Согласно данным Интерпола, использование нейросетей в телефонном мошенничестве подняло прибыль атакующих в 4,5 раза. Обычные фильтры и чёрные списки тут бессильны: ИИ генерирует диалоги, которые невозможно отличить от речи реального оператора. Для выпускника ИТ-направления это не просто новость из раздела безопасности, а готовая тема ВКР. Если вы проектируете системы, связанные с голосовыми сервисами, банковскими транзакциями или анализом трафика, кейс с ИИ-мошенничеством позволяет показать актуальность работы, обосновать выбор нейросетей и спроектировать защиту. В этой статье — как именно интегрировать этот сюжет в диплом: от формулировки задач до тестирования.
Актуальность: рост прибыли ИИ-атак (4,5x по данным Интерпола) делает ручную модерацию и классические антифрод-правила неэффективными.
Цель: спроектировать модуль, который классифицирует звонки как мошеннические с помощью анализа речи и текста.
Задачи:
Структура: Глава 1 — анализ угроз и существующих решений; Глава 2 — проектирование архитектуры; Глава 3 — тестирование и экономическая эффективность.
Актуальность: ИИ-мошенники адаптируются к правилам быстрее, чем обновляются сигнатуры. 4,5x прибыли означает появление новых паттернов, которые не видны классическим скорингам.
Цель: разработать модель обнаружения аномалий в транзакциях с использованием автоэнкодеров или градиентного бустинга.
Задачи:
Структура: Глава 1 — обзор методов; Глава 2 — проектирование сервиса; Глава 3 — тестирование и оценка экономического эффекта.
Актуальность: телефонные мошенники используют ИИ для имитации голоса. VoIP-операторы должны учитывать новые риски при проектировании архитектуры.
Цель: провести анализ уязвимостей VoIP-стека и предложить архитектурные меры защиты.
Задачи:
Структура: Глава 1 — теоретический анализ, Глава 2 — моделирование угроз, Глава 3 — экономика внедрения.
В первой главе ВКР нужно показать, что проблема существует. Ссылка на отчёт Интерпола — обязательна: она даёт свежий статистический факт, на который можно опираться при формулировке актуальности. Сравните традиционные методы защиты и современные ML-подходы. Это станет основой для обоснования выбора стека.
| Критерий | Rule-based (правила, списки) | ML-детектирование (нейросети) |
|---|---|---|
| Адаптивность к новым атакам | Низкая, требует ручного обновления | Высокая, переобучение на новых данных |
| Производительность на больших потоках | Хорошая | Зависит от архитектуры и оптимизации |
| Стоимость эксплуатации | Низкая | Выше из-за GPU/CPU, но с окупаемостью |
| Обнаружение сложных паттернов | Не справляется | Справляется, включая дипфейки и синтез речи |
Не забудьте упомянуть стандарты: ГОСТ 34.602-89 — для технического задания, ISO/IEC 25010 — для оценки качества ПО. Например, в разделе «Функциональная пригодность» можно описать, как ваша система закрывает требование по детектированию ИИ-атак.
Во второй главе опишите архитектуру. Типовой пайплайн для антифрода выглядит так: входной поток → предобработка → инференс модели → принятие решения → интеграция с существующей инфраструктурой. Для голосовых вызовов добавьте модуль транскрибации (speech-to-text) и анализа тональности.
Схему можно оформить как UML-диаграмму компонентов или последовательности. Для развёртывания используйте Docker и Kubernetes: это покажет, что вы умеете проектировать современные распределённые системы. Для сбора метрик и трейсов подключите OpenTelemetry — это даст прозрачность при нагрузочном тестировании.
Пример вызова модели классификации текста:
from transformers import pipeline
model = pipeline("text-classification", model="bert-base-multilingual-cased")
result = model("Здравствуйте, это служба безопасности вашего банка...")
print(result) # [{'label': 'MOSHENNIK', 'score': 0.93}]Обосновывая стек, укажите: PyTorch/TensorFlow для обучения, FastAPI для обёртки модели, PostgreSQL/ClickHouse для хранения логов, Kubernetes для оркестрации. Не забывайте про CI/CD — автоматизация тестирования и деплоя покажет ваш уровень как инженера.
В третьей главе приведите метрики. Для классификатора — precision, recall, F1, AUC-ROC. Для продакшн-системы — latency (допустимый порог для распознавания звонка — до 500 мс) и throughput.
Добавьте метрики отказоустойчивости — RTO/RPO. Например, RTO = 4 часа, RPO = 1 час. Это показывает, что вы проектируете систему с учётом бизнес-требований. Экономический эффект можно оценить, опираясь на данные Интерпола: если система снижает количество успешных атак хотя бы на 10%, то при средней прибыли мошенников в 4,5 раза выше обычной — выгода для компании очевидна.
Не обязательно. Если вы берёте аналитическую тему (например, анализ VoIP-уязвимостей), достаточно провести исследование и сформулировать рекомендации. Но если тема связана с разработкой, код обязателен. В любом случае, наличие прототипа или хотя бы Jupyter Notebook с обучением модели сделает защиту убедительнее.
Используйте открытые датасеты: Mozilla Common Voice, LibriSpeech для аудио; кредитные транзакции — Kaggle Credit Card Fraud Detection. Если данных мало, генерируйте синтетические: изменяйте тембр голоса, добавляйте шум, смешивайте фрагменты.
Любым удобным инструментом: draw.io, PlantUML, Lucidchart. Главное — единый стиль, подписи и соответствие ГОСТ 2.701-84. Для диплома достаточно 2–3 диаграмм: компонентов, последовательности и развёртывания.
Защита будет проще благодаря актуальности. Готовьте живое демо: загрузите тестовый звонок, покажите, как модель выделяет мошеннический паттерн. И обязательно свяжите выводы с задачами, которые вы ставили во введении — это стандартное требование комиссии.
Не хватает времени на реализацию? Средняя ВКР по IT требует около 120 часов работы. Если вам нужна ВКР на заказ или помощь с дипломом — первая консультация у нас бесплатная. Мы поможем с темой, архитектурой, кодом и оформлением.
Источник: Нейросети наконец повысили производительность труда. Жаль, что только у телефонных мошенников (опубликовано 2026-03-17)