AI в дипломе: как интегрировать этическую инженерию в проектирование систем — и зачем это нужно выпускнику
В марте 2026 года The Engineer опубликовал статью о том, как ИИ может помочь снизить гендерный барьер в STEM-области — не через прямое вмешательство в трудоустройство, а через анализ и коррекцию скрытых предвзятостей в данных, алгоритмах и процессах принятия решений. Это не фантастика — это уже реальный кейс от Thales UK, где Lynne Watson описывает, как модель на основе NLP выявила искажения в резюме при автоматическом отборе кандидатов. Для выпускника ИТ это важно не только как тренд, но и как обязательный элемент современной практики: ГОСТ Р ИСО/МЭК 25010-2023 требует «соответствия функциональным и нефункциональным требованиям», а включая этические аспекты, ты уже работаешь с полным набором качеств — надёжность, безопасность, устойчивость, прозрачность. В этом контексте дипломная работа становится не просто технической задачей, а мостом между инженерной практикой и социальной ответственностью.
Темы ВКР: три направления для практического применения из статьи
| Поддомен | Актуальность (по статье) | Цель диплома | Задачи | Структура |
|---|---|---|---|---|
| Data Engineering | Автоматизированный отбор кандидатов с учётом гендерных искажений в источниках данных (например, резюме, оценки, отзывы). | Построить систему очистки и аугментации данных с возможностью проверки на смещение по признакам. | 1. Сбор и анализ исторических данных HR-систем; 2. Разработка pipeline для детекции и коррекции смещений; 3. Интеграция модели в существующий пайплайн. | Гл. 1 — Анализ: методы обнаружения смещений, метрики F1, AUC-ROC, SHAP; Гл. 2 — Проектирование: C4-диаграмма системы, конфигурация Airflow; Гл. 3 — Тестирование: сравнение TPR/FPR до/после коррекции. |
| ML-инженерия | Применение моделей NLP и классификации для выявления предвзятости в текстовых описаниях (например, «сильный лидер» vs «эмоционально устойчивый»). | Создать и протестировать модель распознавания стереотипов в текстах, используя открытые датасеты (например, Gendered Words Dataset). | 1. Подготовка и нормализация корпуса; 2. Выбор архитектуры (BERT, RoBERTa); 3. Оценка по метрикам fairness (disparate impact, equal opportunity). | Гл. 1 — Теория: ISO/IEC 25010:2023 — «соответствие требованиям безопасности и этики»; Гл. 2 — Реализация: код на Python + MLflow; Гл. 3 — Эффективность: сравнение с базовым подходом. |
| Cybersecurity | Обнаружение и защита от «скрытых» уязвимостей в системах рекрутирующих ИИ, которые могут быть использованы для целенаправленного исключения определённых групп. | Анализ угроз, связанных с эксплуатацией смещений в обучении моделей, и разработка контрмер. | 1. Моделирование атаки «байесовского фильтра»; 2. Проверка на устойчивость к adversarial examples; 3. Документирование уязвимостей по OWASP Top 10 for ML. | Гл. 1 — Анализ: threat modeling, C4-схема уязвимостей; Гл. 2 — Проектирование: SRE-протоколы защиты; Гл. 3 — Тестирование: нагрузочные тесты с поддельными данными. |
Как встроить материал статьи в главы диплома — конкретика по каждому поддомену
Глава 1: Анализ и теоретическая основа
Вместо общих фраз про «глобальные вызовы» сразу приведите цифры из статьи: «в 2025 году в UK только 19% инженеров-женщин в STEM, причём 68% резюме сформулированы с использованием «мужских» терминов». Приведите пример из статьи: Thales UK применяет NLP-модель, которая выявляет слова типа «forceful», «dominant», «aggressive» как потенциально дискриминационные. В этой части добавьте диаграмму BPMN-процесса отбора кандидатов с отметками «анализ на смещение» и «коррекция». Укажите, что согласно ГОСТ 34.19-2023, такие процессы должны быть документированы и подвергнуты аудиту.
Глава 2: Проектирование и реализация
Для Data Engineering: напишите конфигурацию Airflow-дага, который запускает job-поток с проверкой на смещение. Пример:
from airflow import DAG
from airflow.operators.python import PythonOperator
from fairness_checker import check_bias
with DAG("recruitment_pipeline", ...):
load_data = PythonOperator(
task_id="load_raw",
python_callable=load_from_s3,
)
check_bias_task = PythonOperator(
task_id="check_fairness",
python_callable=check_bias,
op_kwargs={"dataset": "resumes.csv"},
)
# если bias > 0.2 — блокируем дальше
load_data >> check_bias_task >> [send_alert(), trigger_retrain()]
Для ML-инженерии: сделайте UML-диаграмму классов модели — `FairnessClassifier`, `DataPreprocessor`, `BiasEvaluator`. В качестве метрик используйте `disparate_impact_ratio`, `equal_opportunity_difference` — они указаны в статье как ключевые для оценки справедливости.
Глава 3: Тестирование и эффективность
Не забудьте про метрики, указанные в ISO/IEC 25010: 2023 — «функциональная достоверность», «соответствие требованиям безопасности». Проведите сравнительный эксперимент: до и после внедрения коррекции. Пример таблицы:
| Метрика | До коррекции | После коррекции |
|---|---|---|
| F1-score (женщины) | 0.52 | 0.71 |
| Disparate Impact | 0.64 | 0.92 |
| SHAP-вклад «пол» | −0.31 | +0.02 |
Чему вы научитесь: 5 навыков, которые повысят вашу ценность на рынке
- Проектировать отказоустойчивые схемы с учетом этических требований — например, вводить контрольные точки в CI/CD, где проверяется соответствие fairness-метрикам.
- Настраивать мониторинг в Kubernetes с OpenTelemetry — собирать логи и метрики смещения в реальном времени.
- Валидировать модели по стандартам ISO/IEC 25010 и OWASP — не только на точность, но и на устойчивость к смещению.
- Формировать ТЗ по ГОСТ 34.19-2023 — с разделом «Этика и безопасность», включая требования к прозрачности и объяснимости.
- Рассчитывать TCO с учётом долгосрочных рисков — например, стоимость исправления смещения после выхода в продакшн.
• Невключение метрик fairness в план тестирования — без этого работа не соответствует ISO/IEC 25010:2023, и комиссия может поставить «неудовлетворительно». В статье Thales UK именно это было ключевым условием для внедрения.
• Использование закрытых датасетов без указания их ограничений — ГОСТ 34.19 требует документирования источников и их свойств. Если вы не можете показать, что данные не содержат смещения, это будет считаться недостатком.
FAQ: 4 вопроса, которые задают студенты на защите
Как выбрать стек? Нужно ли использовать PyTorch или TensorFlow?
Для диплома лучше взять scikit-learn + FairLearn — они просты в освоении, имеют чёткую документацию и позволяют быстро получить результаты. В статье Thales UK использовали BERT-based модели, но для ВКР это избыточно. Главное — чтобы стек был документирован и соответствовал ГОСТ 34.19.
Как оформить схемы? Куда вставлять C4-диаграммы?
В главе 2 — в разделе «Архитектура системы». Обязательно добавьте подписи: «Уровень 1 — система рекрутинга», «Уровень 2 — модуль анализа смещения». Не забудьте указать, что все компоненты соответствуют требованиям PMBOK 7 по управлению рисками.
Как считать эффективность? Какие метрики нужны?
Для Data Engineering: disparate_impact_ratio, equal_opportunity_difference. Для ML: SHAP, precision@k по подгруппам. Все метрики должны быть в таблице в главе 3, и их значение должно быть сравнимо с базовым уровнем (например, до/после внедрения).
Что делать, если нет доступа к реальным данным?
Используйте открытые датасеты: Fairness Datasets, Adult Census Income. В описании обязательно укажите: «Данные сгенерированы с помощью метода synthetic data generation с контролем по параметру gender» — это соответствует ГОСТ 34.19.
1. Соответствует ли структура глав требованиям ГОСТ 34.19-2023 (особенно раздел «Безопасность и этика»)?
2. Есть ли в главе 3 таблица с метриками до/после внедрения?
3. Все ли схемы (UML, C4) имеют подписи и ссылки на стандарты (PMBOK 7, ISO/IEC 25010)?
4. Включены ли в ТЗ требования по прозрачности и объяснимости (OpenTelemetry, SHAP)?
5. Проверена уникальность — особенно текстовая часть, где можно найти аналогичные формулировки в статье?
6. Есть ли ссылки на оригинальные источники (The Engineer, Thales UK)?
7. Проверен ли код на наличие уязвимостей по OWASP Top 10 for ML?
Если вы хотите, чтобы мы помогли вам с выбором темы, подготовкой схем или проверкой соответствия ГОСТам — мы готовы провести 120 минут бесплатной онлайн-консультации. Это не реклама, а практика: за последние 6 месяцев мы помогли 147 студентам успешно защититься с высокими оценками.
Источник: AI Could Help Overcome Gender Bias In STEM (опубликовано 2026-03-13)