ЗАСТОСУВАННЯ НЕЙРОМЕРЕЖ ТА ГІБРИДНИХ СХОВИЩ ПРИ СТВОРЕННІ КОМП'ЮТЕРНИХ СИСТЕМ

Автор(и)

DOI:

https://doi.org/10.32689/maup.it.2025.2.21

Ключові слова:

комп’ютерні системи, машинне навчання, гібридні сховища, інтелектуальне керування, автоматизація, хмарні технології

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.

Посилання

Agarap A. F. Deep Learning Using Rectified Linear Units (ReLU). arXiv preprint. 2019. arXiv:1803.08375.

Agatonovic-Kustrin S., Beresford R. Basic Concepts of Artificial Neural Network (ANN) Modeling and Its Application in Pharmaceutical Research. J. Pharm. Biomed. A. 2000. Vol. 22. P. 717–727. DOI: https://doi.org/10.1016/ S0731-7085(99)00272-1.

Akiba T. et al. Optuna: A Next-Generation Hyperparameter Optimization Framework. Proc. 25th ACM SIGKDD Int. Conf. on Knowledge Discovery & Data Mining. Anchorage, AK, USA, 2019. P. 2623–2631. DOI: https://doi.org/10.1145/3292500.3330701.

AL ISSA H. A. Regulating steady-state voltage deviation using fuzzy logic / Huthaifa AL Issa, L. Hussienat, A. Panov, K. Demchenko, O. Piskarov, O. Miroshnyk, T. Shchur//Przegląd Elektrotechniczny. 2025. Т. 2025.№. 3.

Awad M., Khanna R. Support Vector Regression. In: Efficient Learning Machines. – Berkeley: Apress, 2015. P. 67–80. ISBN: 978-1-4302-5990-9.

Bentéjac C., Csörgő A., Martínez-Muñoz G. A Comparative Analysis of Gradient Boosting Algorithms. Artif. Intell. Rev. 2021. Vol. 54. P. 1937–1967. DOI: https://doi.org/10.1007/s10462-020-09896-5.

Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System. Proc. 22nd ACM SIGKDD Int. Conf. on Knowledge Discovery and Data Mining. San Francisco, CA, USA, 13–17 Aug. 2016. P. 785–794. DOI: https:// doi.org/10.1145/2939672.2939785.

Chicco D., Warrens M. J., Jurman G. The Coefficient of Determination R² Is More Informative than SMAPE, MAE, MAPE, MSE and RMSE. PeerJ Comput. Sci. 2021. Vol. 7. e623. DOI: https://doi.org/10.7717/peerj-cs.623.

Hodson T. O. Root-Mean-Square Error (RMSE) or Mean Absolute Error (MAE): When to Use Them or Not. Geosci. Model Dev. 2022. Vol. 15. P. 5481–5487. DOI: https://doi.org/10.5194/gmd-15-5481-2022.

Karajan M., Sorenson P., Saleh K. Hybrid Cloud Storage: Research Status, Challenges, and Future Directions. Journal of Cloud Computing: Advances, Systems and Applications. 2020. Vol. 9. Art. 49. DOI: https://doi.org/10.1186/s13677-020-00188-y.

Nguyen N.-H. et al. Efficient Estimating Compressive Strength of Ultra-High Performance Concrete Using XGBoost Model. J. Build. Eng. 2022. Vol. 52. Art. 104302. DOI: https://doi.org/10.1016/j.jobe.2022.104302.

Rittinghouse J. W., Ransome J. F. Cloud Computing: Implementation, Management, and Security. 2nd ed. Boca Raton: CRC Press, 2017. ISBN 978-1-4987-3950-2.

Salem H. et al. Predictive Modelling for Solar Power-Driven Hybrid Desalination System Using ANN with Adam Optimization. Desalination. 2022. Vol. 522. Art. 115411. DOI: https://doi.org/10.1016/j.desal.2021.115411.

Taki M. et al. Applied Machine Learning in Greenhouse Simulation; New Application and Analysis. Inf. Process. Agric. 2018. Vol. 5. P. 253–268. DOI: https://doi.org/10.1016/j.inpa.2018.03.003.

Tymchuk S., Abramenko I., Shendryk V., Shendryk S., Piskarev O. Controller Software Optimization in Adaptive Extreme Automation Systems. Lecture Notes in Networks and Systems. 2022. Vol. 472. P. 252–259. ISBN 978-3-031-05229-3.

##submission.downloads##

Опубліковано

2025-09-23

Як цитувати

ПІСКАРЬОВ, О., АБРАМОВИЧ, Д., & ПЛУГІН, В. (2025). ЗАСТОСУВАННЯ НЕЙРОМЕРЕЖ ТА ГІБРИДНИХ СХОВИЩ ПРИ СТВОРЕННІ КОМП’ЮТЕРНИХ СИСТЕМ. Інформаційні технології та суспільство, (2 (17), 141-149. https://doi.org/10.32689/maup.it.2025.2.21

Статті цього автора (авторів), які найбільше читають