышает оценку на защите.

Частые вопросы

Обязательно ли писать код в такой ВКР?

Не обязательно. Темы №1 и №2 можно выполнить как аналитико‑проектные: если вы предложите архитектуру и обоснуете её с помощью диаграмм, расчётов и макетов, это засчитывается как полноценная работа. Код добавляет вес, поэтому лучше реализовать хотя бы прототип одного модуля.

Как измерить производительность и надёжность в дипломах по ИИ?

Используйте нагрузочное тестирование через Apache JMeter или k6. Для ИИ-системы дополнительно замеряйте качество предсказаний (accuracy, precision, recall) и скорость ответа. Для отказоустойчивости — метрики RTO/RPO. Если доступна инфраструктура, можно использовать Kubernetes и симулировать отказ пода.

Где брать данные для тестирования?

Открытые датасеты: Kaggle, UCI ML Repository, российские открытые данные (data.gov.ru). Для автоматизации проверки используйте синтетические данные, которые создаются скриптом с заданным распределением — так проще демонстрировать, что система «замечает» нарушения.

Как оформить UML‑диаграммы в соответствии с ГОСТ?

Основные требования: имя диаграммы, подписи элементов, однозначность типов стрелок. Используйте UML для отражения структуры системы (диаграмма классов) и логики работы (диаграмма последовательности). В тексте поясняйте каждый элемент — это важнее, чем строгое следование нотации.

Чек-лист «Что проверить перед сдачей»

Ссылка на новость о законопроекте есть в введении и в списке источников;
Каждая задача в работе соответствует выводу в заключении;
Есть хотя бы одна схема архитектуры (диаграмма развёртывания, последовательностей или компонентов);
Указаны метрики производительности и/или надёжности с результатами замеров;
Оформлено техническое задание по ГОСТ 34.602-89 (для проектных тем);
Список литературы включает не менее 15–20 источников, включая нормативные документы и стандарты ISO/IEC 25010.

Материал подготовлен экспертами компании Adaptive IT Help. Мы помогаем студентам с дипломными работами с 2010 года: от анализа требований до оформления пояснительной записки. Если вам нужна помощь с дипломом — обращайтесь, разберём вашу тему и предложим план.

Последнее обновление: 2026-08-11

Если вы читаете это на днях до дедлайна — не паникуйте. Мы помогаем даже с самыми сложными темами: от «написать ВКР по ИИ» до «адаптировать существующий проект под новые требования». Консультация бесплатная, все детали обговариваются индивидуально. Обращайтесь, если хотите защититься без лишних стрессов.

Источник: В Думе одобрили концепцию законопроекта по ИИ и направили рекомендации в кабмин (опубликовано 2026-03-17)