Опубликовано: 26.03.2026 | Источник: TechCrunch

Как использовать ИИ и старые новости в дипломе: кейс Google по прогнозированию наводнений

Представьте: вы пишете дипломную работу, и вдруг находите пример от Google, где ИИ превращает старые газетные заметки в данные для предсказания сильнейших наводнений. Это не фантастика — это уже происходит. В 2026 году Google представил революционный подход: с помощью больших языковых моделей (LLM) компания анализирует архивные тексты СМИ, извлекая из них количественные данные о прошлых паводках, чтобы точнее предсказывать новые. Это особенно важно для регионов, где нет современных датчиков или систем мониторинга.

Почему это важно для вас? Потому что такие кейсы — золото для вашей ВКР. Они показывают, что вы не просто пересказываете учебник, а работаете с передовыми технологиями. Вы можете использовать этот пример в аналитической главе, в проектировании системы или даже в экономических расчётах. Это не просто «ещё один пример» — это доказательство, что вы понимаете, как решаются реальные задачи в 2026 году. И если вы думаете, что такие темы слишком сложны — нет, они вполне реализуемы, особенно с правильным подходом.

Темы ВКР, которые можно раскрыть на основе статьи

1. Применение LLM для извлечения количественных данных из качественных источников (на примере прогнозирования природных катастроф)

• Актуальность: Как показано в статье, Google решает проблему нехватки данных с помощью ИИ. Это особенно важно для развивающихся регионов, где нет систем мониторинга. Использование LLM для трансформации текстов СМИ в структурированные данные — это прорыв, который можно исследовать в дипломе.
• Цель исследования: Разработать методику извлечения количественных данных из архивных новостных сообщений с помощью LLM для последующего использования в прогнозировании чрезвычайных ситуаций.
• Задачи:
  • Проанализировать существующие подходы к обработке неструктурированных данных в задачах мониторинга природных рисков.
  • Выбрать и адаптировать LLM для извлечения параметров (уровень воды, масштаб затопления, время события) из текстов.
  • Провести тестирование на реальных архивных данных (например, новостях о наводнениях в Азии или Африке).
  • Оценить точность извлечённых данных и их применимость в модели прогноза.
• Возможная структура работы:
  • Глава 1 – Анализ современных методов прогнозирования природных катастроф и проблема нехватки данных.
  • Глава 2 – Проектирование и реализация системы извлечения данных с помощью LLM.
  • Глава 3 – Оценка эффективности и экономическая целесообразность внедрения.

2. Разработка системы раннего предупреждения о паводках на основе гибридных данных (ИИ + архивные источники)

• Актуальность: Статья TechCrunch показывает, как Google комбинирует старые данные и современные технологии. Это соответствует тренду на «гибридные решения» — когда не хватает современных датчиков, используются альтернативные источники.
• Цель исследования: Создать концепцию системы раннего предупреждения о паводках, использующей как традиционные данные (метеоспутники, датчики), так и исторические текстовые источники, обработанные ИИ.
• Задачи:
  • Определить архитектуру гибридной системы.
  • Разработать алгоритм интеграции данных из новостных архивов в прогнозную модель.
  • Провести имитационное моделирование сценария срабатывания системы.
  • Оценить снижение рисков для населения.
• Возможная структура работы:
  • Глава 1 – Анализ угроз, связанных с паводками, и существующих систем оповещения.
  • Глава 2 – Проектирование архитектуры системы с использованием ИИ и гибридных данных.
  • Глава 3 – Моделирование и оценка эффективности.

3. Экономическая эффективность применения ИИ для обработки архивных данных в задачах экологического мониторинга

• Актуальность: Google показал, что можно сэкономить на развертывании физической инфраструктуры, используя ИИ. Это открывает возможности для бюджетных решений в экологическом мониторинге — тема, востребованная в госуправлении и экологии.
• Цель исследования: Оценить экономическую целесообразность внедрения ИИ-системы для обработки архивных данных вместо развертывания новых сенсорных сетей.
• Задачи:
  • Сравнить затраты на установку датчиков и на разработку ИИ-модели.
  • Оценить срок окупаемости решения на основе данных Google.
  • Проанализировать риски (например, неточность ИИ, отсутствие данных).
  • Предложить модель внедрения для региона с низким уровнем цифровизации.
• Возможная структура работы:
  • Глава 1 – Анализ экономических моделей в экологическом мониторинге.
  • Глава 2 – Расчёт затрат и выгод от применения ИИ-подхода.
  • Глава 3 – Рекомендации по внедрению в практику.

Как использовать этот кейс в аналитической главе

Анализ современных решений в прогнозировании ЧС

В первой главе вашей ВКР вы должны показать, что понимаете, как решаются подобные задачи в мире. Кейс Google — идеальный пример. Вы можете написать:

«Традиционные системы прогнозирования паводков опираются на данные с датчиков, спутников и метеомоделей. Однако в отдалённых регионах такие данные отсутствуют. В 2026 году Google предложил решение: использование больших языковых моделей для извлечения количественных данных из архивных новостных сообщений. Это позволяет восстановить историю наводнений и обучить прогнозные модели даже в условиях дефицита данных. Подход демонстрирует переход от «жёстких» измерений к «гибким» данным, полученным с помощью ИИ».

Такой анализ покажет, что вы работаете с актуальными источниками и понимаете тренды. Не забудьте ссылку на статью — это повысит доверие к вашей работе.

Обоснование актуальности темы

Многие студенты пишут: «Тема актуальна, потому что ИИ развивается». Это слишком общо. Гораздо сильнее будет так:

«Актуальность темы подтверждается практикой ведущих технологических компаний. Например, Google в 2026 году начал использовать ИИ для анализа старых новостей с целью предсказания вспышек наводнений — это свидетельствует о росте интереса к нестандартным источникам данных. Особенно важно это для стран с низким уровнем цифровизации, где традиционные методы мониторинга недоступны. Таким образом, исследование методов извлечения данных из качественных источников с помощью ИИ является своевременным и практически значимым».

Практические примеры для проектной части

Адаптация технологии под задачи ВКР

Даже если вы не пишете код, вы можете описать, как бы вы реализовали подобную систему. Например:

• Используется LLM (например, Llama 3 или Gemini) для анализа текстов новостей.
• Модель обучается на размеченных примерах: где в тексте упоминается уровень воды, площадь затопления, дата события.
• Извлечённые данные сохраняются в базу и используются как вход для модели прогноза (например, XGBoost или LSTM-сеть).

Это можно описать в главе 2, даже без программирования. Главное — показать логику.

Пример архитектуры системы

Такая таблица — отличное дополнение к проектной главе. Она показывает, что вы мыслите системно.

Экономические расчёты — как учесть новые данные

Если вы делаете экономическую часть, сравните два сценария:

• Сценарий 1: Установка 100 датчиков уровня воды — 10 млн руб.
• Сценарий 2: Разработка ИИ-модели для анализа архивов — 1,5 млн руб. (разработка + обучение).

Добавьте:

• Срок окупаемости: при экономии 3 млн руб./год на ликвидации последствий — окупаемость через 6 месяцев (для ИИ) vs 3,5 года (для датчиков).
• Риски: ИИ может ошибаться, но его можно дообучать; датчики выходят из строя, их сложно обслуживать.

Это покажет, что вы не просто считаете, а анализируете.

Чему вы научитесь

Эти навыки востребованы не только в вузе, но и на рынке труда. Особенно если вы планируете работать в IT, экологии или госуправлении.

FAQ

Можно ли использовать этот кейс, если я не программирую?

Да, можно. Даже если вы не пишете код, вы можете описать архитектуру системы, провести экономический анализ или сравнить подходы. Главное — показать понимание логики. Например: «Модель получает текст, извлекает параметры, передаёт в базу — это позволяет строить прогнозы».

Где взять архивные новости для анализа?

Можно использовать открытые источники: сайт «Госуслуги. Новости», архивы РИА Новости, региональные СМИ. Также подойдут данные из открытых катастроф (например, паводки в Иркутской области 2019 года). Убедитесь, что тексты содержат хотя бы упоминания масштаба затопления.

Подойдёт ли такая тема для защиты в моём вузе?

Да, особенно если вы учитесь на IT, экологии, управлении или прикладной математике. Главное — чётко сформулировать цель и задачи. Тема соответствует ФГОС по направлениям, связанным с цифровизацией, ИИ и устойчивому развитию.

Нужно ли использовать именно LLM, или можно взять другой метод?

LLM — не единственный способ. Можно использовать классификацию текста или NER (распознавание именованных сущностей). Но LLM — самый современный и эффективный. В работе вы можете сравнить несколько подходов, чтобы показать глубину анализа.

Источник: Google is using old news reports and AI to predict flash floods (опубликовано 2026-03-12)