Опубликовано: 09.05.2026 | Источник: ZDNet – Enterprise Software

AI/ML в дипломе: как использовать поведенческие данные для проектирования умных устройств

Поддомен: AI/ML

Роль: Data/ML-инженер

Введение

В статье ZDNET рассказывается о коляске TernX, которая трансформируется в ручную кладь — решение, призванное упростить путешествия с детьми. Автор подчёркивает: успех устройства определяется не только механикой, но и пониманием поведения родителей в аэропортах. Это классический кейс human-centric design, где данные о поведении пользователей напрямую влияют на архитектуру продукта. Для студентов ИТ — это шанс выйти за рамки «чистого кода» и показать, как анализ пользовательских сценариев может стать основой дипломного проекта в области AI/ML. Такие работы не просто защищаемы — они выделяются на фоне типовых тем про «анализ данных в Excel».

Темы ВКР

Тема	Актуальность	Цель	Задачи	Структура
Прогнозирование поведения родителей при перелётах на основе IoT-данных коляски	Аналогично TernX — сбор данных о реальном использовании устройства позволяет оптимизировать UX. Можно моделировать поведение: когда родители складывают коляску, как часто используют ручную кладь, где возникают задержки.	Построить ML-модель, предсказывающую сценарии использования трансформируемой коляски в аэропорту	Собрать синтетические данные на основе публичных источников (например, отчёты аэропортов, опросы родителей) Определить ключевые признаки: время, нагрузка, маршрут, температура, уровень стресса (по косвенным метрикам) Обучить модель классификации сценариев (например, «спешит к регистрации», «идёт в зону отдыха») Оценить применимость в реальном устройстве (edge-вычисления, энергопотребление)	Гл. 1 — Анализ поведения пользователей и IoT-устройств в транспорте Гл. 2 — Проектирование ML-модели и архитектуры данных Гл. 3 — Тестирование модели, оценка метрик, выводы по применимости
Оптимизация дизайна умной коляски с помощью анализа пользовательских сценариев	Как в статье — успех TernX зависит от понимания контекста использования. Можно применить ML для выявления паттернов и рекомендаций по улучшению дизайна.	Создать систему рекомендаций по улучшению продукта на основе анализа поведения	Провести анализ кейсов использования (use case mining) Построить кластеризацию пользователей (например, «частые путешественники», «первые полёты») Разработать рекомендательный модуль (например, «добавить карман для документов») Оценить эффективность через A/B-тестирование (в симуляции)	Гл. 1 — Анализ методов UX-исследований и применения ML в промышленном дизайне Гл. 2 — Проектирование архитектуры рекомендательной системы Гл. 3 — Тестирование, оценка метрик (precision, recall), выводы
Оценка эффективности трансформируемой коляски с помощью метрик удобства использования	Автор статьи оценивает TernX по практическим критериям: вес, простота складывания, совместимость с авиалиниями. Это можно формализовать.	Разработать систему оценки UX-показателей на основе объективных и субъективных данных	Определить метрики: время трансформации, усилие, габариты, отзывы Собрать данные (реальные или синтетические) Построить интегральный показатель удобства (composite score) Сравнить TernX с аналогами	Гл. 1 — Анализ методик оценки UX (ISO/IEC 25010, SUS) Гл. 2 — Проектирование системы сбора и анализа данных Гл. 3 — Реализация, расчёт метрик, сравнительный анализ

Основная часть

Как включить кейс TernX в главу 1: теоретический анализ

Первая глава — не просто «обзор рынка». Это место, где вы демонстрируете понимание проблемной области. Возьмите TernX как пример human-centered design. Проанализируйте:

Какие пользовательские боли решает устройство (стресс, ручная кладь, транспортировка)?
Какие ограничения налагает авиаперевозка (размеры, вес, правила)?
Какие данные можно было бы собрать с такого устройства (например, через встроенные датчики)?

Ссылайтесь на ISO/IEC 25010 — используйте характеристику «Usability»: понятность, удобство использования, защищённость от ошибок. Это сразу повышает академическую ценность.

Проектирование системы: глава 2

Здесь вы переходите от идеи к архитектуре. Представьте, что TernX — не просто механическое устройство, а IoT-продукт. Постройте C4-диаграмму:

[User] --> [TernX Device] --> [Edge Gateway] --> [Cloud API] --> [Analytics Engine]
                                 |
                                 v
                         [Mobile App / Dashboard]

Включите в работу:

Датчики: акселерометр (положение), тензодатчик (нагрузка), GPS (локация в аэропорту)
Протоколы: MQTT для передачи данных, REST API для интеграции
Хранение: временные ряды в InfluxDB или TimescaleDB
ML-модель: например, LSTM для прогнозирования сценариев

Пример пайплайна обработки данных:

# Псевдокод: обработка данных с датчиков
raw_data → filtering (очистка шума) → feature_extraction (временные окна, FFT) → inference (модель) → action (рекомендация в приложении)

Тестирование и оценка эффективности: глава 3

Не ограничивайтесь «точность модели — 85%». Оцените:

Метрики качества: precision, recall, F1-score (для классификации сценариев)
Энергопотребление: сколько времени модель работает на батарее?
Задержка: latency inference на edge-устройстве (например, Raspberry Pi)
UX-оценка: по шкале SUS (System Usability Scale) — можно провести опрос среди 10–15 человек

Используйте метод A/B-тестирования в симуляции: сравните поведение пользователей с рекомендациями и без.

Чему вы научитесь

Проектировать ML-системы на основе реальных пользовательских сценариев
Строить архитектуру IoT-устройств с учётом edge-вычислений
Оценивать UX с помощью метрик ISO/IEC 25010 и SUS
Оформлять ТЗ и технические описания по ГОСТ 34.19-93 (диаграммы, спецификации)
Считать эффективность не только по точности, но и по бизнес-показателям (удобство, время, энергопотребление)

Типичные ошибки студентов

Ошибка 1: «Модель работает, а дальше что?»
Многие студенты останавливаются на обучении модели, забывая про интеграцию. В вашем случае — как модель попадает в устройство? Используйте ONNX для экспорта, TensorRT для оптимизации. Ссылайтесь на TernX: даже идеальная механика бесполезна, если неудобна в аэропорту.

Ошибка 2: Нет связи между главами
В главе 1 вы говорите про «удобство», а в главе 3 — про accuracy. Это разные вещи. Свяжите их: например, «чем выше precision в определении сценария "спешу к регистрации", тем выше оценка удобства в SUS».

Ошибка 3: Игнорирование ГОСТ и нормоконтроля
Диаграммы C4/UML должны быть подписаны, иметь номер и название. Используйте ГОСТ 19.701-90 для схем. Код — в приложении, с нумерацией строк. Не оставляйте это на последний день.

FAQ

Какие данные брать, если нет доступа к реальным датчикам?

Используйте синтетические данные. Например, сгенерируйте временные ряды ускорения при складывании коляски. Или возьмите публичные датасеты: UCI Human Activity Recognition, или опросы о путешествиях с детьми (например, на Kaggle). Главное — обосновать выбор в работе.

Какой стек выбрать: Python, TensorFlow, что ещё?

Для ML: Python + scikit-learn (для прототипа) или PyTorch (для сложных моделей). Для edge: TensorFlow Lite. Для визуализации — Grafana. Укажите обоснование: «выбран TensorFlow Lite из-за поддержки на Raspberry Pi и низкого потребления памяти».

Как считать эффективность, если нет реального внедрения?

Используйте симуляцию. Например, смоделируйте 100 сценариев использования. Сравните время принятия решений «с моделью» и «без модели». Или проведите опрос: «Насколько удобна рекомендация?» по 5-балльной шкале.

Как оформить схемы, чтобы прошли нормоконтроль?

Используйте стандарты: C4 для архитектуры, UML для диаграмм классов/последовательностей. Подписывайте: «Рисунок 2.1 — Архитектура системы сбора данных». Сохраняйте в векторе (SVG или PDF). Не вставляйте скриншоты из Figma без пояснений.

Семантический элемент	Описание
Primary keyword	ML в проектировании умных устройств
LSI-запросы	IoT-датчики, MQTT, edge-вычисления, LSTM, метрики UX, SUS, ISO/IEC 25010, C4, ONNX, TensorRT
Вопросы студентов	Где взять данные для модели? Как связать ML с реальным устройством? Какие метрики считать, если нет внедрения? Как оформить схемы по ГОСТ? Как обосновать выбор стека?
Ключевые сущности	ISO/IEC 25010, C4/UML, ГОСТ 34.19-93, ONNX, TensorRT

Структура выбрана: C
Введение → FAQ → Темы ВКР (таблица) → Основная часть → Чек-лист → Ошибки → CTA → Эксперт → Источник

Чек-лист «Что проверить перед сдачей»

Все ссылки на источники (включая статью про TernX) оформлены по ГОСТ Р 7.0.5–2008
Задачи из введения полностью раскрыты в выводах
Все схемы подписаны, имеют номера и соответствуют ГОСТ 19.701-90
Метрики эффективности объективны и измеримы (не «хорошо», а «F1-score = 0.87»)
Приложения содержат код, данные, инструкции по запуску
Уникальность > 70% (без переписывания чужих текстов)
Работа согласована с научруком по структуре и содержанию

Помощь с дипломом: если вы на 3-4 курсе и ещё не определились с темой, или боитесь ошибиться в расчётах — у нас есть решение. Наши специалисты помогут с выбором актуальной темы, сбором данных, оформлением по ГОСТ и подготовкой к защите. Бесплатная консультация — 120 минут. Мы работаем с любыми ИТ-направлениями: от ML до кибербезопасности.

Материал подготовлен экспертами компании IT-Diplom. Мы помогаем студентам с 2010 года. Если вам нужна помощь в разработке темы или оформлении работы, наши специалисты готовы подсказать.

Последнее обновление: 2026-05-08

Источник: This stroller turns into a carry on-suitcase, and I recommend it for traveling parents (опубликовано 2026-04-16)