ВведениеСовременный этап цифровизации экономики характеризуется переходом от простой автоматизации рутинных задач к созданию систем, способных к анализу, прогнозированию и адаптации. Для выпускников направления 09.03.02 «Информационные системы и технологии» профиля «Интеллектуальные информационные системы» это означает, что ключевым требованием рынка труда становится не столько знание языков программирования, сколько владение методами машинного обучения (ML), нейросетевыми технологиями и инструментами анализа больших данных. Как отмечает С.В. Лапский, современные тенденции в разработке программного обеспечения требуют от разработчиков принципиально иных компетенций [1]. Некоторые из аспектов и перспектив развития интеллектуальных информационных систем в профессиональной инженерной среде, а также практический опыт по междисциплинарной интеграции рассматриваемого бакалаврского направления отражены в работах [2] и [3].
В этой связи выпускная квалификационная работа перестает быть просто демонстрацией навыков кодинга. Она становится интегральным индикатором готовности выпускника к решению сложных, слабоструктурированных профессиональных задач. Однако сложившаяся практика руководства ВКР зачастую наследует подходы, характерные для разработки детерминированных информационных систем (ИС), что вступает в противоречие с природой современных ИИ-проектов.
Цель данной статьи — выявить и систематизировать методические особенности организации ВКР, обеспечивающие эффективное формирование и объективную оценку профессиональных компетенций выпускников в области интеллектуальных систем. Для достижения цели необходимо решить следующие задачи: проанализировать структуру профессиональных компетенций, выделить типы ВКР, описать этапы их методического сопровождения и предложить адекватные критерии оценки.
Теоретико-методологические основы исследованияМетодологической базой исследования выступает компетентностный подход, закрепленный в ФГОС ВО 3++ по направлению 09.03.02, и проектно-ориентированное обучение. Анализ профессиональных стандартов («Программист», «Специалист по большим данным», «Архитектор программного обеспечения») показывает, что работодатель ожидает от выпускника не просто умения написать код, а способности участвовать в полном жизненном цикле разработки, который для ИИ-систем имеет свою специфику.
Специфика предметной области определяется самим понятием «Интеллектуальная информационная система». В классической трактовке Д.А. Поспелова, интеллектуальная система базируется на концепции использования знаний, оснащена средствами логического вывода и способна в процессе своей работы пополнять имеющиеся знания [4]. Если классическая ИС оперирует данными и имеет детерминированное поведение, то ИИС, согласно современному пониманию, изложенному в работе И.А. Бессмертного, — это система, способная на основе анализа данных выявлять скрытые закономерности и адаптировать свое поведение к изменениям внешней среды [5]. Эта вероятностная, недетерминированная природа результата (модель может «не обучиться» или «переобучиться») является ключевым фактором, отличающим методику выполнения ВКР по ИИС от традиционной разработки ПО.
Важным теоретическим основанием выступает понимание современного жизненного цикла ИИС, который, по мнению М.В. Коротеева и Е.А. Имкеновой, трансформируется под влиянием методологии MLOps (Machine Learning Operations), представляющей собой набор практик, направленных на эффективное развертывание и поддержание ML-моделей в производственной среде [6].
Типология и тематика ВКРТематика ВКР в области ИИС должна быть узкоспециализированной и ориентированной на конкретную прикладную задачу. Можно выделить два основных типа работ:
1.
Прикладные ВКР: разработка веб-сервисов или приложений с встроенными ML-моделями (рекомендательные системы, чат-боты, системы технического зрения).
2.
Исследовательские ВКР: сравнительный анализ алгоритмов, выбор оптимальной архитектуры нейросети для решения конкретной задачи. Как показывают современные исследования, например, в области прогнозирования, модифицированные нечеткие нейросети позволяют втрое снизить ошибку прогнозирования по сравнению с классическими рекуррентными сетями [7].
Методическая особенность выбора темы – обязательное обоснование наличия и качества датасета, а также вычислительных ресурсов. Тема должна формулироваться не как абстрактная «Разработка нейросети», а как решение конкретной проблемы: «Разработка нейросетевого классификатора для автоматизированной проверки качества тестовых заданий открытого типа» или «Прогнозирование результатов государственной итоговой аттестации выпускников на основе анализа цифрового следа в LMS».
Структура и содержательное наполнение ВКРСтруктура основного текста ВКР по ИИС должна отражать логику ML-эксперимента, а не только этапы проектирования ПО. Обязательными разделами являются перечисленные ниже.
Анализ предметной области и постановка задачи машинного обучения. Для этого раздела обязательно четкое определение типа задачи (регрессия, классификация, кластеризация) и метрик качества (MAE, RMSE, Accuracy, Precision/Recall). Например, для задачи прогнозирования отчисления студентов метриками могут выступать полнота и точность выявления группы риска. О проблемах в использовании метрических методов ML в задачах анализа данных см., например, в работе [8].
Анализ и предобработка данных. Это критический раздел, которого часто нет в «классических» ВКР. Студент должен описать источники (например, данные из LMS, результаты сессий, портфолио), объем, типы признаков, методы очистки, нормализации и борьбы с дисбалансом классов. Исследования А.В. Полуяновича с соавторами убедительно доказывают, что наличие шумов, аномалий и пропусков может ухудшить точность прогноза на 9% и более, поэтому качество данных влияет на точность модели сильнее, чем выбор алгоритма [9]. В образовательном контексте это особенно важно, так как данные о студентах часто неполны или зашумлены.
Обоснование выбора архитектуры модели. В этом разделе должна быть представлена аргументация выбора (нейросеть, ансамбль методов, нечеткая логика) с учетом специфики данных. Е.А. Энгель и А.А. Ковалев подчеркивают, что нечеткие нейросети позволяют синтезировать способность нейросетей к обучению с интерпретируемостью нечеткой логики [7], что особенно важно при работе с неточными данными, характерными, в частности, для педагогических измерений.
Экспериментальная часть. Этот раздел должен содержать описание процесса обучения модели, валидации (кросс-валидация), сравнение с базовой моделью (baseline) и анализ ошибок. Например, сравнение нейросетевой модели прогнозирования успеваемости учащихся с логистической регрессией, выступающей в качестве базовой простой модели (baseline).
Этапы методического сопровождения студентаПроцесс руководства ВКР должен трансформироваться из контроля за написанием кода в управление экспериментом.
1.
Организационный этап (ТЗ). Предполагает формирование технического задания должно учитывать требования к объему и форматам данных. В отличие от традиционной ИС, где функционал фиксирован, здесь необходимо заложить дополнительное время на исследовательский этап и итерации по улучшению модели.
2.
Исследовательский этап. На этом этапе руководитель ориентирует студента на анализ не только учебников, но и актуальных научных статей для выявления современного состояния дел. Студент учится проводить сравнительный анализ существующих решений.
3.
Проектно-конструкторский этап. Ключевая сложность, которую следует учесть на данном этапе, – цикличность процесса. Согласно методологии MLOps, разработка ИИС – это спираль: данные → модель → оценка → возврат к данным [6]. Руководитель должен помочь студенту выстроить систему логирования экспериментов (версии данных, гиперпараметры, метрики), обеспечивающую воспроизводимость результатов.
4.
Внедренческий этап. Критерием завершенности проекта служит не столько инсталляция на предприятии заказчика, сколько доказательство применимости модели на новых, незнакомых данных и сравнение ее качества с установленным базовым уровнем.
Критерии оценки ВКР: от работоспособности к адекватностиТрадиционная оценка ВКР программиста во многом бинарна («работает – не работает»). Для ВКР по ИИС этого недостаточно. Модель может «работать» (код выполняется), но давать неприемлемо низкое качество предсказаний. В связи с этим предлагается расширенная система критериев оценки ВКР, увязанная с формируемыми компетенциями (Таблица 1). В таблице представлены обобщенные критерии, отражающие специфику разработки ИИС.
Таблица 1. Критерии оценки ВКР по ИИС и проверяемые компетенции
Критерий | Содержание оценки | Связь с компетенциями (ФГОС 09.03.02) |
Работа с данными | Полнота анализа датасета, корректность предобработки, обработка пропусков и выбросов. Учет специфики данных (хаотичность, нестационарность). | ПК-1 (проведение исследований на всех этапах жизненного цикла программных средств) |
Адекватность модели | Обоснованность выбора архитектуры под тип задачи, наличие механизмов адаптации/обучения , применение гибридных подходов. | ОПК-8 (применение математических моделей, методов и средств проектирования), ПК-5 (выполнение работ по созданию и сопровождению ИС) |
Качество эксперимента | Корректность разделения выборок, использование валидации, полнота метрик. | ПК-1 (проведение исследований на всех этапах жизненного цикла программных средств) |
Сравнение с базовым уровнем | Доказательство преимущества предложенного подхода над простейшими алгоритмами. | УК-2 (определение круга задач в рамках поставленной цели и выбор оптимальных способов их решения) |
Интерпретируемость | Анализ ошибок модели, попытка объяснить полученные решения. Прозрачность модели как требование к современным ИИ-системам. | УК-1 (критический анализ и синтез информации, системный подход для решения поставленных задач) |
Такой подход позволяет оценить не только техническую реализацию (качество кода, ОПК-6), но и глубинное понимание студентом природы разрабатываемой интеллектуальной системы, что и является целью обучения.
Заключение и выводыПроведенный анализ позволяет сформулировать следующие методические особенности организации выполнения ВКР бакалаврами профиля «Интеллектуальные информационные системы»:
1. Нелинейный характер разработки: процесс выполнения ВКР представляет собой циклический эксперимент по работе с данными и моделями, а не линейное движение по этапам технического задания. Методическое сопровождение должно учитывать итеративность и необходимость возврата к предыдущим этапам.
2. Смещение акцента на данные: качество итогового продукта (обученной модели) напрямую зависит от качества и количества данных. В методике преподавания это требует усиления роли разделов, посвященных анализу и предобработке данных.
3. Усложнение критериев оценки: оценка ВКР должна быть многовекторной, включающей не только проверку работоспособности кода, но и оценку адекватности математической модели, корректности эксперимента и интерпретируемости результатов, что напрямую связано с проверкой сформированности профессиональных компетенций (ПК-1, ПК-5).
4. Трансформация роли руководителя: руководитель выступает не просто контролером кода, а наставником в проведении научно-исследовательского эксперимента, помогая студенту выстраивать связи между математикой, программированием и предметной областью.
Таким образом, предложенные методические особенности позволяют преодолеть разрыв между академическими требованиями к ВКР и реальными запросами ИТ-индустрии в области искусственного интеллекта, обеспечивая более качественную подготовку конкурентоспособных кадров.
Исследование выполнено за счет внутреннего гранта РГПУ им. А. И. Герцена (проект № 77-ВГ).Литература:1. Лапский, С. В. Современные тенденции в тестировании программного обеспечения / С. В. Лапский // Международный журнал информационных технологий и энергоэффективности. – 2025. – Т. 10, № 10(60). – С. 131-135.
2. Флегонтов А.В., Матюшичев И.Ю. Анализ современных тенденций в области методов и технологий искусственного интеллекта для информационных систем// Современные проблемы математики и математического образования. Сборник Международной научной конференции «78 Герценовские чтения». Санкт-Петербург. – 2025. – С. 336-341.
3. Каширина Е.В., Матюшичев И.Ю., Флегонтов А.В. Формирование практических навыков работы с искусственным интеллектом при подготовке бакалавров направления «Интеллектуальные информационные системы и технологии» через лабораторный практикум по базам данных// Прикладной искусственный интеллект: перспективы и риски. Сборник докладов II Международной научной конференции. Санкт-Петербург. – 2025. – С. 101-103.
4. Поспелов, Д.А. Нечеткие множества в системах управления и искусственного интеллекта / Д.А. Поспелов (ред.). — Москва : Наука, 1986. — 312 с.
5. Бессмертный, И.А. Интеллектуальные системы : учебник и практикум для вузов / И.А. Бессмертный, А.Б. Нугуманова, А.В. Платонов. — 2-е изд. — Москва : Издательство Юрайт, 2026. — 250 с.
6. Коротеев, М.В. Обзор составляющих гибкого подхода к управлению жизненным циклом интеллектуальных информационных систем / М. В. Коротеев, Е. А. Имкенова // Инновации и инвестиции. – 2024. – № 7. – С. 501-505.
7. Энгель, Е. А. Методы и алгоритмы обработки информации нечеткими нейросетями в системах интеллектуальной поддержки принятия решений / Е. А. Энгель, И. В. Ковалев // Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева. – 2007. – № 4(17). – С. 50-53.
8. Флегонтов А.В., Матюшичев И.Ю., Винокурова Д.В. Интеллектуальный анализ образовательных данных и адаптивная образовательная среда// Новые образовательные стратегии в открытом цифровом пространстве. Сборник научных статей по материалам Международной научно-практической конференции. Санкт-Петербург. – 2025. – С. 122-128.
9. Полуянович, А.В. Влияние предобработки данных на точность и сходимость нейросети в киберфизической системе интеллектуального управления энергосистемами / Н. К. Полуянович, О. В. Качелаев, М. Н. Дубяго // Математические методы в технологиях и технике. – 2025. – № 11. – С. 68-73.
