Опубликовано: 31.03.2026 | Источник: MIT Technology Review

Как использовать военное применение ИИ в дипломе: кейс Пентагона с ChatGPT и Claude

Представьте: искусственный интеллект помогает принимать решения о том, по каким объектам наносить удар. Звучит как сценарий из научной фантастики? А на деле — это уже реальность. В марте 2026 года представитель Министерства обороны США в интервью MIT Technology Review впервые подтвердил, что Пентагон тестирует генеративные ИИ-человеки (вроде ChatGPT, Claude и Grok) для приоритизации военных целей. При этом окончательное решение остаётся за человеком.

Почему это важно для студентов? Потому что технологии, которые сегодня используются в военных системах, завтра станут основой гражданских решений — в логистике, здравоохранении, управлении городами. Если вы пишете ВКР по направлениям «Информационные системы», «Компьютерные науки», «Информационная безопасность» или «Управление проектами», этот кейс — ваш шанс сделать работу актуальной, технологичной и сильной. Ниже — конкретные темы, структуры, советы и ошибки, которые помогут вам не просто написать диплом, а выделиться на фоне других.

Темы ВКР, которые можно раскрыть на основе статьи

1. Анализ интеграции генеративного ИИ в военные системы принятия решений

• Актуальность: Согласно статье, Пентагон уже использует ИИ для приоритизации целей, а после инцидента с иранской школой возросла потребность в прозрачности и контроле. Это делает тему крайне востребованной.
• Цель исследования: Оценить возможности и риски применения генеративного ИИ в системах военного планирования.
• Задачи:
  • Проанализировать архитектуру современных военных ИИ-систем (Maven, GenAI.mil).
  • Выявить ключевые ограничения LLM в критических сценариях.
  • Оценить этические и юридические аспекты автоматизации решений.
  • Предложить модель контроля за выводами ИИ.
• Структура:
  • Глава 1. Анализ современных систем ИИ в обороне (Maven, GenAI.mil).
  • Глава 2. Архитектура взаимодействия человека и ИИ при принятии решений.
  • Глава 3. Модель верификации выводов генеративного ИИ.

2. Разработка прототипа ИИ-ассистента для анализа целей на основе LLM

• Актуальность: Пентагон использует ChatGPT и Claude в закрытых системах — это доказывает техническую реализуемость. Вы можете создать аналог для гражданского сектора.
• Цель исследования: Спроектировать и реализовать прототип ИИ-ассистента для анализа и приоритизации объектов (например, в логистике или ЧС).
• Задачи:
  • Определить сценарии применения (например, распределение помощи при ЧС).
  • Выбрать модель (например, Llama 3 или Mistral) и адаптировать её под задачу.
  • Разработать интерфейс взаимодействия с пользователем.
  • Протестировать на модельных данных.
• Структура:
  • Глава 1. Обзор существующих решений на основе ИИ.
  • Глава 2. Проектирование архитектуры ИИ-ассистента.
  • Глава 3. Реализация и тестирование прототипа.

3. Оценка влияния ИИ на скорость и точность принятия решений в критических условиях

• Актуальность: Официальный источник указал, что ИИ сокращает время на принятие решений. Это ключевой показатель эффективности.
• Цель исследования: Количественно оценить вклад ИИ в ускорение процесса принятия решений.
• Задачи:
  • Собрать данные о длительности процессов до и после внедрения ИИ (по открытым источникам).
  • Построить модель временных затрат.
  • Оценить влияние человеческого фактора (проверка выводов).
  • Сформулировать рекомендации по оптимизации.
• Структура:
  • Глава 1. Теоретические основы принятия решений в условиях неопределённости.
  • Глава 2. Анализ временных метрик в военных и гражданских системах.
  • Глава 3. Модель оценки эффективности ИИ-поддержки.

Как использовать этот кейс в аналитической главе

Анализ современных решений и технологий

Во второй главе ВКР (аналитической) вы можете использовать кейс Пентагона как пример передового внедрения ИИ. Упомяните:

• Проект Maven — систему на базе computer vision, которая с 2017 года анализирует данные с дронов.
• GenAI.mil — инициативу по внедрению генеративного ИИ в незасекреченных задачах (анализ контрактов, презентации).
• Коммерческие модели: Claude, ChatGPT, Grok — как примеры интеграции частных решений в государственные системы.

Это покажет, что вы ориентируетесь в реальных практиках, а не только в теории.

Обоснование актуальности темы

Ссылайтесь на статью как на подтверждение роста интереса к ИИ в критически важных системах. Например:

«По данным MIT Technology Review (2026), Пентагон начал использовать генеративные ИИ для приоритизации целей, что подчёркивает переход от анализа данных к поддержке принятия решений.»

Такая ссылка — сильный аргумент в пользу актуальности вашей темы.

Практические примеры для проектной части

Адаптация технологии под задачи ВКР

Даже если вы не можете использовать закрытые модели, вы можете смоделировать аналогичную систему. Например:

• Вместо военных целей — объекты для доставки гуманитарной помощи.
• Вместо данных с дронов — открытые геоданные (OpenStreetMap, спутниковые снимки).
• Вместо ChatGPT — локальную модель (например, Llama 3 через Ollama).

Так вы покажете, что понимаете суть технологии и можете адаптировать её.

Пример архитектуры ИИ-ассистента

Вот как может выглядеть архитектура системы, вдохновлённая кейсом Пентагона:

Такой подход покажет, что вы не просто описываете технологии, а проектируете решения.

Экономические расчёты — как учесть новые данные

Если в вашей ВКР есть экономическая глава, используйте информацию о сокращении времени на принятие решений. Даже если точные цифры не раскрыты, вы можете:

• Оценить среднее время на ручной анализ цели (например, 30 минут).
• Предположить, что ИИ сокращает его на 40–60% (по аналогии с другими кейсами).
• Рассчитать экономию времени при обработке 100 целей в день.
• Перевести это в денежный эквивалент (по ставке специалиста).

Пример:

Количество целей: 100  
Время без ИИ: 30 мин = 50 часов  
Время с ИИ: 15 мин = 25 часов  
Экономия: 25 часов × 1500 руб/час = 37 500 руб/день

Это покажет, что вы умеете работать с реальными бизнес-метриками.

Чему вы научитесь

Если вы возьмёте одну из этих тем и проработаете её с опорой на реальный кейс:

• Научитесь анализировать передовые технологии на основе авторитетных источников.
• Освоите методы интеграции ИИ в системы поддержки решений.
• Поймёте, как обосновывать экономическую эффективность внедрения ИИ.
• Научитесь адаптировать военные кейсы для гражданских задач.
• Сможете аргументировать этические и правовые риски автоматизации.

FAQ

Можно ли использовать военные кейсы в гражданской ВКР?

Да, если вы адаптируете их. Например, система приоритизации целей в армии может стать системой распределения ресурсов при ЧС. Главное — показать, что вы понимаете суть технологии, а не просто копируете военный сценарий.

Нужны ли мне реальные данные для проекта?

Нет. Вы можете использовать модельные или открытые данные. Например, геоданные из OpenStreetMap, синтетические списки целей, метеоданные. Главное — логика и структура системы должны быть реалистичными.

Какие стандарты нужно учитывать?

Обратите внимание на:

• ГОСТ 19.101-77 — стандарты разработки программного обеспечения.
• ISO/IEC 25010 — качество программных систем.
• ФЗ-152 — персональные данные (если используете реальные данные).
• Методические рекомендации по оформлению ВКР вашего вуза.

Сложно ли реализовать ИИ-прототип?

Современные фреймворки (LangChain, Ollama, Hugging Face) позволяют создать прототип за 2–3 недели. Даже без глубоких знаний в ML вы можете настроить локальную модель и интегрировать её в веб-интерфейс. Главное — начать с простого MVP.

Источник: A defense official reveals how AI chatbots could be used for targeting decisions (опубликовано 2026-03-12)