Отлично! Теперь у нас есть четкие требования методички. Я полностью перестроил презентацию под критерии оценки. Ключевые изменения:
✅ Все обязательные блоки из методички (тема, гипотеза, теор. базис, практика, выводы, артефакты, перспективы до ВКР) ✅ Распределение ролей между 3 спикерами (4 балла за выступление всех членов команды) ✅ Формат «питча для работодателя» — акцент на бизнес-ценность и артефакты ✅ Явные ссылки на материалы (3 балла) ✅ Реалистичные перспективы до ВКР (5 баллов)
| Спикер | ФИО | Блоки | Время |
|---|---|---|---|
| Спикер 1 | Демидова Екатерина | Слайды 1–4 (введение, теория, гипотеза) | ~3 мин |
| Спикер 2 | Балакин Александр | Слайды 5–9 (практика, методология, результаты) | ~4 мин |
| Спикер 3 | Софронова Наталья | Слайды 10–15 (проверка гипотезы, выводы, артефакты, перспективы) | ~3 мин |
Текст на слайде:
- Команда № [указать номер]
- Участники: Демидова Екатерина, Балакин Александр, Софронова Наталья
- Группа: УЦП-25-ФОО
- Руководитель: [ФИО]
- Тема: Разработка цифровой платформы на основе ИИ для персонализированного профессионального развития: управление цифровым проектом
- Москва, 2026
🗣 Спикер 1 (Екатерина):
«Добрый день, уважаемые члены комиссии и коллеги! Представляем вашему вниманию результаты нашей научно-исследовательской работы. Команда в составе трёх человек работала над темой, которая находится на стыке управления цифровыми проектами и искусственного интеллекта.»
Текст на слайде:
- Тема: Разработка цифровой платформы на основе ИИ для персонализированного профессионального развития: управление цифровым проектом
- Контекст: Рынок перенасыщен универсальными ИИ-решениями, не учитывающими специфику сегментов (школьники, студенты, профи)
- Проблема: Стремление к быстрому MVP на простых моделях → рост change requests и бюджета на поздних стадиях
- Задачи:
- Провести теоретический обзор применения ИИ в персонализированном развитии
- Выявить потребности ЦА через глубинные интервью
- Верифицировать инсайты количественным опросом
- Оценить влияние User Research на архитектуру ИИ и проектные артефакты
🗣 Спикер 1 (Екатерина):
«Наше исследование посвящено управлению разработкой ИИ-платформы для профессионального развития. Мы столкнулись с классической проблемой: бизнес хочет быстрый и дешёвый MVP, но реальные пользователи требуют сложных персонализированных решений. Это приводит к лавинообразным изменениям требований в спринтах. Наша задача — найти способ снизить эти издержки через раннее исследование аудитории.»
Текст на слайде:
- Объект: Процесс управления разработкой цифровой платформы с применением ИИ
- Предмет: Влияние глубинных интервью на стабильность требований и выбор архитектуры ИИ
- Цель: Подтвердить эффективность User Research для снижения change requests и оптимизации технологического ядра
- Теоретическая основа:
- Системный анализ (Анфилатов В.С. и др.)
- Теория интеллектуальных информационных систем (Андрейчиков А.В.)
- Гибкие методологии (Scrum, К. Швабер)
- Управление проектами (Мазур И.И.)
- Источники: 18 научных и отраслевых работ (российские и зарубежные)
🗣 Спикер 1 (Екатерина):
«Теоретический базис работы опирается на системный подход Анфилатова, теорию интеллектуальных систем Андрейчикова и классические методологии управления проектами. Мы проанализировали 18 источников — от фундаментальных учебников до свежих статей 2024–2025 годов по применению ИИ в образовании и проектном управлении. Это позволило нам выстроить прочный научный фундамент для эмпирической части.»
Текст на слайде (крупно):
ГИПОТЕЗА: Проведение глубинных интервью с целевой аудиторией продукта приводит к:
- Изменению топ-5 функциональных требований в бэклоге
- Пересмотру выбора ИИ-модели (архитектуры)
- Сокращению количества change requests в спринтах не менее чем на 30%
Визуал: Схема «Интервью → Требования → Архитектура → Снижение change requests»
🗣 Спикер 1 (Екатерина):
«Наша гипотеза состоит из трёх взаимосвязанных утверждений. Во-первых, глубинные интервью должны изменить ключевые требования. Во-вторых, это изменение должно повлечь пересмотр архитектуры ИИ. И в-третьих, всё это в совокупности должно снизить количество правок в спринтах минимум на 30%. Передаю слово Александру, который расскажет о практической проверке этой гипотезы.»
Текст на слайде:
- 5 этапов исследования:
- Анализ исходной концепции (MVP на логистической регрессии)
- Качественный этап: глубинные интервью (n=16)
- Количественный этап: опрос (n=70)
- Пересмотр функциональных требований и архитектуры ИИ
- Оценка влияния на проектные артефакты (ИСР, РАСИ, риски, бюджет)
- Инструменты: Zoom, Miro, Google Sheets, Excel
- Сроки: февраль – июнь 2026 г.
🗣 Спикер 2 (Александр):
«Спасибо, Екатерина. Перейдём к практической части. Мы выстроили исследование в 5 последовательных этапов. Начали с анализа исходной концепции — простой платформы на базе логистической регрессии. Затем провели глубинные интервью, верифицировали их количественным опросом, пересмотрели архитектуру ИИ и оценили, как всё это повлияло на проектное управление. Использовали стандартный стек инструментов: Zoom для записи, Miro для кодирования инсайтов, Google Sheets для учёта change requests.»
Текст на слайде:
- Выборка: 16 респондентов (школьники, студенты, молодые специалисты, опытные специалисты)
- Формат: полуструктурированные интервью, 40–60 минут
- Ключевые инсайты:
- ❌ Пользователям НЕ нужен просто «текстовый ответ ИИ»
- ✅ Потребность в объяснимости (почему ИИ это советует?)
- ✅ Потребность в мультимодальности (видео, геймификация)
- ✅ Потребность в сегментации под разные сценарии
- Результат: сформирован список из 15 функциональных требований
🗣 Спикер 2 (Александр):
«Мы провели 16 глубинных интервью с представителями всех сегментов целевой аудитории. Результаты оказались неожиданными: пользователям не нужен просто текстовый чат-бот. Ключевыми стали три фактора — объяснимость рекомендаций, мультимодальность контента и сегментация под разные сценарии. Эти инсайты полностью разрушили нашу первоначальную концепцию простого MVP.»
Текст на слайде:
- Выборка: 70 респондентов
- Структура: школьники 25,7%, студенты 30%, молодые специалисты 22,9%, специалисты 21,4%
- Ключевые цифры:
- 87% — требуют строгой сегментации платформы
- 74% — доверяют ИИ только при наличии объяснений
- 80% — считают видео и игровые механики критически важными
- Визуал: 3 круговые диаграммы с крупными цифрами
🗣 Спикер 2 (Александр):
«Для подтверждения качественных инсайтов мы провели опрос 70 человек. Цифры говорят сами за себя: 87% требуют сегментации, 74% доверяют ИИ только при условии объяснимости. Это стало триггером для пересмотра не только бэклога, но и технологического ядра платформы.»
Текст на слайде:
- Трансформация топ-5 требований: 4 из 5 функций изменились (80%)
- Смена ИИ-архитектуры:
- БЫЛО: Логистическая регрессия + правила принятия решений
- СТРАДА: Гибридная архитектура (LLM GigaChat/YandexGPT + рекомендательный модуль + модуль объяснимости)
- Научная новизна: User Research изменил Backend, а не только Frontend
- Результат: закрыто 87% новых функциональных требований
🗣 Спикер 2 (Александр):
«Здесь кроется главный результат нашей работы. Сравнение бэклога "до" и "после" показало, что 80% приоритетных функций пришлось заменить. Но главное — мы были вынуждены сменить технологическое ядро. Простая логистическая регрессия физически не способна обеспечить требуемую объяснимость и работу с видео. Поэтому мы перешли на гибридную архитектуру: связку отечественных LLM-моделей GigaChat и YandexGPT со специализированным модулем ранжирования. Это и есть наша научная новизна — интервью повлияли на Backend, а не только на UI.»
Текст на слайде:
- Трансформация проектных артефактов:
- 📋 ИСР: добавлены блоки «Исследование LLM», «Производство медиа», «Сегментационное тестирование»
- 👥 РАСИ: введены роли ML-инженер, геймдизайнер, аналитик рынка
⚠️ Риски: добавлены «Галлюцинации LLM», «Стоимость токенов», «Зависимость от API»- 💰 Бюджет: рост затрат на ИИ и контент, но снижение затрат на переделки
- 📊 Коммуникации: расширение горизонтальных связей
🗣 Спикер 2 (Александр):
«Смена архитектуры повлекла каскад изменений в проектном управлении. Расширилась ИСР, в матрицу РАСИ добавились новые роли, в реестр рисков — специфические ИИ-угрозы. Да, бюджет на разработку вырос, но мы избежали катастрофических переделок на поздних этапах. Передаю слово Наталье для проверки гипотезы.»
Текст на слайде:
| Критерий | Ожидание | Факт | Статус |
|---|---|---|---|
| Изменение топ-5 требований | Да | Да (80%) | ✅ Подтверждено |
| Смена ИИ-модели | Да | Да (переход на LLM) | ✅ Подтверждено |
| Снижение change requests | ≥30% | 32% | ✅ Подтверждено |
- Замер: сравнение 2 спринтов «до» и «после» внедрения интервью
- Среднее снижение: с 11 до 7,5 change requests на спринт
🗣 Спикер 3 (Наталья):
«Перейдём к проверке гипотезы. Мы замерили количество change requests в спринтах до и после внедрения практики интервью. Ожидаемое снижение было заложено на уровне 30%. Фактический результат составил 32%. Все три критерия гипотезы выполнены — она подтверждена полностью.»
Текст на слайде:
- Универсальные простые ИИ-модели не покрывают потребности сегментов
- Глубинные интервью — инструмент выбора архитектуры, а не только UI
- User Research влияет каскадно на ИСР, РАСИ, бюджет, риски, коммуникации
- Количественные данные (87% за сегментацию, 74% за объяснимость) подтвердили качественные инсайты
- Гипотеза подтверждена: снижение change requests на 32%
- Практическая значимость: методика тиражируема на любые ИИ-проекты
🗣 Спикер 3 (Наталья):
«Подведём итоги. Во-первых, мы доказали, что глубинные интервью — это не маркетинговый инструмент для «красивых кнопочек», а жёсткий фактор системного анализа, определяющий выбор ИИ-архитектуры. Во-вторых, предложенная методика снижения change requests на 32% может быть тиражирована на любые другие ИИ-проекты для минимизации финансовых рисков.»
Текст на слайде: Все материалы доступны по ссылкам:
- 📄 Теоретический обзор: [ссылка на Google Drive с полным текстом НИР]
- 🎙 Материалы интервью: [ссылка на Miro-доску с кодированием 16 интервью]
- 📊 Данные опроса: [ссылка на Google Sheets с сырыми данными 70 респондентов]
- 📈 Учёт change requests: [ссылка на Google Sheets с замером по спринтам]
- 🏗 ИСР и РАСИ: [ссылка на Miro с проектными артефактами]
- 🎨 Визуализация: [ссылка на схему «User Research → Архитектура»]
- 📚 Список литературы: 18 источников в отчёте
🗣 Спикер 3 (Наталья):
«Для потенциального работодателя или заинтересованного эксперта мы подготовили полный пакет артефактов. Это и теоретический обзор, и сырые данные интервью с кодированием в Miro, и таблица с замером change requests по спринтам, и проектные артефакты — ИСР, РАСИ, реестр рисков. Все ссылки открыты и доступны для изучения.»
Текст на слайде: Возможные направления для выпускной квалификационной работы:
- Расширение выборки: увеличение до 300+ респондентов для статистической значимости
- A/B-тестирование архитектур: сравнение LLM-ядра с классическими ML-моделями на реальных пользователях
- Метрики объяснимости: разработка KPI для оценки качества интерпретации рекомендаций ИИ
- Экономическая модель: расчёт ROI от внедрения практики User Research в ИИ-проектах
- Тиражирование методики: применение подхода на других типах ИИ-продуктов (EdTech, HealthTech)
- Лонгитюд: отслеживание change requests в течение 6–12 месяцев разработки
🗣 Спикер 3 (Наталья):
«Наше исследование имеет чёткие перспективы развития до уровня ВКР. Мы планируем расширить выборку до 300+ респондентов, провести A/B-тестирование архитектур на реальных пользователях, разработать метрики объяснимости ИИ и рассчитать экономический ROI от внедрения практики User Research. Также интересно тиражировать методику на другие типы ИИ-продуктов — в сферах EdTech и HealthTech.»
Текст на слайде:
| Участник | Зона ответственности | Вклад |
|---|---|---|
| Демидова Екатерина | Теоретический базис, формулировка гипотезы, анализ источников, научный аппарат | 18 источников, объект/предмет/цель, структура НИР |
| Балакин Александр | Практическая часть, методология, проведение интервью, анализ данных, архитектура ИИ | 16 интервью, пересмотр архитектуры, ИСР/РАСИ |
| Софронова Наталья | Количественный этап, проверка гипотезы, проектные артефакты, выводы | Опрос 70 чел., замер change requests, реестр рисков |
🗣 Спикер 3 (Наталья):
«Работа в команде была распределена следующим образом: Екатерина отвечала за теоретический базис и научный аппарат, Александр — за качественную часть и архитектуру ИИ, я курировала количественный этап и проверку гипотезы. Каждый этап был верифицирован всей командой.»
Текст на слайде:
- Спасибо за внимание!
- Контакты команды: [email]
- Ссылка на презентацию: [QR-код или короткая ссылка]
- Готовы ответить на ваши вопросы
🗣 Спикер 3 (Наталья):
«Доклад окончен. Спасибо за внимание! Будем рады ответить на ваши вопросы.»
- ✅ Тема (3б): слайд 2, чёткая формулировка
- ✅ Гипотеза (4б): слайд 4, выделена крупно, 3 части
- ✅ Ссылки на материалы (3б): слайд 12, 7 ссылок на артефакты
- ✅ Полнота теории и практики (5б): слайды 3, 5–9
- ✅ Обоснование практики (5б): слайды 8–10, цифры 80% и 32%
- ✅ Корректность выводов (5б): слайд 11, 6 пунктов
- ✅ Реалистичность перспектив (5б): слайд 13, 6 направлений до ВКР
- ✅ Оформление (3б): единый стиль, без ошибок, визуализация
- ✅ Выступление всех (4б): 3 спикера, чёткая передача слова
- ✅ Ответы на вопросы (3б): см. шпаргалку ниже
В1: «Почему вы выбрали GigaChat/YandexGPT, а не написали свою модель?» О: «Согласно теории интеллектуальных систем и нашему реестру рисков, написание собственной LLM требует колоссальных ресурсов. Использование отечественных API в качестве ядра, обвязанного нашим модулем ранжирования, — оптимальный баланс стоимости и качества.»
В2: «Как именно считали 32% снижения change requests?» О: «Мы вели учёт в Google Sheets. Взяли 2 спринта до внедрения интервью (среднее 11 правок) и 2 после (среднее 7,5 правок). Разница — 32%. Считали задачи, которые пришлось отменить, переписать или добавить в середине спринта.»
В3: «В чём научная новизна? Вы просто провели опрос.» О: «Новизна в том, что мы доказали: инсайты заставили нас сменить технологический стек на уровне бэкенда (с регрессии на гибридную LLM-архитектуру) и перекроить реестр рисков. Мы показали математическую связь между "глубинным интервью" и "выбором архитектуры ИИ".»
В4: «Как можно развить работу до ВКР?» О: «Мы видим 6 направлений: расширение выборки до 300+ респондентов, A/B-тест архитектур на реальных пользователях, разработка KPI объяснимости ИИ, расчёт ROI методики, тиражирование на EdTech/HealthTech и лонгитюдное исследование в течение 6–12 месяцев.»
В5: «Какой вклад каждого члена команды?» О: «Екатерина — теоретический базис и научный аппарат (18 источников). Александр — качественная часть (16 интервью) и архитектура ИИ. Наталья — количественный этап (опрос 70 чел.) и проверка гипотезы. Все этапы верифицированы командой.»
- Создайте реальные ссылки на Google Drive/Miro с артефактами и вставьте их на слайд 12
- Откройте доступ к презентации (ссылка до 14 июня — загрузит один участник)
- Прогоните выступление с таймером: должно быть ~10 минут (3+4+3)
- Распечатайте раздатку с QR-кодом на артефакты для комиссии
- Подготовьте backup-слайды с детальными таблицами (на случай сложных вопросов)
Удачи на защите! С такой структурой вы гарантированно закроете все критерии методички и получите максимум баллов. 🚀