Опубликовано: 20.07.2026 | Источник: TechCrunch

AI в дипломе: как обосновать этические и технические границы использования нейросетей в креативных индустриях

Поддомен: Data/ML
Роль: Data/ML-инженер

Введение

На SXSW 2026 года Стивен Спилберг заявил, что ни разу не использовал ИИ в своих фильмах. Он подчеркнул: ИИ полезен во многих сферах, но не должен заменять сценаристов и режиссёров. Это не просто позиция кинематографиста — это сигнал для всех, кто работает с ИИ: автоматизация не должна уничтожать творчество.

Для студентов ИТ-специальностей это ключевой повод задуматься: как внедрять ML-решения, не нарушая этических норм? Как оценить, где ИИ помогает, а где — дегуманизирует процесс? Такие вопросы делают ВКР не просто технически сильной, но и социально значимой. Вы сможете показать на защите: вы не только умеете строить модели, но и понимаете последствия их применения.

Темы ВКР

Основная часть

Как использовать статью в теоретической главе (Глава 1)

Фраза Спилберга — отличный entry point для анализа границ ИИ. Не просто цитируйте — вставьте её как case study. Например:

• Сравните его позицию с практикой Netflix, использующего ИИ для анализа зрительских предпочтений (но не для генерации сценариев).
• Проанализируйте, какие метрики качества контента теряются при автоматизации: оригинальность, эмоциональная глубина, культурная релевантность.
• Ссылайтесь на ISO/IEC 25010: в пункте «Functional Suitability» есть подпункт «Accuracy». Примените его к генерации текста: точность ≠ художественная ценность.

Архитектура системы: C4-модель и UML

Если вы проектируете систему «сценарист + ИИ», обязательно включите диаграммы. Вот пример C4-уровня:

Контейнер:
[Сценарист] → [Интерфейс подсказок] → [Fine-tuned LLM (Llama 3)]
                     ↓
           [Модуль контроля авторства]
                     ↓
             [Лог событий (OpenTelemetry)]

Для UML — используйте sequence diagram, чтобы показать, как пользователь получает подсказку, принимает или отклоняет её, и как система фиксирует решение. Это покажет, что вы продумали не только технику, но и ответственность.

Метрики эффективности: не только accuracy

Не ограничивайтесь стандартными метриками вроде BLEU или ROUGE. Они плохо отражают качество сценария. Используйте комбинированный подход:

• Coherence Score — оценка логической связности абзаца (можно реализовать через cosine similarity между эмбеддингами предложений).
• Emotional Arc — анализ тональности по актам (библиотека vaderSentiment или transformers.pipeline("sentiment-analysis")).
• Human Preference Rate — процент принятых ИИ-подсказок в A/B-тесте.

# Пример кода для Emotional Arc
from transformers import pipeline
import matplotlib.pyplot as plt

sentiment_pipeline = pipeline("sentiment-analysis", model="cardiffnlp/twitter-roberta-base-sentiment")
scenes = ["...", "..."]  # список сцен
scores = [sentiment_pipeline(scene)[0]['score'] for scene in scenes]
plt.plot(scores)
plt.title("Emotional Arc of the Script")
plt.show()

Как оформить реализацию (Глава 2–3)

В реализации важно показать:

• Как вы дообучали модель (LoRA, QLoRA) — приведите конфигурацию обучения.
• Как обеспечили прозрачность — например, через OpenTelemetry для логирования всех действий пользователя и ИИ.
• Как тестировали — A/B-тест с участием 5–10 человек (можно студентов журфака или киновуза).

Пример лога:

{
  "timestamp": "2026-03-15T10:30:00Z",
  "user_id": "writer_01",
  "ai_suggestion": "Добавить конфликт в сцену 12",
  "user_action": "rejected",
  "reason": "нарушает характер персонажа"
}

Чему вы научитесь

• Проектировать ML-системы с учётом этических ограничений.
• Оценивать качество генеративного ИИ не только по метрикам, но и по человеческому фактору.
• Строить C4-диаграммы и UML для описания взаимодействия человека и ИИ.
• Работать с fine-tuning маломощных моделей (QLoRA, GGUF).
• Оформлять выводы по ГОСТ 34.19-2023 (схемы, описания, приложения).

FAQ

Какой стек выбрать для реализации ИИ-ассистента?

Python + Hugging Face Transformers + Streamlit/FastAPI. Для дообучения — QLoRA через PEFT. Модель: Llama 3 8B (через Hugging Face Hub, с соблюдением лицензии). Для логирования — OpenTelemetry + JSON-логи. Это реально запустить на RTX 4090 или в Google Colab Pro.

Нужно ли писать код, если тема теоретическая?

Даже в теоретической работе нужен минимум реализации. Например, прототип интерфейса, анализ данных, расчёт метрик. Без кода — риск «ватной» защиты. Комиссия спросит: «А вы пробовали?»

Как считать эффективность этического фреймворка?

Используйте матрицу оценки: каждый критерий (fairness, transparency) — по шкале 1–5. Проведите опрос среди 10 экспертов (режиссёры, юристы, ИТ-специалисты). Посчитайте средний балл и доверительный интервал. Это будет ваша метрика.

Как оформить схемы по ГОСТ?

Каждая схема — рисунок с подписью: «Рисунок 2.1 — C4-диаграмма системы поддержки сценариста». Шрифт — Times New Roman 12 pt. Подпись снизу, выровнена по центру. Не забудьте про пояснения в тексте: «Как видно на рисунке 2.1…»

Источник: Steven Spielberg says he’s ‘never used AI’ in any of his films (опубликовано 2026-03-13)

--- **Семантический анализ (выполнен):** - **Primary keyword:** *этические ограничения ИИ в креативных индустриях* - **LSI-запросы:** - fine-tuning LLM - LoRA/QLoRA - OpenTelemetry logging - C4 model architecture - ISO/IEC 25010 - human-in-the-loop - sentiment analysis - coherence score - ethical AI framework - ГОСТ 34.19-2023 - **Вопросы студентов:** 1. Как доказать, что ИИ «плохо пишет», если нет объективных метрик? 2. Можно ли использовать закрытые API (например, ChatGPT) в ВКР? 3. Где взять данные для обучения модели на сценариях? 4. Как оформить схему взаимодействия человека и ИИ? 5. Как считать эффективность, если основная цель — этическая? - **Ключевые сущности:** ISO/IEC 25010, OpenTelemetry, C4 Model, ГОСТ 34.19-2023, BLEU/ROUGE **Выбрана схема структуры: A** (Введение → Темы ВКР (таблица) → Основная часть → Ошибки → FAQ → Чек-лист → CTA → Эксперт → Источник)