AI-автоматизация в разработке ПО: дипломный проект на основе кейса Atlassian

В марте 2026 года Atlassian объявила о сокращении 1600 сотрудников, делая ставку на искусственный интеллект для «светлого будущего». Инвесторы отреагировали ростом акций, а в офисах воцарилась тишина. Для студента ИТ-специальности это не просто новость, а готовый кейс для выпускной работы. Как измерить реальный эффект от внедрения AI в процессы разработки? Какие метрики покажут, что сокращение штата оправдано? Как спроектировать систему, где AI берёт на себя рутину, а люди занимаются креативом? В этой статье разберём, как превратить историю Atlassian в защищаемую ВКР по направлению ML/Data Engineering.

Темы ВКР, которые вытекают из кейса Atlassian

Вот три актуальные темы, которые можно развить, опираясь на статью и собственные эксперименты.

1. Анализ эффективности замены ручного труда ML-моделями в задачах DevOps

Актуальность: Atlassian заменила 1600 человек AI-решениями для управления проектами и поддержки. Студент может смоделировать аналогичный пайплайн в миниатюре: например, классификация багов в Jira с помощью NLP или автоматизация triage задач.

Цель: Разработать и оценить ML-модель для автоматизации обработки заявок, сравнить время и ошибки с ручным процессом.

Задачи:

• Сбор и разметка данных из открытых репозиториев (например, Bugzilla, GitHub Issues).
• Выбор архитектуры (BERT, логистическая регрессия, LightGBM).
• Обучение и валидация модели (accuracy, F1, precision/recall).
• Расчёт экономии времени (MTTR) и стоимость ошибок.

Структура: Глава 1 – Обзор AI в DevOps (ссылка на кейс Atlassian), Глава 2 – Проектирование пайплайна (с диаграммами C4), Глава 3 – Тестирование и расчёт ROI.

2. Проектирование отказоустойчивого AI-сервиса для анализа кода в CI/CD

Актуальность: Atlassian инвестирует в AI для повышения качества решений. Студент может разработать микросервис, который автоматически проверяет pull request на соответствие code style или выявляет уязвимости.

Цель: Создать сервис на базе OpenAI API или собственной модели, развернуть его в Kubernetes, обеспечить масштабирование и мониторинг.

Задачи:

• Разработка REST API для инференса модели.
• Интеграция с GitHub Actions / GitLab CI.
• Настройка OpenTelemetry для сбора логов и метрик.
• Оценка SLA (время ответа, процент ошибок) и себестоимости.

Структура: Глава 1 – Анализ существующих решений и стандартов (ISO/IEC 25010, OWASP), Глава 2 – Архитектура и реализация (UML-диаграммы компонентов), Глава 3 – Тестирование под нагрузкой и экономика.

3. Оценка влияния AI-ассистентов на производительность команды разработки

Актуальность: Решение Atlassian сократить персонал основано на предположении, что AI повышает производительность. Студент может провести экспериментальное исследование: выбрать группу добровольцев, заставить их выполнять типовые задачи с AI-помощью и без, замерить время и качество.

Цель: Статистически обосновать влияние AI-ассистента (например, GitHub Copilot) на скорость и количество ошибок при написании кода.

Задачи:

• Подбор метрик (время выполнения, Code Churn, количество прохождений тестов).
• Проведение A/B-теста в контролируемой среде.
• Обработка результатов с использованием t-критерия.
• Формулировка рекомендаций для внедрения в компании.

Структура: Глава 1 – Теория (PMBOK 7, методики оценки), Глава 2 – Дизайн эксперимента, Глава 3 – Анализ данных и выводы.

Как встроить кейс Atlassian в главы ВКР

Во введении и первой главе

Опирайтесь на факт из статьи: компания считается лидером инструментов для разработки, и её радикальное решение – маркер для всей индустрии. Приведите цитату о том, что «инвесторы аплодируют», чтобы подчеркнуть экономическую мотивацию. Это станет отличной мотивацией для вашей темы: если крупный вендор переходит на AI, значит, это выгодно и технологически зрело.

Во второй главе – проектирование

Покажите, как вы будете строить систему, похожую на ту, что внедрила Atlassian. Например, спроектируйте микросервисную архитектуру с ML-агентом для классификации заявок. Используйте C4-диаграммы: контекст (пользователь -> Jira -> ML-модуль), контейнеры (ML-сервис, база знаний, мониторинг), компоненты (NLP-пайплайн, решающее правило). Ниже пример конфигурации для развёртывания ML-модели в Kubernetes:

apiVersion: apps/v1
kind: Deployment
metadata:
  name: ai-triage
spec:
  replicas: 2
  selector:
    matchLabels:
      app: ai-triage
  template:
    metadata:
      labels:
        app: ai-triage
    spec:
      containers:
      - name: ml-service
        image: myrepo/ai-triage:latest
        ports:
        - containerPort: 8080
        env:
        - name: MODEL_PATH
          value: "/models/bert_triage.pkl"
        livenessProbe:
          httpGet:
            path: /health
            port: 8080

В третьей главе – метрики и эффективность

Для защиты вам понадобятся измеримые результаты. Используйте метрики поддомена AI/ML: accuracy, precision, recall, F1, а также бизнес-показатели: MTTR (Mean Time to Resolve), Cost per ticket, ROI. Пример расчёта:

• До AI: 1000 заявок/день, среднее время обработки – 15 минут, зарплата специалиста – 40 руб/мин → 15×40×1000 = 600 000 руб/день.
• После AI: 80% заявок обрабатываются за 2 минуты, остальные 20% – 10 минут → средневзвешенное 3.6 мин, стоимость инференса – 0.01 руб/заявка → итого около 144 000 руб/день.

Не забудьте про метрики качества из ISO/IEC 25010: функциональная пригодность, производительность, надёжность. В отчёте укажите, как ваша система соответствует этим характеристикам.

Чему вы научитесь, выполнив такую ВКР

• Проектировать пайплайны данных для ML и интегрировать их в существующие бизнес-процессы.
• Настраивать мониторинг и observability моделей с помощью OpenTelemetry.
• Разворачивать ML-сервисы в Kubernetes с учётом отказоустойчивости.
• Считать экономический эффект от внедрения AI и оформлять его по стандартам (ГОСТ 34 и PMBOK 7).
• Проводить A/B-тесты и статистически обосновывать результаты.

Часто задаваемые вопросы

1. Где взять данные для обучения ML-модели, если у меня нет доступа к коммерческим логам?

Используйте открытые наборы: Google Code Jam, Stack Overflow, Bugzilla (Mozilla). Можно синтезировать данные из публичных issue трекеров. Если тема связана с задачей классификации, подойдёт датасет «Jira Dataset» с Kaggle (ищите по ключу «jira issues»).

2. Какой стек выбрать, чтобы не перегрузить работу, но показать глубину?

Минимальный: Python (scikit-learn, transformers), Docker, Kubernetes (minikube для демонстрации), PostgreSQL для хранения результатов. Для мониторинга – Prometheus + Grafana. Не обязательно использовать распределённое обучение – достаточно одного ноутбука с GPU (Google Colab).

3. Как обосновать актуальность, если в вузе скептически относятся к AI?

Ссылайтесь на кейс Atlassian как на отраслевой тренд. Приведите цифры: по данным Gartner, к 2027 году 60% компаний будут использовать AI-ассистентов в разработке. Покажите, что ваша работа – это исследование эффективности, а не слепое следование моде.

4. Требуется ли оформлять схемы по ГОСТ 19/34?

Да, если в вашем вузе принят ГОСТ 34 для автоматизированных систем. Используйте UML-диаграммы (вариантов использования, классов, компонентов) как приложение. В тексте ссылайтесь на «Схему архитектуры программного обеспечения» согласно ГОСТ 34.601-90. Это добавит баллов на защите.

Источник: Минус 1600 сотрудников ради светлого будущего с ИИ. Оно того стоило, Atlassian? (опубликовано 2026-03-16)