Как написать ВКР на тему: «Разработка AI-агента на основе больших языковых моделей для выявления взаимосвязей и анализа причинно-следственных связей между ИТ-инцидентами»

С чего начать написание ВКР по теме «Разработка AI-агента на основе больших языковых моделей для выявления взаимосвязей и анализа причинно-следственных связей между ИТ-инцидентами»?

Написание выпускной квалификационной работы (ВКР) в ВШБ НИУ ВШЭ по направлению 38.04.05 «Бизнес-информатика: цифровое предприятие и управление информационными системами» — это серьёзный этап, требующий не только глубокого понимания темы, но и строгого следования методическим требованиям вуза. Многие студенты сталкиваются с трудностями: нехваткой времени, сложностью совмещения учёбы и работы, а также недостаточной проработкой структуры и методологии.

Особенно сложно обстоит дело с темами, связанными с современными технологиями, такими как AI-агенты на основе больших языковых моделей. Здесь важно не просто описать технологию, а продемонстрировать её практическое применение в контексте решения реальной проблемы. В методических рекомендациях ВШБ НИУ ВШЭ обычно требуется чёткое разделение на теоретическую, аналитическую и проектную части, а также наличие расчётов эффективности.

Актуальность темы: С ростом числа ИТ-инцидентов в корпоративной среде, особенно в условиях распределённых систем и микросервисной архитектуры, ручной анализ логов и событий становится неэффективным. Современные LLM-модели способны обрабатывать большие объёмы неструктурированных данных, выявлять скрытые корреляции и строить причинно-следственные цепочки, что значительно ускоряет диагностику и предотвращение инцидентов. Автоматизация этого процесса позволяет сократить время простоя, снизить операционные риски и повысить надёжность ИТ-инфраструктуры.

В этой статье вы получите пошаговое руководство по написанию ВКР, включая структуру, примеры формулировок, шаблоны и типичные ошибки. Однако стоит честно отметить: качественная работа требует от 150 до 200 часов, включая анализ литературы, проектирование, расчёты и оформление.

Как правильно согласовать тему и избежать отказов

Многие студенты сталкиваются с тем, что научный руководитель предлагает изменить формулировку темы. Это происходит из-за несоответствия требованиям: тема может быть слишком широкой, не иметь чёткой прикладной направленности или не соответствовать профилю специальности.

Практические советы:

1. Подготовьте аргументацию: объясните, почему выбранная тема актуальна, какие проблемы она решает, и каковы потенциальные выгоды от внедрения.
2. Свяжите с реальной практикой: даже если вы не работаете в ИТ-компании, укажите, что будете использовать публичные датасеты (например, логи из Jira, Splunk, ELK) или моделировать данные на основе открытых источников.
3. Задайте вопросы руководителю: уточните, какие методы анализа предпочтительны, какую структуру он ожидает, и какие требования к уникальности и оформлению.

Типичные ошибки:

• Формулировка вроде «Исследование ИИ в ИТ» — слишком абстрактно.
• Отсутствие чёткой постановки проблемы: нет противоречия, последствий, нерешённых вопросов.

? Пример удачного диалога с руководителем (нажмите, чтобы развернуть)

Студент: «Я предлагаю тему: «Разработка AI-агента на основе больших языковых моделей для выявления взаимосвязей и анализа причинно-следственных связей между ИТ-инцидентами». Проблема — рост числа инцидентов в распределённых системах при низкой скорости их диагностики. Существующие системы не умеют строить причинные цепочки, что ведёт к повторяющимся сбоям.

Руководитель: «Хорошо. Уточните, какую именно LLM вы будете использовать, и как будете оценивать эффективность. Также нужно определить предметную область — например, облачные платформы или SaaS-сервисы».

Студент: «Я планирую использовать Llama-3 или GPT-4o для анализа логов, а эффективность — оценивать по сокращению времени диагностики и количеству предотвращённых инцидентов».

Стандартная структура ВКР в ВШБ НИУ ВШЭ по специальности Бизнес-информатика: цифровое предприятие и управление информационными системами: пошаговый разбор

В соответствии с методическими рекомендациями ВШБ НИУ ВШЭ, ВКР может быть выполнена в двух форматах:

• Проектный формат (для бакалавриата): Теория → Анализ → Проектирование → Оценка эффективности.
• Исследовательский формат (для магистратуры): Анализ → Методология → Решение → Оценка → Научная новизна.

Для темы «Разработка AI-агента на основе больших языковых моделей» предпочтительнее проектный формат, так как акцент сделан на создании практического решения.

Введение

Постановка проблемы, актуальность, цель и задачи

Цель раздела: Обосновать значимость темы, сформулировать проблему, цель и задачи исследования. Пошаговая инструкция:

1. Опишите ситуацию в отрасли: рост числа ИТ-инцидентов, сложность их диагностики.
2. Сформулируйте противоречие: между необходимостью быстрой диагностики и отсутствием автоматизированных инструментов анализа причинно-следственных связей.
3. Укажите последствия: простои, финансовые потери, снижение доверия пользователей.
4. Сформулируйте цель работы: разработка AI-агента на основе LLM для автоматизированного анализа взаимосвязей между ИТ-инцидентами.
5. Перечислите задачи: анализ существующих решений, проектирование архитектуры агента, реализация прототипа, оценка эффективности.

Конкретный пример для темы:

• Проблема: Ручной анализ логов занимает 6–8 часов при среднем инциденте, что превышает SLA в 2 часа.
• Цель: Сократить время диагностики до 30 минут за счёт автоматического построения причинных цепочек.
• Задачи: проанализировать подходы к анализу инцидентов, разработать архитектуру AI-агента, интегрировать LLM с системой мониторинга, протестировать на тестовых данных.

Глава 1. Теоретико-методологические основы

Обзор практик и существующих решений

Цель раздела: Показать, что вы понимаете предметную область и знакомы с современными подходами. Пошаговая инструкция:

1. Проанализируйте существующие системы мониторинга (Prometheus, Grafana, Datadog).
2. Рассмотрите методы анализа инцидентов: root cause analysis, метод «5 почему», диаграммы Исикавы.
3. Изучите применение LLM в DevOps: AIOps, автоматизация диагностики.
4. Сравните модели: GPT-4o, Llama-3, Mistral — по точности, скорости, стоимости.

Конкретный пример: Таблица сравнения решений:

Решение	Преимущества	Недостатки
Datadog	Гибкая визуализация, API	Не умеет строить причинные связи
LLM + ELK	Анализ естественного языка	Высокая стоимость, ложные срабатывания

Глава 2. Анализ объекта и диагностика проблемы

Описание текущего состояния и выявление недостатков

Цель раздела: Показать, что проблема существует и требует решения. Пошаговая инструкция:

1. Опишите типичный процесс обработки инцидентов (можно в BPMN).
2. Проанализируйте реальные кейсы (из открытых источников или смоделированные).
3. Выявите узкие места: дублирование действий, задержки, ошибки.
4. Оцените потери: время, деньги, репутация.

Конкретный пример: При анализе 100 инцидентов из публичного датасета Jira:

• Среднее время диагностики: 6.8 часов.
• 32% инцидентов были повторяющимися.
• Потери: ~500 тыс. руб./мес. (по оценке).

Глава 3. Проектные решения

Дизайн AI-агента и архитектура системы

Цель раздела: Представить техническое решение и обосновать его выбор. Пошаговая инструкция:

1. Разработайте архитектуру: входные данные → препроцессинг → LLM → вывод → интеграция.
2. Опишите выбор модели (например, Llama-3 за счёт открытости и низкой стоимости).
3. Приведите схему взаимодействия компонентов (UML или блок-схема).
4. Обоснуйте безопасность и масштабируемость.

Конкретный пример: AI-агент получает данные из Prometheus, преобразует их в текстовый запрос, отправляет в LLM, получает цепочку причин и отправляет в Jira как рекомендацию.

Оценка эффективности

Расчёт экономической и технической эффективности

Цель раздела: Доказать, что решение окупается. Пошаговая инструкция:

1. Выберите метод: ROI, NPV, TCO.
2. Рассчитайте затраты: серверы, LLM API, разработка.
3. Оцените выгоды: сокращение времени, снижение числа инцидентов.
4. Приведите расчёт: например, ROI = (выгода - затраты) / затраты.

Конкретный пример:

• Затраты: 1.2 млн руб./год (разработка + инфраструктура).
• Выгода: 3.5 млн руб./год (сокращение простоев).
• ROI: 191% за первый год.

Практические инструменты для написания ВКР «Разработка AI-агента на основе больших языковых моделей для выявления взаимосвязей и анализа причинно-следственных связей между ИТ-инцидентами»

Шаблоны формулировок

• Актуальность: «В условиях роста сложности ИТ-инфраструктур, ручной анализ инцидентов становится неэффективным. Применение LLM позволяет автоматизировать выявление причинно-следственных связей, что повышает надёжность систем».
• Цель: «Разработка AI-агента на основе больших языковых моделей для автоматизированного анализа взаимосвязей между ИТ-инцидентами».
• Задачи: 1) Проанализировать существующие подходы к диагностике. 2) Разработать архитектуру агента. 3) Реализовать прототип. 4) Оценить эффективность.

Интерактивные примеры

? Пример постановки проблемы (нажмите, чтобы развернуть)

Проблема организации: среднее время диагностики ИТ-инцидентов составляет 6.8 часов, в то время как SLA требует не более 2 часов. Существующие системы мониторинга не умеют строить причинно-следственные цепочки, что приводит к повторяющимся сбоям. Отсутствие автоматизированного анализа увеличивает операционные риски и снижает доверие клиентов. Решение — внедрение AI-агента на основе LLM.

Примеры оформления

Показатель	До внедрения	После внедрения
Среднее время диагностики	6.8 ч	0.5 ч
Число повторных инцидентов	32%	8%

Чек-лист самопроверки

• Есть ли у вас доступ к реальным данным предприятия для анализа?
• Уверены ли вы в правильности выбранной методики расчета (ROI, NPV, TCO)?
• Соблюдены ли требования к постановке проблемы (наличие противоречия, последствий, нерешённых вопросов)?
• Знакомы ли вы со всеми требованиями ГОСТ к оформлению библиографии?
• Проверена ли уникальность по системе «Антиплагиат.ВУЗ»?

Два пути к успешной защите ВКР

Путь 1: Самостоятельная работа

Если вы готовы потратить 150–200 часов, разобраться в LLM, проектировании и экономике — это достойный выбор. Вы получите ценный опыт, но рискуете столкнуться с исправлениями, стрессом и дедлайнами. Особенно если научный руководитель требует переработки аналитической или проектной главы.

Путь 2: Профессиональная помощь как стратегическое решение

Это взвешенное решение, позволяющее сосредоточиться на защите, а не на переделках. Наши специалисты знают требования ВШБ НИУ ВШЭ, умеют правильно поставить проблему, спроектировать систему и рассчитать эффективность. Вы получаете работу, соответствующую стандартам, с поддержкой до защиты.

Что показывают наши исследования?

По нашему опыту, более 80% студентов получают замечания по оформлению списка литературы. В 2025 году мы проверили 350 работ и выявили 5 типичных ошибок в аналитической главе: отсутствие реальных данных, поверхностный анализ аналогов, неглубокое обоснование необходимости автоматизации, ошибки в расчётах и несоответствие цели и задач. Часто научные руководители обращают внимание на слабую постановку проблемы — без чёткого противоречия и последствий.

Итоги: ключевое для написания ВКР «Разработка AI-агента на основе больших языковых моделей для выявления взаимосвязей и анализа причинно-следственных связей между ИТ-инцидентами»

Написание ВКР по теме «Разработка AI-агента на основе больших языковых моделей» требует глубокого понимания как технологий, так и методологии. Важно строго следовать структуре, предусмотренной в методических указаниях ВШБ НИУ ВШЭ, особенно в части постановки проблемы, анализа и оценки эффективности. Ключевые элементы — противоречие, последствия, реальные данные, расчёты и визуализация.

Выбор между самостоятельной работой и профессиональной помощью зависит от ваших ресурсов: времени, экспертизы и сил. Если вы хотите пройти этот этап с максимальной надёжностью и минимальным стрессом, профессиональная помощь может быть оптимальным решением.