УДК 004.8:519.816
DOI: 10.36871/26189976.2026.02-4.008
Авторы
Камилла Рустемовна Виллард,
Российский университет дружбы народов имени Патриса Лумумбы, Москва, Россия
Яхита Солтановна Исламгереева,
Чеченский государственный университет им. А. А. Кадырова, Грозный, Россия
Алсу Рафаэлевна Минулина,
Лениногорский филиал «Казанский национальный исследовательский технический университет им. А. Н. Туполева—КАИ», Лениногорск, Россия
Аннотация
Интеллектуальная обработка больших данных в распределённых информационных системах используется для поддержки управленческих решений, однако её практическая результативность снижают распределённость и неоднородность данных, задержки, неполнота и смещения, а также требования к надёжности, воспроизводимости и соблюдению ограничений. Цель статьи — предложить прикладную рамку проектирования и оценки таких решений, связывающую архитектуру данных, методы AI/ML, контур MLOps и измерение управленческого эффекта. Рамка рассматривает поддержку решений как последовательность этапов: постановка цели и ограничений → подготовка данных и признаков → обучение и валидация → внедрение в процесс → оценка результата. Показано, что для распределённых сред принципиально различать прогноз и причинное влияние, контролировать дрейф данных и изменения политик, учитывать задержки и интерференцию между узлами и обеспечивать трассируемость. Результат статьи — минимальный набор метрик «данные — модель — решение — эффект» и типовой архитектурный контур, позволяющие снижать риск внедрения «точных моделей» без измеримой управленческой отдачи.
Ключевые слова
большие данные
распределённые
информационные системы
поддержка управленческих решений
машинное обучение
потоковая обработка
качество данных
надёжность
федеративное обучение
Список литературы
[1] Агеева А. Ф. Обзор современных систем поддержки принятия решений, созданных при помощи агентного подхода / А. Ф. Агеева // Электронные информационные системы.—2018.—№ 4 (19).—С. 29–46.
[2] Александрова Н. А. Персонализированное обучение школьников на основе анализа больших данных в образовании / Н. А. Александрова // Общество: социология, психология, педагогика.—2022.—№ 9 (101).—С. 123–126.
[3] Баловнева А. Н. Модель реализации непрерывного образования на основе цифрового следа / А. Н. Баловнева, С. И. Колесникова // Инновационные, информационные и коммуникационные технологии.—2018.—№ 2.—С. 13–16.
[4] Байесовские интеллектуальные технологии как методологическая основа обработки больших данных в условиях неопределенности / С. В. Прокопчина // Экономика и управление: проблемы, решения.—2019.—Т. 11, № 3.—С. 105–109.
[5] Бодряков В. Ю. Методические подходы к обучению студентов направления «Прикладная математика и информатика» основам интеллектуальной обработки больших данных / В. Ю. Бодряков, А. А. Быков // Педагогическое образование в России. — 2016.—№ 7.—С. 145–152.
[6] Большие данные в геодезическом обеспечении / В. Я. Цветков, В. В. Ознамец // Геодезия и картография.—2022.—Т. 83, № 10.—С. 9–19.
[7] Гамидуллаева Л. А. Разработка методологии управления взаимодействием субъектов в региональной инновационной системе на основе интеллектуального анализа больших данных / Л. А. Гамидуллаева, А. Г. Финогеев, С. М. Васин // Инновации. — 2020.—№ 1 (255).—С. 76–85.
[8] Гараева А. Р. Программный модуль интеллектуального анализа пространственновременных данных для систем экстренных служб / А. Р. Гараева, М. Н. Бубнов, И. В. Аникин, С. С. Кильдеева, М. В. Дагаева, А. П. Кирпичников // Вестник Технологического университета.—2018.—Т. 21, № 11.—С. 138–142.
[9] Гибридные интеллектуальные системы обработки больших данных предприятия / Н. Г. Куфтинова, А. В. Остроух, М. Ю. Карелина, Е. Н. Матюхина, Э. У. Ахметжанова // СТИН.—2021.—№ 3.—С. 6–9.
[10] Голубев А. В. Интеллектуальная поддержка формирования транспортной сети города на основе обработки больших геораспределенных данных / А. В. Голубев // Математические методы в технике и технологиях—ММТТ.—2018.—Т. 5.—С. 104–107.
[11] Гумеров Э. А. Разработка архитектуры комплекса систем промышленного интернета вещей на основе интеллектуальных датчиков и сенсоров / Э. А. Гумеров, Т. В. Алексеева // Прикладная информатика.—2022.—Т. 17, № 6 (102).—С. 18–35.
[12] Заславская В. Л. Интеллектуальная обработка больших данных в задачах малого бизнеса на основе байесовских интеллектуальных технологий / В. Л. Заславская, Р. К. Заславский, С. В. Прокопчина // Мягкие измерения и вычисления.—2022.—Т. 61, № 12.—С. 65–74.
[13] Зулкарнаева П. Л. Методы интеллектуального анализа и обработки больших данных / П. Л. Зулкарнаева, С. С. Х. Цамараев // Экономика и управление: проблемы, решения.—2024.—Т. 12, № 9 (150).—С. 53–57.
[14] Инструментальные средства «облачного» мониторинга распределенных инженерных сетей / В. А. Камаев, А. Г. Финогеев, И. С. Нефедова, Е. А. Финогеев // Известия Волгоградского государственного технического университета. — 2014. — № 25 (152).—С. 164–176.
[15] Интеллектуальный анализ и обработка больших разнородных данных для парирования угроз в сложных распределенных системах / О. И. Христодуло, С. В. Павлов, Е. С. Брекоткина, А. С. Павлов // Программные продукты и системы.—2022.—№ 1.— С. 5–13.
[16] Интеллектуальная обработка больших данных в задачах малого бизнеса на основе байесовских интеллектуальных технологий / В. Л. Заславская, Р. К. Заславский, С. В. Прокопчина // Мягкие измерения и вычисления.—2022.—Т. 61, № 12.—С. 65– 74.
[17] Интеллектуальные системы и большие данные: технологии обработки и применения в различных отраслях / Р. Р. Минниханова, Е. А. Салтанаева // Информационные технологии в строительных, социальных и экономических системах.—2025.—№ 2 (36).—С. 129–133.
[18] Истратова Е. Е. Разработка информационной системы для сбора и обработки Big Data в строительстве / Е. Е. Истратова, Д. Д. Син, К. Б. Строкин // Перспективы науки.—2020.—№ 5 (128).—С. 29–35.
[19] К вопросу о функциональных требованиях к комплексной интеллектуальной системе для обработки больших массивов данных / А. В. Коськин, А. А. Митин // Информационные системы и технологии.—2019.—№ 6 (116).—С. 51–54.
[20] Камаев В. А. Инструментальные средства «облачного» мониторинга распределенных инженерных сетей / В. А. Камаев, А. Г. Финогеев, И. С. Нефедова, Е. А. Финогеев // Известия Волгоградского государственного технического университета.—2014.— № 25 (152).—С. 164–176
