ЗАСТОСУВАННЯ НЕЙРОМЕРЕЖ ТА ГІБРИДНИХ СХОВИЩ ПРИ СТВОРЕННІ КОМП'ЮТЕРНИХ СИСТЕМ

Анотація

У сучасних комп’ютерних системах зростає потреба у швидкій обробці, надійному зберіганні та точному аналізі великих обсягів даних у реальному часі. Це особливо актуально для автоматизованих технологічних процесів, інтелектуальних середовищ та керування розподіленими об’єктами. У таких умовах традиційні архітектури зберігання та аналітики даних стають недостатньо гнучкими та масштабованими. Метою статті є огляд сучасних підходів до побудови комп’ютерних систем прогнозування стану динамічних об’єктів шляхом поєднання методів машинного навчання з гібридною архітектурою зберігання інформації. У рамках роботи здійснюється оцінка точності різних моделей штучного інтелекту для короткострокового прогнозування параметрів, а також аналізується ефективність використання гібридних сховищ даних для забезпечення надійного, масштабованого та продуктивного функціонування таких систем у реальному часі.Методи дослідження: використовуються методи машинного навчання, зокрема регресійні та ансамблеві моделі, а також експериментальне моделювання на основі часових рядів. Для оцінки ефективності застосовано метрики точності та аналіз впливу вхідних параметрів. Обробка й зберігання даних реалізовані з використанням гібридної інфраструктури.Наукова новина дослідження полягає в тому, що проведений аналіз виявив суттєві перспективи інтеграції високоточних моделей машинного навчання з гібридними сховищами інформації для створення адаптивної комп’ютерної системи прогнозування, здатної до оперативної реакції та довготривалої аналітики в умовах обробки великих обсягів даних у реальному часі.Висновки. Проведене дослідження довело доцільність використання машинного навчання у поєднанні з гібридною архітектурою зберігання даних для створення інтелектуальних комп’ютерних систем прогнозування. На основі експериментального моделювання встановлено, що модель XGBoost демонструє найвищу точність, стабільність результатів і здатність до інтерпретації впливу вхідних параметрів на вихідні дані, значно випереджаючи інші протестовані алгоритми. Важливою складовою запропонованого підходу стала побудова гібридного сховища інформації, яке поєднує переваги локального зберігання, NoSQL-систем та хмарної інфраструктури. Така структура дозволяє забезпечити як оперативне реагування на зміни вхідних параметрів, так і проведення глибокого історичного аналізу для довготривалого планування та вдосконалення алгоритмів. Запропонована система може бути адаптована для широкого кола завдань у сфері автоматизованого керування, цифрового моніторингу, управління виробничими процесами та в інших прикладних напрямах. Вона дозволяє не лише підвищити ефективність роботи комп’ютерних систем, а й закладає основу для створення самонавчальних, адаптивних рішень нового покоління, здатних працювати в умовах реального часу з великими обсягами даних.