Создание системы для управления задачами в магазине для специалистов по машинному обучению

Коротко: как написать ВКР по теме «Создание системы для управления задачами в магазине для специалистов по машинному обучению»

ВКР по теме «Создание системы для управления задачами в магазине для специалистов по машинному обучению» в Синергии предполагает разработку программного решения, автоматизирующего рутинные операции для ML-команд. Работа включает анализ процессов, проектирование архитектуры, разработку прототипа и экономический расчёт. Ключ — реальные данные, уникальный код и соответствие ГОСТ 34.602-2020 и методичке вуза.

Нужен разбор вашей темы Создание системы для управления задачами в магазине для специалистов по машинному обучению? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)

Актуальность темы

ML-специалисты в ритейле тратят до 40% времени на рутину: сбор данных, настройку задач, синхронизацию с командой (источник: CyberLeninka, 2024). В магазинах с растущим объемом данных ручное управление становится узким местом.

Система управления задачами для ML-команд решает эту проблему. Она интегрируется с Jupyter, MLflow, GitLab и автоматизирует запуск экспериментов, отслеживание метрик и уведомления. Например, в «Магните» внедрение подобной платформы сократило время на подготовку датасетов на 35% (по данным Habr, 2024).

Для студентов Синергии это не просто учебная задача — это шанс создать прототип, близкий к промышленному. Особенно ценно, если вы возьмёте за основу реальную компанию, например, локальный продуктовый магазин с цифровыми процессами.

Цель и задачи

Цель ВКР

Разработка и обоснование эффективности информационной системы управления задачами для специалистов по машинному обучению в условиях розничного магазина.

Задачи (соответствие методичке Синергия)

• Анализ деятельности магазина — выявить процессы, где участвуют ML-модели (прогнозирование спроса, персонализация, управление запасами).
• Моделирование процессов «КАК ЕСТЬ» и «КАК ДОЛЖНО БЫТЬ» — с использованием DFD и BPMN (по ГОСТ Р ИСО/МЭК 38500-2015).
• Проектирование архитектуры системы — выбор стека, разработка Use Case и ER-диаграмм.
• Разработка прототипа — фронтенд (React), бэкенд (FastAPI), интеграция с MLflow.
• Экономический расчёт — оценка TCO и ROI внедрения.

Задачи должны логично вытекать одна из другой. Если в методичке Синергии указано, что аналитическая глава — 30%, уложитесь в этот объём.

Структура ВКР

Рекомендуемая структура дипломной работы

Пример введения для Синергия

В условиях цифровизации розничной торговли повышается спрос на автоматизацию процессов, связанных с машинным обучением. Специалисты по ML в магазинах сталкиваются с фрагментацией задач: эксперименты запускаются вручную, данные хранятся в разных системах, отсутствует централизованный контроль. Это снижает скорость разработки моделей и увеличивает риски ошибок.

Объект исследования — процесс управления ML-задачами в розничной сети. Предмет — информационная система, автоматизирующая постановку, выполнение и мониторинг задач для ML-команд.

Цель — разработать систему, повышающую эффективность работы специалистов. Задачи: проанализировать существующие процессы, спроектировать архитектуру, реализовать прототип и оценить экономический эффект. Методология — на основе ГОСТ 34.602-2020 и подходов DevOps для ML (MLOps).

Этапы разработки информационной системы

Как написать заключение по Разработка, сопровождение и обеспечение безопасности информационных систем

В ходе выполнения ВКР была разработана система управления ML-задачами для розничного магазина. Анализ показал, что ручные процессы занимают до 40% времени специалистов. Проектирование включало создание Use Case и ER-диаграмм, что позволило чётко определить границы системы.

Прототип реализован на стеке React + FastAPI + PostgreSQL, с интеграцией MLflow. Экономический расчёт показал срок окупаемости — 11 месяцев при NPV 280 тыс. руб. Система повышает прозрачность и снижает время на запуск экспериментов на 30%.

Рекомендуется внедрение в пилотном режиме. Дальнейшее развитие — интеграция с CI/CD и автоматизация отчётов.

Требования к списку литературы Синергия

Список оформляется по ГОСТ Р 7.0.100-2018. Включайте не менее 40 источников: 70% — за последние 5 лет, 20% — классика (например, Мартин Фаулер), 10% — нормативные документы.

Примеры проверенных источников:

• MLflow Documentation (2024)
• ISO/IEC 38500:2015 — Governance of IT
• Статья о MLOps на CyberLeninka (2024)

Типичные ошибки студентов

Вопросы, которые часто задают студенты

Можно ли использовать готовые решения в ВКР?

Да, но с обязательной адаптацией. Например, вы можете взять за основу MLflow или Airflow, но доработать интерфейс, добавить модуль управления задачами и интеграцию с внутренними системами магазина. Главное — показать, что вы не просто установили ПО, а спроектировали и модифицировали его под конкретные нужды.

Сколько страниц должна быть практическая часть?

В Синергии — 40–60 страниц. Но не гонитесь за объёмом. Важнее качество: схемы, код, пояснения. Если у вас 45 страниц с детальным описанием архитектуры и 300 строк уникального кода — это лучше, чем 60 страниц «воды».

Можно ли использовать open-source решения?

Абсолютно. Это даже приветствуется. Например, FastAPI, PostgreSQL, React — всё это open-source. Укажите в работе: «Система разработана на базе open-source технологий с целью снижения TCO». Главное — не копируйте без изменений. Покажите, как вы адаптировали решение.

Что проверить перед сдачей