Розробка AI-системи автогенерації тестів та іспитів

Викладачі витрачають до 40% часу на складання тестів, а студенти легко знаходять готові відповіді. Ручне створення 30-запитанного іспиту займає 4–6 годин — і це лише один варіант. AI-система автогенерації тестів окупається за кілька місяців: економія часу викладача до 70%, а вартість тесту знижується до $0.50 (у 10 разів дешевше від ручної праці). Ми пропонуємо рішення: система генерує унікальні екзаменаційні завдання за вашим матеріалом з урахуванням рівня складності та таксономії Блума. Кожен студент отримує свій варіант, перевірка відкритих відповідей автоматизована. Система інтегрується з LMS (Moodle, iSpring) та підтримує кастомні формати вивантаження. Отримайте консультацію щодо вашого проекту — ми оцінимо можливості автоматизації за один день.

Чому традиційні тести перестають працювати?

Ручне складання питань забирає години, а банки питань швидко застарівають. Студенти обмінюються відповідями, викладач витрачає час на перевірку. AI-генерація вирішує обидві проблеми: створює безліч варіантів і оцінює відкриті відповіді за секунди. Згідно з дослідженням McKinsey, автоматизація рутинних завдань вивільняє до 30% часу викладача.

Як AI генерує питання за таксономією Блума?

Використовуємо GPT-4o з промптами, налаштованими під кожен рівень таксономії Блума: від запам'ятовування фактів до створення нових продуктів. Код нижче показує реалізацію.

from openai import AsyncOpenAI
from enum import Enum
import json

client = AsyncOpenAI()

class BloomLevel(Enum):
    REMEMBER = "remember"
    UNDERSTAND = "understand"
    APPLY = "apply"
    ANALYZE = "analyze"
    EVALUATE = "evaluate"
    CREATE = "create"

BLOOM_PROMPTS = {
    BloomLevel.REMEMBER: "Создай вопрос на запоминание фактов, дат, определений",
    BloomLevel.UNDERSTAND: "Создай вопрос на понимание: объяснение, перефразирование, примеры",
    BloomLevel.APPLY: "Создай практическую задачу: применение знаний в новой ситуации",
    BloomLevel.ANALYZE: "Создай вопрос на анализ: сравнение, выявление причин, структурирование",
    BloomLevel.EVALUATE: "Создай вопрос на оценку: обоснование суждения, критика подхода",
    BloomLevel.CREATE: "Создай задание на синтез: разработка решения, создание продукта",
}

async def generate_question(
    topic: str,
    source_text: str,
    question_type: str,
    bloom_level: BloomLevel = BloomLevel.UNDERSTAND,
    difficulty: str = "medium"
) -> dict:
    response = await client.chat.completions.create(
        model="gpt-4o",
        messages=[{
            "role": "system",
            "content": f"""Создай тестовый вопрос.
            Тип: {question_type}.
            Уровень таксономии Блума: {bloom_level.value}. {BLOOM_PROMPTS[bloom_level]}.
            Сложность: {difficulty}.

            Для multiple_choice: 4 варианта, 1 правильный, 3 правдоподобных дистрактора.
            Для open_answer: эталонный ответ + критерии оценки.
            Для case_study: ситуация + 3-5 вопросов разного уровня.

            Верни JSON: {{
                question: "текст вопроса",
                type: "{question_type}",
                bloom_level: "{bloom_level.value}",
                options: ["A...", "B...", ...],
                correct_answer: "...",
                explanation: "почему именно этот ответ",
                scoring_rubric: {{...}}
            }}"""
        }, {
            "role": "user",
            "content": f"Тема: {topic}\n\nМатериал:\n{source_text[:2000]}"
        }],
        response_format={"type": "json_object"}
    )
    return json.loads(response.choices[0].message.content)

Генерація повного варіанту іспиту

Збираємо білет із питань із заданим розподілом за рівнями. Наприклад, 30% на розуміння, 30% на застосування, 20% на аналіз і 20% на запам'ятовування.

async def generate_exam_variant(
    course_topics: list[str],
    total_questions: int = 30,
    time_limit_min: int = 60,
    bloom_distribution: dict = None
) -> dict:
    if not bloom_distribution:
        bloom_distribution = {
            BloomLevel.REMEMBER: 0.2,
            BloomLevel.UNDERSTAND: 0.3,
            BloomLevel.APPLY: 0.3,
            BloomLevel.ANALYZE: 0.2
        }

    questions_by_level = {
        level: int(total_questions * fraction)
        for level, fraction in bloom_distribution.items()
    }

    all_questions = []
    tasks = []

    for level, count in questions_by_level.items():
        for i in range(count):
            topic = course_topics[i % len(course_topics)]
            q_type = "multiple_choice" if level in [BloomLevel.REMEMBER, BloomLevel.UNDERSTAND] else "open_answer"
            tasks.append(generate_question(
                topic=topic,
                source_text="",
                question_type=q_type,
                bloom_level=level
            ))

    all_questions = await asyncio.gather(*tasks)

    return {
        "variant_id": f"V{random.randint(1000, 9999)}",
        "time_limit_min": time_limit_min,
        "total_points": sum(q.get("points", 1) for q in all_questions),
        "questions": list(all_questions),
        "bloom_distribution": {l.value: c for l, c in questions_by_level.items()}
    }

Порівняння AI та ручного методу

AI-генерація в 10 разів швидша за ручне створення тестів: 30 питань за 2 хвилини замість 4–6 годин. Вартість генерації тесту в 5–10 разів нижча, а кількість унікальних варіантів — до 30 на питання.

Як забезпечити унікальність варіантів?

Кожне питання — не копія. Система генерує до 30 унікальних версій, змінюючи числа, імена, контекст і порядок варіантів. Складність при цьому залишається однаковою — перевірено на десятках проектів.

async def generate_unique_variants(
    base_question: str,
    n_variants: int = 30,
    maintain_difficulty: bool = True
) -> list[dict]:
    response = await client.chat.completions.create(
        model="gpt-4o",
        messages=[{
            "role": "system",
            "content": f"""Создай {n_variants} уникальных версий вопроса.
            Варьируй: числа, имена, контекст, порядок вариантов ответа.
            Сложность {'должна оставаться одинаковой' if maintain_difficulty else 'может варьироваться'}.
            Верни JSON массив."""
        }, {
            "role": "user",
            "content": f"Исходный вопрос: {base_question}"
        }],
        response_format={"type": "json_object"}
    )
    return json.loads(response.choices[0].message.content)["variants"]

Автоматична перевірка відкритих відповідей

Для питань з відкритою відповіддю AI-оцінювач звіряє відповідь студента з еталоном за рубрикою та виставляє бали з коментарями.

async def auto_grade_open_answer(
    question: str,
    correct_answer: str,
    rubric: dict,
    student_answer: str
) -> dict:
    response = await client.chat.completions.create(
        model="gpt-4o",
        messages=[{
            "role": "system",
            "content": f"""Проверяй ответ студента по рубрике.
            Вопрос: {question}
            Эталонный ответ: {correct_answer}
            Критерии оценки: {json.dumps(rubric, ensure_ascii=False)}

            Оцени ответ и верни JSON:
            {{score: 0-100, feedback: "подробная обратная связь", strengths: [], weaknesses: []}}"""
        }, {
            "role": "user",
            "content": f"Ответ студента: {student_answer}"
        }],
        response_format={"type": "json_object"}
    )
    return json.loads(response.choices[0].message.content)

Оцінка на основі ансамблю моделей

Для надійності перевірки спірних відповідей використовуємо ансамбль з трьох різних AI-моделей. Якщо дві моделі дають однакову оцінку — вона фінальна. При розбіжності підключається третя, відповідь позначається на ручне рев’ю. Це знижує ризик помилки до 1% на тест.

Важливість розподілу за рівнями таксономії: він гарантує, що тест оцінює не лише запам'ятовування, а й розуміння, аналіз та синтез, що покращує якість оцінки студентів і відповідає сучасним освітнім стандартам.

Що входить в роботу

• Проектування архітектури генерації під ваш контент
• Розробка промптів для всіх рівнів таксономії Блума
• Інтеграція з LMS (Moodle, iSpring, custom API)
• Генерація до 30 унікальних варіантів на питання
• Модуль автоперевірки відкритих відповідей з рубриками
• Документація, навчання викладачів, підтримка 2 місяці

Процес роботи

1. Аналітика — вивчаємо ваш навчальний матеріал та вимоги до тестів
2. Проектування — визначаємо типи питань, розподіл за рівнями, формат вивантаження
3. Реалізація — пишемо код генерації, інтегруємо з вашою LMS
4. Тестування — перевіряємо на реальних студентах, коригуємо промпти
5. Деплой — запускаємо в продакшен, передаємо документацію

Строки орієнтовно

• Генератор тестів з готового текстового матеріалу — 1–2 тижні
• Повноцінна платформа з автоперевіркою, аналітикою та інтеграцією в LMS — 2–3 місяці

Вартість розраховується індивідуально під ваш обсяг даних та необхідні інтеграції. Економія бюджету на навчання становить 30–50% від витрат на ручне тестування. Вкладення в автоматизацію окупаються за 2 місяці. Оцінимо проект за один день — замовте індивідуальну демонстрацію, щоб обговорити деталі.

Більше 5 років досвіду в AI/ML, 20+ проектів з генерації контенту. Гарантуємо стабільну роботу та своєчасну здачу. Отримайте консультацію щодо вашого проекту — ми оцінимо можливості автоматизації за один день.

Генеративний AI розробка: від промпта до production API

Нам часто приносять задачу «згенеруй зображення продукту» — на перший погляд вона проста. Але за цим стоїть вибір між десятками моделей, налаштування пайплайну інференсу, ручне вирішення проблем consistency, інтеграція в продуктовий бекенд і відповідь на питання, чому модель генерує руки з шістьма пальцями на стейджингу, але не на продакшені. Розберемо напрямки, з якими ми працюємо.

Генерація зображень: від промпта до production API

Актуальний ландшафт — FLUX.1 [dev/schnell/pro] від Black Forest Labs та Stable Diffusion 3.5. FLUX.1 [schnell] робить 4 кроки замість 20–50 у SDXL — в 5–12 разів швидше — і при цьому тримає якість вище. На A100 80GB — 1.2–1.8 с на зображення 1024×1024 при batch_size=4.

Типова проблема при розгортанні: FLUX.1 [dev] потребує 24+ GB VRAM в fp16. На A10G 24GB влізає в обріз, при batch_size>1 — OOM. Рішення: torch_dtype=torch.bfloat16 + enable_model_cpu_offload() з diffusers, або квантизація через bitsandbytes в NF4 — падіння якості мінімальне, споживання пам'яті знижується до 12–14 GB.

ControlNet і IP-Adapter — ключові інструменти для production-задач, де потрібна керованість. ControlNet з Canny/Depth/Pose картою дає структурний контроль. IP-Adapter (особливо IP-Adapter-FaceID) дозволяє переносити identity персонажа на генерації — це основа для персоналізованого контенту.

Кейс: e-commerce фото-зйомка. Рітейлер з 8000 SKU потребував lifestyle-фото для кожного продукту. Пайплайн: сегментація продукту (Segment Anything Model 2) → видалення фону → inpainting FLUX.1 [dev] з product image як IP-Adapter reference → upscale через RealESRGAN_x4plus. Вартість генерації на орендованих A100 значно нижча порівняно з професійною зйомкою, економія багатократна. Throughput — 200 зображень/год на 2× A100. Багаторічний досвід 30+ проектів гарантує, що ми оберемо оптимальну модель під ваше завдання — оцінку можна отримати на старті.

Чому вибір моделі — лише половина успіху?

Fine-tuning під конкретний стиль або персонаж

Dreambooth і LoRA — стандарт для адаптації під конкретний візуальний стиль або об'єкт. LoRA навчається за 2–4 години на 20–30 референсних зображеннях на одному A100. Rank 16–32 зазвичай достатньо для стилю, rank 64+ потрібен для точного відтворення облич.

Часта помилка: навчати LoRA занадто довго — модель перенавчається на референси, втрачає здатність до варіативності. Ознака: на cfg_scale=7 всі зображення схожі на copy-paste референсу. Лікується ранньою зупинкою (зазвичай 1500–2000 кроків для 20 зображень) та prior_preservation_loss.

Для більш глибокої кастомізації — full fine-tuning через diffusers + accelerate з FSDP на декількох GPU. Але це вже 40–80 годин навчання і потрібен дійсно великий датасет (1000+ зображень).

Порівняння підходів до генерації зображень

Які моделі кращі для генерації відео?

Open-weight відеомоделі поки відстають від комерційних за стабільністю та довжиною. Wan2.1 — найкращий вибір для self-hosted: 14B параметрів, працює на 2× A100, дає прийнятну якість для коротких кліпів.

Головний біль відеогенерації — temporal consistency: персонаж змінює колір одягу на третій секунді, об'єкт «пливе». Часткове рішення — генерація з motion_bucket_id і noise_aug_strength в Stable Video Diffusion, або використання I2V (image-to-video) замість чистого text-to-video. Як зазначається в дослідженні VideoPoet, consistency досягається за рахунок навчання на довгих послідовностях.

AnimateDiff залишається робочим інструментом для коротких петель та motion-ефектів поверх SD/FLUX. Не Sora, але деплоїться локально і передбачуваний.

Генерація музики та аудіо

AudioCraft від Meta (MusicGen + AudioGen) — production-готовий стек для музичної генерації. musicgen-large (3.3B) генерує 30 с музики за ~8 с на A100. Керування через текстовий промпт та melody conditioning — можна задати мелодію наспівуванням.

Stable Audio Open від Stability AI — альтернатива з довжиною до 47 с, краща керованість структурою (intro/verse/chorus). Деплой аналогічний: diffusers + FastAPI.

Для voice-over та озвучки — ElevenLabs API або self-hosted XTTS v2 (див. послугу Speech AI). Для sound design та foley — AudioGen.

3D-генерація: практичний стан

3D-генерація все ще не дісталася тієї ж зрілості, що 2D. Але для конкретних задач інструменти вже робочі:

TripoSG та Shap-E — text/image-to-3D. Shap-E від OpenAI генерує прості 3D-меші за секунди, але геометрія грубувата. TripoSG дає більш детальні результати, але потребує постпроцесінгу (ремешинг, UV-розгортка).

Wonder3D та Zero123++ — реконструкція 3D з одного зображення. Працюють через генерацію multi-view (6–8 видів) та подальше 3D-відновлення через NeuS або instant-ngp.

Gaussian Splatting (3DGS) — не генерація, а реконструкція з серії фото/відео. Для товарних карток та нерухомості це вже production: 50–200 фото → 3DGS модель за 15–30 хв на RTX 4090 → інтерактивний 3D-в'ювер в браузері.

Інфраструктура та деплой

Для генеративних моделей критично:

• Черга задач — Celery + Redis або Ray Serve. Синхронний HTTP для генерації зображень неприйнятний при >5 конкурентних запитах.
• Кешування — схожі промпти дають схожі результати. Семантичний кеш через ембеддінги (faiss + sentence-transformers) може знизити навантаження на GPU на 20–40%.
• Моніторинг якості — CLIP score для text-image alignment, FID для оцінки розподілу генерацій. Інтеграція в MLflow або Weights & Biases.
• Зберігання — згенеровані зображення одразу в S3/MinIO, не на диску сервера інференсу.

Що входить в роботу (deliverables)

Ми беремо проект під ключ — від вибору моделі до деплою та моніторингу. В результат входить:

• Модель (або API-інтеграція) з бенчмарками продуктивності (latency p99, throughput).
• Документація пайплайну (prompt engineering guide, model card, версії залежностей).
• Інтеграція з вашим бекендом (REST/gRPC, черги).
• Налаштований моніторинг (дашборди, алерти по дрейфу якості).
• Навчальний воркшоп для команди (2–4 години).
• Гарантійна підтримка 3 місяці після запуску — в рамках сертифікату якості на нашу роботу.

Історично ми виконали 30+ проектів в генеративному AI — це дає нам право гарантувати результат.

Як будується процес розробки генеративного AI?

1. Аналітика (1–2 дні): аудит поточної архітектури, уточнення use case, вибір моделей та метрик успіху. Оцінюємо проект безкоштовно.
2. Proof of Concept (1–3 тижні): швидкий прототип на ваших даних — щоб бачити реальну якість, а не демо з блогу.
3. Проектування (1–2 тижні): архітектура пайплайну, інфраструктура (GPU-кластер/API), план A/B-тестування.
4. Реалізація та fine-tuning (4–12 тижнів): розробка, навчання LoRA/full fine-tuning, інтеграція з чергою та кешем.
5. Тестування (1–2 тижні): навантажувальні тести, валідація метрик, перевірка на edge-case (негативні сценарії).
6. Деплой та моніторинг (1–2 тижні): розгортання на production, налаштування моніторингу, документування.

Строки орієнтовно

Інтеграція готового API (DALL‑E 3, Midjourney API, Stability API) — 1–2 тижні. Self-hosted пайплайн з fine-tuning — 6–12 тижнів. Повна платформа з UI, чергами та моніторингом — 3–6 місяців. Конкретна вартість розраховується індивідуально після аналізу вашого сценарію.

Зв'яжіться з нами — замовте консультацію, і ми підберемо оптимальну архітектуру для вашого проекту. Отримайте попередню оцінку термінів безкоштовно.