На Горох

Техническое задание на разработку моделей прогнозирования успеваемости и оттока учащихся

Настоящее техническое задание (ТЗ) определяет требования к разработке, внедрению и поддержке моделей машинного обучения для прогнозирования успеваемости учащихся и выявления риска оттока. Реализация проекта позволит школе своевременно выявлять учащихся, нуждающихся в дополнительной поддержке, и разрабатывать программы для повышения их успеваемости и снижения оттока. Разработка и внедрение моделей позволит оптимизировать ресурсы школы, направленные на удержание учащихся и улучшение образовательного процесса, повысить общую успеваемость и конкурентоспособность учреждения. ТЗ предназначено для команды разработки, аналитиков данных и руководства школы.

  • 12 разделов в структуре
  • Word готовый файл для скачивания
Гарантия уникальности Поддержка 24/7
Как создана эта работа

Не одна нейросеть, а команда ИИ‑агентов

Техническое задание собирает мультиагентный конвейер из 6 ролей. Каждая отвечает за свой этап — от постановки цели до вёрстки файла — и работает с результатом предыдущей. Так получается цельная работа, а не набор ответов чат‑бота.

Оплатить 350 руб. 235 руб.
Паспорт работы

Цель, объём и требования

Эти поля агент‑аналитик формирует до написания текста — по ним строится вся работа.

Цель технического задания

Разработка и внедрение моделей машинного обучения позволит прогнозировать успеваемость учащихся и выявлять риск оттока, что приведет к повышению академической успеваемости и снижению оттока учащихся. В конечном итоге, это укрепит репутацию и конкурентные преимущества школы.

Объём работ

В рамках данного ТЗ будет разработан и внедрен комплекс моделей машинного обучения, охватывающий сбор и анализ данных, разработку и обучение моделей, их интеграцию в существующую инфраструктуру школы и формирование отчетности. В работу входит предобработка и анализ данных, разработка и тестирование моделей, а также создание дашбордов для визуализации результатов. В ТЗ не входит разработка новых информационных систем, сбор данных из внешних источников, не относящихся к успеваемости учащихся, и предоставление консультаций по педагогическим методам.

Функциональные требования

FR-1: Сбор данных

Необходимо настроить автоматизированный сбор данных из текущих информационных систем школы, включая электронный журнал и базу данных учеников.

Высокий
FR-2: Предобработка данных

Данные должны быть очищены от пропусков и ошибок, а также преобразованы в формат, пригодный для обучения моделей машинного обучения.

Высокий
FR-3: Модель прогнозирования успеваемости

Разработать модель, предсказывающую успеваемость ученика по каждому предмету на основе имеющихся данных.

Высокий
FR-4: Модель прогнозирования оттока

Разработать модель, определяющую вероятность оттока ученика из школы в будущем.

Высокий
FR-5: Дашборды визуализации

Создать интерактивные дашборды для визуализации результатов работы моделей и предоставления информации заинтересованным сторонам.

Средний
FR-6: Интеграция с текущими системами

Обеспечить интеграцию разработанных моделей с существующими информационными системами школы для автоматического прогнозирования.

Средний
FR-7: Формирование отчетов

Автоматическое формирование отчетов по результатам работы моделей для руководства и преподавателей.

Средний
FR-8: API для доступа к моделям

Предоставить API для доступа к функциональности моделей из других приложений.

Низкий

Нефункциональные требования

  1. Производительность: Время отклика моделей не должно превышать 5 секунд.
  2. Доступность: Система должна быть доступна 99% времени.
  3. Безопасность: Защита данных учащихся в соответствии с GDPR и другими применимыми стандартами.
  4. Масштабируемость: Система должна выдерживать увеличение объема данных и числа пользователей.
  5. SLA: Время устранения критических ошибок – не более 24 часов.
  6. Надежность: Модели должны обеспечивать стабильные и точные прогнозы.
  7. Сопровождаемость: Код должен быть чистым и хорошо документированным.
  8. Совместимость: Система должна быть совместима с текущей IT-инфраструктурой школы.

Критерии приёмки

  1. Точность прогнозирования успеваемости >= 85% -> Модели дают обоснованные прогнозы.
  2. Точность прогнозирования оттока >= 75% -> Модели правильно выявляют учеников в зоне риска.
  3. Время отклика дашбордов <= 3 секунд -> Пользователи получают информацию оперативно.
  4. Интеграция с электронным журналом выполнена успешно -> Автоматический сбор данных работает корректно.
  5. Документация соответствует требованиям -> Код понятен и сопровождаем.

Результаты и артефакты

  1. Исходный код моделей машинного обучения
  2. Документация по развертыванию и настройке моделей
  3. Интерактивные дашборды для визуализации результатов
  4. Отчеты по результатам тестирования и валидации моделей
  5. API документация для интеграции с другими системами

Вехи проекта

Сбор и предобработка данных

Завершена подготовка данных для обучения моделей.

Срок: 2 недели
Разработка и обучение моделей

Разработаны и обучены модели прогнозирования успеваемости и оттока.

Срок: 4 недели
Тестирование и валидация моделей

Проведены тесты и подтверждена точность моделей.

Срок: 2 недели
Разработка дашбордов и интеграция

Разработаны дашборды и интегрированы модели в текущую систему.

Срок: 3 недели

Временная шкала

Общий срок реализации проекта оценивается в 11 недель. Основные этапы: сбор и подготовка данных (2 недели), разработка и обучение моделей (4 недели), тестирование и валидация (2 недели) и интеграция с системами школы (3 недели).

Бюджет

Оценочный бюджет проекта составляет от 50 000 до 100 000 рублей, включая оплату труда разработчиков, аналитиков и специалистов по тестированию.

Ограничения и допущения

  1. Доступность данных ограничена текущими информационными системами школы.
  2. Ограничения по вычислительным ресурсам для обучения моделей.
  3. Необходимость соблюдения требований к защите персональных данных.
  4. Зависимость от квалификации сотрудников школы для интерпретации результатов.

Основные риски

Низкое качество данных
Влияние: высокийМеры: Проведение тщательной очистки и валидации данных перед обучением моделей.
Недостаточная точность моделей
Влияние: среднийМеры: Использование различных алгоритмов машинного обучения и настройка параметров для достижения оптимальных результатов.
Проблемы с интеграцией
Влияние: среднийМеры: Тщательное планирование интеграции и проведение пилотного тестирования.
Сопротивление изменениям со стороны персонала
Влияние: низкийМеры: Обучение и поддержка персонала для успешного внедрения системы.

Заинтересованные стороны

Директор школы

Принятие решения о внедрении проекта и выделении ресурсов.

Заместитель директора по учебной работе

Определение требований к функциональности моделей и контроль результатов.

Классные руководители

Предоставление обратной связи и использование результатов прогнозирования.

IT-специалист школы

Обеспечение технической поддержки и интеграции системы.

Роли в реализации ТЗ

Data Scientist

Отвечает за разработку, обучение и валидацию моделей машинного обучения, а также за интерпретацию результатов и создание отчетов. Подбирает оптимальные алгоритмы, проводит feature engineering и настраивает параметры моделей.

Data Engineer

Отвечает за сбор, очистку, преобразование и хранение данных, необходимых для обучения моделей. Разрабатывает ETL-процессы и обеспечивает доступность данных для аналитиков и ученых.

Software Engineer

Отвечает за разработку и развертывание программного обеспечения, необходимого для интеграции моделей машинного обучения в существующую IT-инфраструктуру школы. Обеспечивает стабильную работу системы.

QA Engineer

Отвечает за тестирование моделей и программного обеспечения на соответствие требованиям и выявление ошибок. Разрабатывает тестовые сценарии и проводит регрессионное тестирование.

Интерфейсы и интеграции

Интеграция с электронным журналом школы (API), базой данных учеников, и потенциально с системами управления обучением (LMS) через API.

Безопасность и защита данных

Обеспечение защиты персональных данных в соответствии с Федеральным законом №152-ФЗ «О персональных данных». Применение шифрования данных и реализация механизмов контроля доступа.

Тестирование и валидация

Будет проведено тестирование моделей на исторических данных, а также валидация с использованием выборочных данных в реальных условиях. Приемка результатов осуществляется директором школы и заместителем директора по учебной работе.

Поддержка и сопровождение

Гарантийный период сопровождения составляет 3 месяца после внедрения. Предлагается SLA с гарантированным временем ответа на запросы поддержки не более 8 часов.

Необходимые ресурсы

Команда разработчиков машинного обучения, аналитики данных, тестировщики, IT-специалисты школы и ресурсы вычислительной инфраструктуры.

Наименование компании

Техническое задание на разработку моделей прогнозирования успеваемости и оттока учащихся

Выполнил: ФИО

Содержание

  • Введение 1
  • Обзор предметной области 2
  • Требования к данным 3
  • Архитектура системы 4
  • Функциональные требования 5
  • Нефункциональные требования 6
  • Описание моделей машинного обучения 7
  • План тестирования 8
  • План развертывания 9
  • Поддержка и сопровождение 10
  • Заключение 11
  • Список литературы 12

Введение

Содержимое раздела

Содержит общее описание технического задания, его цели, область применения и целевую аудиторию. Указываются основные документы, на которые опирается разработка, и необходимые глоссарии.

Обзор предметной области

Содержимое раздела

Предоставляет детальное описание предметной области, включая специфику учебного процесса, используемые данные и существующие информационные системы школы. Цель - обеспечить понимание контекста разработки.

Требования к данным

Содержимое раздела

Определяет требования к качеству, формату и объему данных, необходимых для обучения моделей машинного обучения. Описываются источники данных, процессы обработки и хранения.

Архитектура системы

Содержимое раздела

Описывает архитектуру системы, включая компоненты, interfaces и взаимодействия между ними. Диаграммы, схемы и описание используемых технологий.

Функциональные требования

Содержимое раздела

Подробное описание функциональных возможностей системы, включая сценарии использования, входные и выходные данные, а также ожидаемое поведение системы.

Нефункциональные требования

Содержимое раздела

Описывает нефункциональные требования к системе, такие как производительность, надежность, безопасность, масштабируемость и удобство использования.

Описание моделей машинного обучения

Содержимое раздела

Подробное описание выбранных алгоритмов машинного обучения, методов обучения и оценки качества моделей. Указываются метрики, используемые для оценки.

План тестирования

Содержимое раздела

Описывает план тестирования системы, включая типы тестов (модульные, интеграционные, системные, приемочные), тестовые сценарии и критерии приемки.

План развертывания

Содержимое раздела

Описывает план развертывания системы в производственной среде, включая требования к инфраструктуре, процессы установки и настройки, а также план отката.

Поддержка и сопровождение

Содержимое раздела

Описывает условия поддержки и сопровождения системы после развертывания, включая SLA, процедуры обработки запросов и исправления ошибок.

Заключение

Содержимое раздела

Подводит итоги работы над техническим заданием, подчеркивает основные цели и результаты проекта, а также перспективы дальнейшего развития системы.

Список литературы

Содержимое раздела

Перечень использованных источников информации, включая научные статьи, книги, стандарты и документацию по используемым технологиям и инструментам.

Получи Такое техническое задание

Готовый файл Word
Практическая ценность
Точные формулировки
Соответствие стандартам
Учет сроков
Минимизация ошибок
Контроль качества

Создать Техническое задание на любую тему за 5 минут

Создать

#2448400

Готовим вашу копию…
Похожие работы

Другие работы в разделе «Техническое задание»

Все работы раздела