Проблема: До 40% студентов отчисляются после первого курса из-за неверного выбора специальности, а средний балл ЕГЭ растет, делая традиционные калькуляторы баллов неэффективными без учета портфолио и индивидуальных достижений. Решение: Интеллектуальный ассистент, который строит персональную образовательную траекторию от выбора онлайн-школы до зачисления в вуз, минимизируя когнитивные искажения при выборе профессии за счет психометрического профилирования пользователя. Технологический стек:

Ядро — граф знаний (Knowledge Graph) российских образовательных стандартов ФГОС и данных приемных комиссий вузов РФ.

Рекомендательная система — гибридная модель (Content-based + Collaborative Filtering) с применением трансформеров для анализа совместимости «ученик-репетитор».

NLP-модуль — обработка неструктурированных текстов (описания курсов, отзывы) и распознавание речи (анализ устных ответов ученика для оценки мягких навыков).

Предиктивная аналитика — ансамбль градиентного бустинга (CatBoost/XGBoost) для прогнозирования итоговых баллов ОГЭ/ЕГЭ.

Вариант 2. Расширенное описание для презентации (акцент на технологии)

Этот текст можно использовать как основу для раздела «Технология» или «Архитектура решения» в презентации.

Платформа динамического образовательного трекинга на базе мультимодальных ИИ-агентов

Проект представляет собой SaaS-платформу, автоматизирующую путь выпускника. В отличие от существующих агрегаторов (ProfGid, Учеба.ру), работающих по принципу статичных фильтров, наш продукт использует каскад нейросетей для принятия решений.

1. Входной модуль: Психометрическое и когнитивное профилирование Вместо стандартных тестов пользователь проходит диалоговый асессмент. Мультимодальная LLM анализирует:

Текстовые ответы на кейсы (оценка hard skills и системности мышления).

Параметры голоса (темп, паузы, интонации) для определения уровня стресса и склонности к определенным типам задач.

Микрореакции (при наличии интеграции с камерой смартфона) для базовой оценки внимания. На выходе формируется векторный отпечаток личности (embedding) размерностью 512+, включающий профиль Большой пятерки (Big Five), типы восприятия информации и скрытые карьерные предпочтения.

2. Ядро системы: Динамический Knowledge Graph образовательной среды РФ Мы собираем и ежедневно парсим данные о более чем 3000 курсах подготовки (Skysmart, Фоксфорд, Умскул, частные репетиторы) и требованиях 800+ российских вузов. Граф связывает сущности нелинейно: например, преподаватель А отлично готовит к части С по физике, но его методика вызывает рост тревожности у учеников с психотипом INTP, что снижает их баллы на реальном экзамене на 10–15 пунктов. Система исключает таких кандидатов автоматически.

3. Рекомендательный движок: Гибридная матричная факторизация Алгоритм решает задачу многорукого бандита (Multi-Armed Bandit). Он сопоставляет векторный отпечаток ученика с узлами графа.

Для подбора школы используется коллаборативная фильтрация на основе матчинга тысяч анонимизированных траекторий успешных поступлений прошлых лет.

Для подбора репетитора применяется кросс-модовое эмбеддинговое сравнение: модель находит преподавателей со схожим паттерном объяснения сложных концепций (на основе транскриптов их видеоуроков) с когнитивным стилем ученика. Это прямое применение технологий современных рекомендательных систем к педагогике.

4. Модуль предиктивной аналитики «Балльный скоринг» Традиционные калькуляторы считают линейно. Наша ML-модель (ансамбль CatBoost + временные ряды Prophet) учитывает:

Исходную точку (пробный тест).

Прогресс на микро-уровне (скорость решения конкретных типов заданий в приложении-партнере).

Коэффициент выгорания (частота пропусков занятий, коррелирующая с падением концентрации из профиля). Система выдает вероятностное распределение финального результата

На страницу проекта