XXVII Международный конкурс научно-исследовательских и творческих работ учащихся

Старт в науке

Нейросетевая автоматизация IT-процессов

• Авторы
• Руководители
• Файлы работы
• Наградные документы

Забиян Г.А. 1

---

1МОУ "СОШ №5 УИМ" г. Магнитогорска

Тимошина О.В. 1

---

1МОУ "СОШ №5 УИМ" г. Магнитогорска

Работа в формате PDF

98 KB

Автор работы награжден дипломом победителя III степени

Диплом школьникаСвидетельство руководителя

Введение

На сегодняшний день информационные технологии играют ключевую роль во всех сферах человеческой деятельности. Объем требований, стоящих перед специалистами в сфере информационных технологий, растет: увеличивается количество программного обеспечения, повышаются требования к скорости и качеству выполнения задач. В таких условиях возникает закономерная потребность в инструментах, которые могли бы взять на себя часть рутинных и трудоемких процессов.

Самым перспективным направлением в этой сфере стали нейронные сети – математические модели, построенные по принципу организации нервных сетей живого организма. За последние годы нейросети совершили огромный качественный скачок: большие языковые модели научились генерировать программный код, составлять документацию, находить ошибки, а системы компьютерного зрения научились распознавать объекты и анализировать изображения. Все эти инструменты ежедневно используются в индустрии.

Однако, наряду с очевидными преимуществами нейросетевая автоматизация несет в себе и определенные риски, такие как правдоподобные, но ошибочные ответы, программные сбои в нетипичных ситуациях. Также чрезмерная зависимость от автоматизации нейросетями может привести к профессиональной деградации специалистов. Эти проблемы делают анализ возможностей и ограничений нейросетевой автоматизации особенно актуальным.

Объект исследования: нейронные сети как инструмент автоматизации.

Предмет исследования: возможности и ограничения применения языковых моделей и систем компьютерного зрения для автоматизации процессов.

Цель работы: проанализировать возможности и ограничения применения нейросетей для автоматизации процессов в сфере информационных технологий.

Задачи:

• Рассмотреть принципы работы языковых моделей.

• Выявить процессы, которые возможно автоматизировать при помощи нейросетей.

• Сравнить выполнение этих процессов до и после внедрения нейросетевых инструментов.

• Оценить эффективность, риски и ограничения нейросетевой автоматизации.

Методы исследования: анализ научной и технической литературы, сравнительный анализ, обобщение.

1. Принципы работы нейронных сетей

1.1. Понятие искусственной нейронной сети. Искусственная нейронная сеть (ИНС) – математическая модель, а также ее программная реализация, построенная по принципу функционирования биологических нейронных сетей человеческого мозга. Основная идея заключается в том, что множество простых вычислительных элементов объединяются в сеть и, взаимодействуя друг с другом, способны решать сложные задачи.

Отдельный искусственный нейрон работает следующим образом:

1. Он получает набор входных данных.

2. Каждый входной сигнал умножается на соответствующий вес (числовой коэффициент, определяющий важность данного входа).

3. Взвешенные значения суммируются и передаются в функцию активации – специальная математическая функция, которая определяет какой выходной сигнал отправит нейрон.

Математически работу нейрона можно представить так:

y = ƒ(w₁x₁ + w₂x₂ + … + w_nx_n + b), где х – входные значения, w – веса, b – смещение, ƒ – функция активации, y – выходной сигнал.

Все нейроны объединены в слои:

• Входной слой, который принимает исходные данные.

• Скрытые слои, которые выполняют промежуточные вычисления и выделяют закономерности.

• Выходной слой, который выдает итоговый результат.

Сеть, содержащая много скрытых слоев, называется глубокой нейронной сетью, а область машинного обучения, работающая с такими сетями, называется глубоким обучением.

Процесс настройки весов называется обучением нейросети. В ходе обучения сеть многократно обрабатывает тренировочные данные, сравнивая свой результат с правильным ответом и корректируя веса так, чтобы минимизировать ошибку. Самым распространенным видом обучения является метод обратного распространения ошибки, при котором информация об ошибке передается от выходного слоя к входному, и веса обновляются по цепочке.

Именно архитектура строения сети определяет, для каких задач она лучше всего подходит. Далее я хочу рассмотреть две архитектуры, являющиеся наиболее значимыми для автоматизации процессов.

1.2. Трансформеры и большие языковые модели. Трансформер – архитектура нейронной сети, предложенная исследователями компании Google в 2017 году. Она произвела революцию в области обработки естественного языка и стала основой для современных языковых моделей.

Ключевой идеей является механизм внимания. В отличие от более ранних архитектур, трансформер не обрабатывает текст строго последовательно, а вместо этого механизм внимания позволяет модели одновременно видеть все слова входной последовательности и определять, какие из них наиболее важны для понимания каждого слова.

Упрощенно архитектура трансформера состоит из двух частей:

1. Энкодер (кодировщик) анализирует входной текст и создает его внутреннее представление.

2. Декодер (декодировщик) на основе этого представления генерирует выходной текст.

На основе трансформеров были созданы большие языковые модели (или LLM – Large Language Models), они имеют миллиарды параметров и были обучены на огромных массивах текстовых данных. Принцип их работы можно описать так: модель предсказывает наиболее вероятное следующее слово в последовательности, повторяя этот процесс много раз, формирует связанный текст.

К основным представителям можно отнести:

• GPT от компании OpenAI, который лежит в основе ChatGPT.

• Claude от компании Anthropic.

• Gemini от компании Google.

1.3. Сверточные нейросети и компьютерное зрение. Сверточная нейронная сеть – архитектура, специально разработанная для обработки данных, имеющих пространственную структуру, в первую очередь для изображений.

Человеческий мозг работает таким образом, что, глядя на фотографию, мы способны мгновенно выделить контуры, текстуры и отдельные объекты. Сверточная нейросеть работает по схожему принципу, делая что-то аналогичное, но математически.

К ключевым компонентам сверточных нейросетей относятся:

1. Сверточный слой – основной элемент, предназначенный для автоматического выделения признаков из изображений или данных с сеточной структурой. В результате работы формируется карта признаков, на которой выделены определенные визуальные элементы.

2. Слой подвыборки, уменьшающий пространственный размер карты признаков, сохраняя наиболее значимую информацию. Самым распространенным вариантом является метод максимального пулинга, при котором из каждого небольшого участка выбирается максимальное значение. Это снижает вычислительную нагрузку и делает модель устойчивее к небольшим сдвигам.

3. Полносвязный слой – этап, на котором извлеченные признаки передаются в полносвязные слои, выполняющие итоговую классификацию.

В контексте автоматизации компьютерное зрение используется для автоматического тестирования графических интерфейсов, визуального мониторинга состояния систем, распознавания текста на снимках экрана и прочих задач, которые будут рассмотрены подробнее далее.

2. Автоматизация IT-процессов при помощи нейронных сетей

2.1. Применение языковых моделей в IT. Большие языковые модели за последние несколько лет стали полноценным инструментов в арсенале разработчиков. Я хочу рассмотреть основные IT-процессы, в которых они применяются.

Генерация кода. Наиболее заметным примером является ИИ-ассистент GirHub Copilot, который встроен непосредственно в среды разработки. Разработчик пишет запрос на естественном языке, а модель автоматически генерирует готовый фрагмент кода на нужном языке программирования.

По данным исследования сайта GitHub за 2022 год, разработчики, использующие Copilot, выполняли задачи на 55% быстрее, чем те, кто его не используют. При этом всем модель способна работать с десятками языков программирования: от Python и JavaScript до Rust и Go, а также учитывать контекст текущего проекта, анализируя уже написанные функции, библиотеки и стиль кода.

Также помимо Copilot существуют и другие инструменты, такие как: Amazon CodeWhisperer, Codeium, Tabnine. Все они основаны на языковых моделях, которые были дообучены на массивах открытого исходного кода.

Код-ревью и поиск ошибок. Код-ревью – процесс проверки написанного кода одним разработчиком после другого, обычно это занимает значительный промежуток времени, но языковые модели способны автоматизировать часть этой работы, сильно снизив необходимое время и нагрузку на разработчиков. Нейросети способны обнаруживать типичные ошибки, проверять стиль и предлагать улучшения кода. К таким инструментам можно отнести: CodeRabbit, Qodana AI от компании JetBrains, а также встроенные функции ревью в GitHub Copilot.

Генерация документации. Написание документации является одной из самых рутинных задач во время разработки, которой специалисты часто могут пренебречь из-за нехватки времени. Языковые модели позволяют значительно упросить этот процесс и сэкономить огромное количество времени. Например, нейросети способны генерировать описания функций, ее параметры и возвращаемые значения, все это на основе анализа тела функции. Также возможно автоматизировать процесс написания пользовательской документации лишь по техническому описанию. К инструментам, способным на такое относятся: Mintlify Doc Writer, который, анализируя код, мгновенно создает структурированное описание в необходимом формате.

Генерация тестов. Модульное тестирование требует написания большого количества однотипного кода, но даже этот процесс нейронные сети способны упростить. Например, языковые модели способны сгенерировать набор тестов для проверки заданной функции, покрывающий основные сценарии: типичный ввод, граничные значения, некорректные данные. Еще они способны предложить тесты для обнаружения регрессий – ошибок, которые возникают при внесении изменений в уже работающий код.

Инструмент Diffblue Cover автоматически создает тесты для Java-проектов, а Copilot может генерировать тесты на любом языке программирования по запросу.

2.2. Применение компьютерного зрения в IT. Системы компьютерного зрения, основанные на сверточных нейросетях, также нашли применение в автоматизации, хотя их роль здесь кажется менее очевидной.

Визуальное тестирование интерфейсов. При разработке веб-сайтов и мобильных приложений необходимо проверять, что графический интерфейс корректно отображается на различных устройствах, разрешениях экрана и в разных браузерах. Обычно, это делается вручную тестировщиками, что занимало большое количество времени, а также было подвержено человеческому фактору. Нейросетевые инструменты способны решить эти проблемы. Applitools Eyes использует сверточные нейросети для сравнения скриншотов интерфейса с эталонным изображением. В отличие от простого попиксельного сравнения, модель способна анализировать, игнорируя незначительные изменения, при этом обнаруживая реальные визуальные дефекты.

Распознавание текста на изображениях. Оптическое распознавание символов (OCR – Optical Character Recognition) с применением нейронных сетей используется в IT во многих ситуациях. Самая распространенная задача, для которой используется OCR – автоматизация обработки документов, извлечение из них данных. К примеру: Google Cloud Vision API, Tesseract OCR. Также такие модели применяются для цифровизации старых бумажных архивов, с автоматической категоризацией.

Мониторинг и анализ визуальных данных. Все чаще мы можем видеть в работе экспериментальные системы, которые способны читать и анализировать графики, а также автоматически генерировать текстовые отчеты об аномалиях, что может быть полезно во многих ситуациях.

2.3. Сравнение процессов до и после внедрения нейронных сетей. Чтобы наглядно оценить влияние нейросетевых инструментов в автоматизации, я хочу свести ключевые изменения в сравнительную таблицу:

Из таблицы видно, что нейронные сети не способны заменить человека полностью, они лишь смещают его роль, беря на себя всю черновую и рутинную работу, человек же занимается контролем качества, принятием архитектурных решений и работе над нестандартными задачами.

При этом всем важно отметить, что степень автоматизации во много зависит от процесса. Если написание шаблонного кода и документации возможно без потери качества автоматизировать уже сейчас, то различные нестандартные задачи и код-ревью сложных архитектурных решений все еще требуют высокой вовлеченности человека.

3. Эффективность, риски и ограничения нейросетевой автоматизации

3.1. Преимущества. Нейросетевая автоматизация является не просто технологическим трендом, а измеримым явлением, подкрепленным данными исследований и отчетов крупных компаний.

Скорость. Наиболее очевидным преимуществом является ускорение рутинных процессов. Согласно исследованию, проведенному компанией McKinsey в 2023 году, внедрение генеративного ИИ помогает сократить время на выполнение задач в сфере разработки программного обеспечения на 20-45% в зависимости от типа задачи. Наибольшее ускорение наблюдается в задачах, требующих написание шаблонного кода, создания документации или генерации тестов.

Системы компьютерного зрения также демонстрируют значительный прирост скорости. По данным Applitools, автоматическое визуальное тестирование интерфейсов помогает проверить отображение на десятках устройств за минуты, что в разы быстрее чем ручное тестирование.

Стоимость. Ускорение процессов напрямую ведет к снижению затрат. Компании экономят на оплачиваемом рабочем времени, которое помогает сохранить внедрение нейронных сетей в рабочий процесс. В исследовании от GitHub за 2025 год говорится, что команды внедрившие нейросети фиксируют окупаемость инструмента в течение первых 6 месяцев использования.

Кроме того, нейросетевые инструменты способны значительно снизить порог входа в некоторые области IT. Начинающий разработчик с использованием ИИ-ассистентов способен выполнять задачи, которые раньше требовали значительно большего опыта и знаний.

Качество. Странно, но автоматизация рутинных процессов может повышать качество конечного продукта. Это может происходить по нескольким причинам:

• Снижение человеческого фактора, ведь разработчик, выполняющий одну и ту же операцию на протяжении многих часов, неизбежно теряет концентрацию и совершает ошибки.

• При генерации тестов нейросетями, вероятнее что разработчик с большей вероятностью покроет тестами весь код, включая граничные значения.

• ИИ-ассистенты генерируют документацию и код в едином стиле, что облегчает чтение и поддержку проекта другими разработчиками.

3.2. Ограничения и риски. Несмотря на достаточно впечатляющие результаты, нейросетевая автоматизация обладает рядом существенных ограничений и рисков, на которые стоит обратить внимание.

Галлюцинации. Галлюцинации в контексте языковых моделей – генерация правдоподобного, но неверного результата. Следуя из принципов работы языковых моделей, она не понимает смысл текста или кода, а лишь предсказывает наиболее вероятное продолжение последовательности слов. Это приводит к ситуациям, когда сгенерированный код или текст может выглядеть корректным, но содержать при этом фактическую или логическую ошибку, что выявляется лишь на этапе тестов.

По данным исследования Университета Пердью за 2024 год, около 52% ответов ChatGPT на вопросы, связанные с программированием, содержали ошибки, хотя большинство из этих ответов выглядели убедительно. Это означает, что использование результатов работы языковых моделей может привести к внедрению ошибок в проект.

Безопасность. Использование нейросетей порождает новый класс угроз информационной безопасности. Так, например в 2023 году компания Samsung запретила своим сотрудникам использовать ChatGPT, после того как несколько инженеров передали в модель фрагменты проприетарного кода. При использовании облачных ИИ-сервисов фрагменты кода попадают на серверы компании-провайдера, из-за чего возникает риск их компрометации.

Зависимость и деквалификация. Систематическое использование нейросетей в работе ставит вопрос о профессиональной деградации разработчиков. Если специалист привыкает принимать предложение модели без глубокого анализа, со временем его собственные навыки атрофируются. В особенности это касается начинающих специалистов, у которых все еще не сформировано базовое понимание принципов программирования.

Также возникает риск формирования инфраструктурной зависимости, и в случае временной недоступности облачного сервиса или изменения условий пользования, часть рабочих процессов может быть нарушена.

3.3. Перспективы развития. Несмотря на перечисленные выше ограничения и риски, нейросетевая автоматизация продолжает стремительно развиваться. В ближайшем будущем мы сможем наблюдать работу в нескольких ключевых направлениях:

Мультимодальность. Современные модели уже начинают совмещать в себе работу с текстом, изображениями, кодом и даже видео в рамках одной системы. Например, сейчас уже можно получить готовый код страницы, имея лишь скриншот макета интерфейса.

Автономные ИИ-агенты. Следующим шагом развития станет переход от использования человеком нейросетевых инструментов, к полноценным агентам, способным самостоятельно планировать и выполнять цепочки действий.

Локальные модели. Для решения проблем с безопасностью активно развиваются модели, способные работать локально, без передачи данных в облако. Открытые модели становятся все более качественными и доступными, что позволяет организациям контролировать свои данные.

Специализация. Вместо универсальных моделей сейчас на передний план выходят модели, глубоко настроенные под конкретные задачи, ведь нейросети, обученные исключительно на узкоспециализированных данных, будут давать гораздо более точные результаты, чем универсальные модели общего назначения.

Таким образом, нейросетевая автоматизация сейчас находится на переходном этапе от вспомогательного инструмента к полноценному участнику рабочего процесса. Несмотря на все преимущества и возможности искусственного интеллекта, полная автономность ИИ в IT остается делом далекого будущего, ведь контроль и ответственность за принимаемые решения все еще лежат на человеке.

Заключение

В ходе моей работы были рассмотрены принципы работы ключевых архитектур нейронных сетей, а также проанализировано их практическое применение для автоматизации IT-процессов: генерации кода, код-ревью, создания документации и тестов, визуального тестирования, распознавания текстов.

Проведенный анализ показал, что нейросетевые инструменты уже сегодня способны значительно ускорять рутинные операции, снижать затраты и повышать качество результата. Вместе с тем были выявлены существенные ограничения в использовании ИИ: склонность многих языковых моделей к галлюцинациям, угрозы безопасности, риск деквалификации специалистов и чувствительность систем компьютерного зрения к нестандартным условиям.

Главный вывод моей работы состоит в том, что нейросетевая автоматизация сегодня не может полностью заменить человека, но она способна сместить его роль от выполнения рутинных задач, до контроля качества и принятия ключевых решений. Максимальной эффективности можно достичь лишь при такой работе, когда нейросеть берет на себя всю черновую работу, пока человек заботится лишь о том, чтобы поддерживать качественный результат. С развитием мультимодальных моделей и полноценных автономных ИИ-агентов роль нейронных сетей в IT будет только расти, а значит вопросы их грамотного применения останутся актуальными еще на многие годы.

Список источников

1. Кабир С., Коу Б., Чжан Т., Удо-Имех Д. Н. Is Stack Overflow Obsolete? An Empirical Study of the Characteristics of ChatGPT Answers to Stack Overflow Questions // CHI '24: Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems. - Нью-Йорк: Association for Computing Machinery, 2024. - С. 1-17.

2. Total Economic Impact The Total Economic Impact™ Of GitHub Enterprise Cloud // Forrester URL: https://tei.forrester.com/go/GitHub/EnterpriseCloud/ (дата обращения: 22.02.2026).

3. The economic potential of generative AI: The next productivity frontier // McKinsey URL: https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier/ (дата обращения: 22.02.2026).

4. Research: quantifying GitHub Copilot’s impact on developer productivity and happiness // GitHub URL: https://github.blog/news-insights/research/research-quantifying-github-copilots-impact-on-developer-productivity-and-happiness/ (дата обращения: 22.02.2026).

5. Какабаева О., Гуллыков А., Бяшимов Б. Генеративные нейросети // Инновационная наука. - 2025. - №3-2-1. - С. 31-32.

6. Мустаев А. Ф. Применение нейросетей в распознавании изображений // Вестник науки. - 2019. - №7(16). - С. 53-57.

7. Бабенко А. А. Об особенностях сверточной архитектуры нейросети // Мировая наука. - 2018. - №12(21). - С. 144-148.

8. Черемисин Д. Г., Мкртчян В. Р. Почему нейросети не заменят программистов // Символ науки. - 2023. - №6-2. - С. 26-27.

9. Матыцина Н. П., Соловьев Я. Ю. Применение нейросети в сфере бизнеса // Символ науки. - 2023. - №12-2. - С. 110-112.

10. Черемисин Д. Г., Мкртчян В. Р. Применение нейросети в сфере бизнеса // Символ науки. - 2023. - №6-2. - С. 22-23.