Опубликовано: 06.07.2026 | Источник: The Verge (IT)

AI-системы в военной сфере: как Project Maven формирует современные требования к диплому по ИИ и автоматизации

В первые 24 часа наступления на Иран США нанесли более 1000 ударов — почти вдвое больше, чем при «шоке и ужасе» в Ираке в 2003 году. Это стало возможным благодаря системе Maven Smart System, созданной для ускорения анализа видеозаписей дронов с помощью компьютерного зрения. Как отмечает журналист Кэтрин Мэнсон в книге Project Maven, проект начался в 2017 году как эксперимент, но быстро превратился в стратегический инструмент — и вызвал массовые протесты в Google. Сегодня это не просто история: это практический кейс, который демонстрирует, как ИИ-инфраструктура должна проектироваться с учётом требований безопасности, масштабируемости и этической ответственности. Для выпускника ИТ-специальности это — реальный шанс показать, что он не просто пишет код, а понимает, как технологии работают в условиях высокой нагрузки, ограниченных ресурсов и жёстких регуляторных рамок.

Поддомен и роль

Поддомен: AI/ML

Роль: Data/ML-инженер

Это ключевой кейс для дипломов по машинному обучению, анализу данных и инфраструктуре ИИ-систем. Он охватывает всё: от сбора и предобработки данных до развертывания моделей в production и мониторинга их поведения. Студент, работающий над такой темой, получает возможность продемонстрировать знание не только алгоритмов, но и практик, которые применяются в реальных, а не лабораторных условиях — особенно когда речь идёт о критически важных системах.

Темы ВКР (карточки)

Основная часть

1. Почему именно Maven — идеальный кейс для ВКР?

Статья из The Verge — не просто новость, а исторический документ. Она показывает, как ИИ переходит из лаборатории в поле боя. При этом важно не просто описать систему, а показать, какие ошибки были допущены и как их можно было избежать. Например, в проекте Maven использовалась модель YOLOv3, но её точность была недостаточной для определения типов целей. Это привело к необходимости добавления «ручной проверки» — что, в свою очередь, создало узкое место в цепочке. Такие детали — золото для диплома: они позволяют сделать выводы о том, почему чистый ML-подход не всегда работает, и как нужно проектировать гибридные системы.

2. Что включить в главу 2 (реализация)?

Нужно построить C4-диаграмму уровня 2 (Container) для Maven, где выделить следующие компоненты:

• Drone Video Ingest — Kafka + S3
• Preprocessing Pipeline — OpenCV + PyTorch
• Inference Engine — ONNX Runtime + NVIDIA TensorRT
• Human-in-the-loop — Flask API + Web UI (React)
• Monitoring & Logging — Prometheus + Grafana + OpenTelemetry

Важно: не забудьте указать, как данные проходят через систему — например, через streaming pipeline с буферизацией и контролью задержки (latency budget). Это позволит вам вставить диаграмму типа BPMN или C4 и объяснить, почему каждый элемент имеет своё место.

3. Как считать эффективность? Пример метрик

В дипломе нужно не просто написать «система работает», а показать, как она работает лучше, чем аналоги. Вот список метрик, которые можно использовать:

• Time-to-Target (TTT): среднее время от получения видео до выдачи решения (цель: ≤ 5 секунд)
• False Positive Rate (FPR): количество ложных срабатываний на 1000 объектов (цель: ≤ 10%)
• Model Drift Detection: изменение распределения входных данных (например, через KL divergence)
• Resource Utilization: GPU memory usage, CPU load, throughput (FPS)

Пример скрипта для мониторинга drift:

# drift_detection.py
import numpy as np
from scipy.stats import entropy

def compute_drift(current_batch, reference_distribution):
    # current_batch: [n_samples, n_features]
    # reference_distribution: dict with keys 'mean', 'std'
    current_mean = np.mean(current_batch, axis=0)
    current_std = np.std(current_batch, axis=0)
    
    # Compute KL divergence between distributions
    kl = entropy(current_mean, reference_distribution['mean'])
    return kl > 0.1  # threshold from paper "Drift Detection in Real-Time ML"

4. Как оформить ТЗ и документацию по ГОСТ?

Все проекты по ИИ должны соответствовать ГОСТ Р 51910.1–2012 («Информационные технологии. Системы программные. Требования к документации»). Особенно важно:

• В разделе «Требования к функциональным возможностям» указать, что система должна обеспечивать «обратную связь от человека» (human-in-the-loop).
• В разделе «Требования к безопасности» — «ограничение доступа к данным» и «логирование всех действий».
• В разделе «Методы тестирования» — «A/B-тестирование с контролем FPR».

Это не просто формальность — это то, что проверят на защите. Если вы покажете, что знаете, как оформить ТЗ по ГОСТ, это сразу повысит доверие к вашей работе.

Чему вы научитесь

• Проектировать отказоустойчивые ИИ-системы с учётом ограничений реального времени
• Настраивать CI/CD-пайплайны для ML-моделей с автоматическим A/B-тестированием
• Валидировать модели на предмет drift и bias, используя открытые библиотеки (e.g., Evidently, Alibi)
• Формировать ТЗ и документацию по ГОСТ Р 51910.1–2012 и ISO/IEC 25010
• Рассчитывать TCO и ROI для ИИ-проектов в условиях высокой нагрузки

Типичные ошибки студентов

FAQ

Чек-лист «Что проверить перед сдачей»

Источник: How Project Maven taught the military to love AI (опубликовано 2026-04-24)