Введение
В современных условиях цифровизации образования эффективность и доступность коммуникации между высшим учебным заведением и потенциальными абитуриентами становятся критически важными факторами конкурентоспособности. Процесс поступления сопровождается огромным количеством типовых вопросов, касающихся сроков, документов, специальностей и правил зачисления. Традиционная организация работы приемной комиссии, основанная на обработке запросов по телефону, электронной почте и в социальных сетях, зачастую приводит к значительным временным задержкам, дублированию информации и повышенной нагрузке на сотрудников, особенно в пиковые периоды [1, с. 5].
Арзамасский политехнический институт (филиал) НГТУ им. Р.Е. Алексеева (АПИ НГТУ) сталкивается с аналогичными вызовами. Отсутствие централизованной автоматизированной системы для ответов на вопросы абитуриентов приводит к необходимости ручного поиска информации сотрудниками, что снижает оперативность и может негативно влиять на имидж вуза. Целью данной работы является разработка программного решения — онлайн-ассистента, способного автоматически обрабатывать текстовые запросы пользователей и предоставлять релевантные ответы из структурированной базы знаний, тем самым оптимизируя работу приемной комиссии.
Методология и проектирование системы
Проектирование системы началось с анализа предметной области и формулировки технического задания (ТЗ). Ключевые требования включали: поддержку до 100 одновременных пользователей, время ответа не более 5 секунд, высокую надежность (коэффициент оперативной готовности не ниже 0,99) и простоту администрирования [2, с. 10].
Было проведено сравнительное исследование возможных технологических решений (табл. 1).
Таблица 1.
Сравнительный анализ технологий для реализации компонентов системы
|
Компонент системы |
Рассматриваемые варианты |
Критерии выбора |
Выбранное решение |
|
База знаний |
Файл JSON, Реляционная СУБД |
Производительность, масштабируемость, простота администрирования |
SQLite |
|
Модель поиска ответов |
SentenceTransformer, GPT-3 |
Скорость, стоимость, независимость от внешних API, точность |
Sentence Transformer (paraphrase-multilingual-MiniLM-L12-v2) |
|
Пользовательский интерфейс |
Веб-интерфейс (HTML/CSS/JS), Кроссплатформенное приложение |
Доступность, стоимость разработки, совместимость |
Веб-интерфейс |
Архитектура системы (рис. 1) построена по клиент-серверной модели. Серверная часть реализована на Python с использованием фреймворка FastAPI для обеспечения высокой производительности и асинхронной обработки запросов. В качестве ядра интеллектуального поиска применяется нейросетевая модель SentenceTransformer, которая преобразует тексты вопросов и статей базы знаний в векторные представления (эмбеддинги). Поиск релевантных ответов осуществляется путем вычисления косинусного сходства между вектором запроса и векторами, хранящимися в базе данных SQLite.
Рисунок 1. Упрощенная архитектура онлайн-ассистента
Клиентская часть представляет собой одностраничное веб-приложение (SPA), что обеспечивает быструю работу и интуитивно понятный интерфейс. Для лемматизации русскоязычных текстов на этапе предобработки используется библиотека Pymorphy2, что повышает точность поиска.
Реализация и функционал
Процесс работы системы состоит из двух основных этапов: инициализация и эксплуатация.
- Инициализация. Администратор загружает в систему структурированный текстовый файл с информацией для абитуриентов (форматы .txt или .docx). Система автоматически парсит документ, выделяет темы, генерирует векторные эмбеддинги для каждого текстового фрагмента и сохраняет все данные в локальную базу SQLite.
- Эксплуатация. Пользователь (абитуриент) через веб-интерфейс вводит вопрос. Запрос отправляется на сервер, где также преобразуется в вектор. Система находит 5 наиболее семантически близких тем из базы знаний и возвращает их списком в интерфейс. Пользователь выбирает нужную тему и получает полный текст ответа (рис. 2).
Рисунок 2. Пример диалога пользователя с онлайн-ассистентом
Функционал для администратора включает возможность перезагрузки базы знаний при обновлении информации, а также мониторинг работы системы через логи.
Оценка надежности и экономическая эффективность
Надежность системы оценивалась по трем ключевым метрикам: среднее время наработки на отказ (MTBF), среднее время восстановления (MTTR) и коэффициент оперативной готовности (Ког). Расчеты проводились с учетом надежности аппаратных (сервер, ИБП) и программных компонентов на основе типовых данных [3, с. 15].
(1)
MTBF= 
≈15190 часов
где
- суммарная интенсивность отказов.
(2)
= 0.5 часа
где
- суммарное время восстановления всех сбоев (часы);
- количество сбоев.
(3)
=
где
MTBF - среднее время наработки на отказ (часы);
MTTR - среднее время восстановления (часы).
Полученный коэффициент оперативной готовности (99,997%) существенно превышает требования ТЗ и свидетельствует о высокой доступности системы.
Экономическое обоснование разработки проведено методом калькуляции затрат. Основные статьи расходов включают заработную плату разработчика, страховые взносы, накладные расходы и амортизацию оборудования. Суммарные затраты на создание прототипа составили 71 155 рублей. Экономический эффект от внедрения системы выражается в снижении затрат рабочего времени сотрудников приемной комиссии на обработку типовых запросов, что позволяет перераспределить высвободившийся ресурс на решение более сложных задач и повысить общее качество сервиса для абитуриентов.
Заключение
В результате проведенной работы был успешно разработан и протестирован прототип онлайн-ассистента для автоматизации информационной поддержки абитуриентов АПИ НГТУ. Система удовлетворяет всем первоначальным техническим требованиям, демонстрируя высокую производительность, надежность и удобство использования. Использование современных открытых технологий (FastAPI, SentenceTransformers) обеспечило низкую стоимость разработки и простоту дальнейшего сопровождения.
Перспективы развития проекта связаны с расширением функционала: интеграцией с официальным сайтом вуза, добавлением административной панели для управления базой знаний без перезапуска сервера, а также внедрением механизма обратной связи для постоянного улучшения базы ответов на основе реальных запросов пользователей.
Список литературы
- Воронов, М.П. Цифровая трансформация университетов: вызовы и решения / М.П. Воронов // Университетское управление: практика и анализ. – 2023. – Т. 27, № 1. – С. 5-15
- ГОСТ 34.602-2020. Информационные технологии. Комплекс стандартов на автоматизированные системы. Техническое задание на создание автоматизированной системы. – Введ. 2020-12-01. – М.: Стандартинформ, 2020. – 24 с.
- ГОСТ 27.002-2015. Надежность в технике. Основные понятия. Термины и определения. – Введ. 2016-07-01. – М.: Стандартинформ, 2015. – 35 с.
- Reimers, N. Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks / N. Reimers, I. Gurevych // Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing. – 2019. – P. 3982–3992
- Коробков, М.В. Создание онлайн-ассистента для работы приемной комиссии образовательной организации: выпускная квалификационная работа бакалавра / М.В. Коробков; Нижегородский государственный технический университет им. Р.Е. Алексеева. – Арзамас, 2025. – 64 с.
