Опубликовано: 05.08.2026 | Источник: CNews (новости)

ИИ-планирование путешествий в дипломе: проектируем сервис, метрики и защищаем результат

В марте 2026 года CNews сообщил: россияне стали на 25% чаще доверять организация отдыха нейросетям. Не просто «погуглить отель», а собрать маршрут, подобрать билеты и даже предсказать погоду в поездке — это уже будни ИИ-сервисов. Для студентов ИТ-направлений такой тренд — не повод писать очередную абстрактную статью про «нейросети в туризме», а возможность сделать ВКР с реальным прототипом, понятными метриками и защитой, на которой преподаватели увидят пользу вашего кода.

Разберём, как превратить новость из CNews в полноценную дипломную работу: от обоснования выбора архитектуры до нагрузочного тестирования. И главное — покажем, где брать данные, как описывать ГОСТы и какие метрики считать, чтобы «защититься на отлично», а не получить вопрос «а что здесь сложного?».

Какие темы ВКР можно раскрыть на основе этого кейса

Новость о росте доверия к ИИ-планированию отдыха — это не одна тема, а минимум три направления. Ниже — примерные формулировки, подходящие и для бакалаврской, и для магистерской работы.

Тема 1. Разработка рекомендательного сервиса для построения индивидуального туристического маршрута

• Актуальность: данные CNews подтверждают: пользователи готовы делегировать ИИ выбор отелей, ресторанов, порядка посещения достопримечательностей. Рынок требует сервисов, которые учитывают личные предпочтения.
• Цель: спроектировать и реализовать веб-сервис на Python (FastAPI) с модулем рекомендаций на основе коллаборативной фильтрации или LLM-подсказок.
• Задачи:
  • Сравнить подходы к рекомендациям (content-based, collaborative filtering, hybrid) и выбрать оптимальный для небольшого набора данных.
  • Спроектировать REST API с эндпоинтами для поиска мест, построения маршрута и сохранения в избранное.
  • Реализовать бэкенд и простой фронтенд (или Telegram-бот).
  • Оценить качество рекомендаций с помощью метрик precision@k, recall@k.
• Структура: Глава 1 — анализ предметной области и существующих решений (Booking, Яндекс Путешествия, AI-планировщик TripAdvisor). Глава 2 — проектирование архитектуры, схемы базы данных, алгоритмы. Глава 3 — тестирование, оценка точности, экономика внедрения.

Тема 2. Исследование качества ИИ-сервисов планирования путешествий на основе ISO/IEC 25010

• Актуальность: рост популярности ИИ-инструментов ставит вопрос о доверии к их рекомендациям. Оценка качества по стандарту ISO/IEC 25010 (функциональная пригодность, производительность, совместимость) — востребованная задача.
• Цель: провести сравнительное тестирование нескольких ИИ-сервисов (включая новый российский тренд) и разработать методику оценки для выдачи рекомендаций по улучшению.
• Задачи: собрать метрики по критериям ISO/IEC 25010; разработать чек-лист для ручного и автоматизированного тестирования; провести нагрузочное тестирование API; сформулировать требования к качеству для проектирования нового сервиса.
• Структура: Глава 1 — анализ стандартов качества и существующих ИИ-систем в туризме. Глава 2 — разработка методики тестирования, описание инструментов (Postman, JMeter, PyTorch для моделей). Глава 3 — результаты измерений, диаграммы, выводы.

Тема 3. Автоматизация планирования путешествий с помощью LLM: архитектура и интеграция внешних API

• Актуальность: новость CNews показывает, что пользователи ищут «умные» сервисы для организации отдыха. LLM (большие языковые модели) позволяют генерировать маршрут на естественном языке, а интеграция с картами и отелями делает совет практичным.
• Цель: разработать прототип чат-бота/веб-приложения на базе открытой LLM (Llama 3, Mistral) с подключением API карт и погоды.
• Задачи: настроить локальный инференс модели; разработать модуль парсинга ответа в структурированный маршрут (JSON); реализовать интеграцию с REST API (OpenStreetMap, OpenWeather); провести оценку времени ответа и качества генерации.
• Структура: Глава 1 — обзор LLM-подходов и архитектурных паттернов (RAG, функция-инструменты). Глава 2 — проектирование системы, выбор стека (LangChain, FastAPI, PostgreSQL). Глава 3 — эксперименты: замер latency, accuracy, user interview.

Аналитическая глава: как обосновать выбор ИИ-решения

В дипломе нельзя просто написать «я взял нейросеть, потому что модно». Нужно сравнить альтернативы и показать, почему ваш стек — лучший. Для этого отлично подойдёт таблица, которую вы можете вставить в первый или второй раздел работы.

В аналитической главе также уместно сослаться на статью CNews как на маркетинговое подтверждение тренда. Например: «По данным CNews, спрос на ИИ-планировщики вырос на 25% — это обосновывает выбор туристического домена для проектирования». Так вы покажете, что работа опирается на свежие данные, а не только на учебники.

Проектная часть: схемы, алгоритмы, интеграция

Для постановки задачи по ГОСТ 34.602-89 нужно описать не только функциональные требования, но и архитектуру. Если ваша тема — рекомендательный сервис, используйте стандартные UML-диаграммы: прецедентов, классов, последовательности. Студенты часто игнорируют качественные диаграммы, а зря: на защите они быстро объясняют логику работы.

Хорошим тоном считается добавить полный REST API-контракт (OpenAPI) в приложение к диплому. Пример одного эндпоинта:

GET /api/v1/route?city=Москва&days=3&interests=art,food
{
  "day": 1,
  "places": [
    {"name": "Третьяковская галерея", "lat": 55.741, "lon": 37.621, "duration_min": 120},
    {"name": "Кафе «Культ», "lat": 55.743, "lon": 37.615, "duration_min": 45}
  ],
  "total_km": 4.2
}

В этой части важно описать интеграцию с внешними сервисами: геокодер, прогноз погоды, авиабилеты. Покажите, как ваш ИИ-модуль обрабатывает ответы и преобразует их в план поездки. Здесь же место для диаграммы развёртывания: бэкенд на Docker, балансировка через Kubernetes, мониторинг через OpenTelemetry. Даже если вы не использовали все инструменты, описание архитектуры «как есть» и «как должно быть» поднимет уровень работы.

Тестирование и метрики: защищаемся фактами

Самый частый вопрос на защите: «Как вы поняли, что ваша система работает хорошо?». Ответ — метрики. Помимо традиционных precision/recall для рекомендаций, добавьте практические величины:

• Время ответа API — p95, p99 (замеряется через K6 или JMeter).
• RTO/RPO для резервного копирования, если вы описываете надёжность сервиса.
• Верность генерации LLM — процент валидных JSON-ответов из 100 запусков.
• Потребление ресурсов — CPU/RAM в Kubernetes при нагрузке 1000 запросов/мин.

Не забудьте про нагрузочное тестирование: графики зависимости времени ответа от количества одновременных пользователей. Это сильно украшает диплом и показывает инженерный подход. Если в вузе не требуют код — всё равно демонстрируйте результаты измерений, они не оставят равнодушным ни одного оппонента.

Чему вы научитесь, взяв такую тему

В процессе работы вы прокачаете навыки, которые напрямую переносятся в коммерческую разработку: проектирование архитектуры, работа с внешними API, настройка CI/CD для ML-моделей, написание документации по ГОСТ, подготовка тестовых данных. А ещё научитесь объяснять сложные вещи простым языком — это пригодится на собеседованиях.

И, пожалуй, главное: вы перестанете бояться слов «Kubernetes» и «OpenTelemetry», начнёте понимать, как реальные сервисы справляются с нагрузками и почему одни AI-инструменты вызывают доверие, а другие разочаровывают.

Вопросы, которые чаще всего задают студенты на консультациях

Источник: Россияне стали на 25% чаще доверять организацию отдыха ИИ-инструментам (опубликовано 2026-03-17)