УДК 004.89
DOI: 10.36871/26189976.2026.03-2.008
Авторы
Элина Руслановна Гузуева,
ФГБОУ ВО Чеченский государственный университет им. А. А. Кадырова, Грозный, Россия
Оксана Юрьевна Ватюкова,
Волгоградский Государственный университет, Волгоград, Россия
Седа Саламуевна Джабагова,
Чеченский государственный педагогический университет, Грозный, Россия
Аннотация
Современные информационные системы функционируют в условиях непрерывного и стремительно изменяющегося потока данных, поступающих из разнообразных источников, включая корпоративные базы, облачные платформы, интернет вещей, социальные сети и устройства телеметрии, что создаёт необходимость применения интеллектуальных технологий анализа потоковой информации, способных выявлять закономерности, адаптироваться к изменениям структуры и характера данных, а также обеспечивать своевременную поддержку принятия управленческих решений. В данной статье рассматриваются концептуальные подходы к организации интеллектуального анализа потоковых данных, методологические основы применения алгоритмов машинного обучения и современных аналитических платформ, архитектура многоуровневых систем обработки информации, а также направления практического применения этих технологий в социально-экономических, промышленных и управленческих процессах, характеризующихся высокой степенью динамической неопределённости.
Ключевые слова
потоковые данные
интеллектуальный анализ
динамическая неопределённость
машинное обучение
алгоритмы адаптации
информационные технологии
цифровая трансформация
Список литературы
[1] Александров А. Ю. Потоковые данные и их обработка в реальном времени / А. Ю. Александров. — Москва: КНОРУС, 2021. — 352 с.
[2] Белов И. В. Машинное обучение для анализа больших потоковых данных / И. В. Белов. — Санкт-Петербург: БХВ-Петербург, 2020. — 416 с.
[3] Громов С. А. Интеллектуальные системы обработки информации: теория и практика / С. А. Громов. — Москва: ДМК Пресс, 2022. — 384 с.
[4] Дмитриев П. Н. Методы анализа потоковых данных в условиях неопределённости / П. Н. Дмитриев // Вестник информационных технологий. — 2023. — № 1. — С. 12–28.
[5] Ефимова Т. В. Применение нейросетевых моделей для адаптивного прогнозирования потоковых данных / Т. В. Ефимова // Журнал прикладной информатики. — 2022. — Т. 28, № 4. — С. 34–50.
[6] Зайцев В. К. Глубокое обучение и интеллектуальный анализ данных / В. К. Зайцев. — Москва: Наука, 2020. — 448 с.
[7] Климова М. С. Архитектуры интеллектуальных систем потокового анализа / М. С. Климова // Компьютерные науки и системы. — 2021. — Т. 17, № 2. — С. 65–82.
[8] Лебедев Д. А. Машинное обучение для анализа социальных потоковых данных / Д. А. Лебедев. — Санкт-Петербург: Питер, 2021. — 400 с.
[9] Никитин Е. П. Применение интеллектуальных платформ для анализа потоковой информации / Е. П. Никитин // Информационные технологии и системы. — 2022. — № 3. — С. 77–95.
[10] Фролов А. В. Информационные технологии в цифровой экономике: потоковые данные и их анализ / А. В. Фролов. — Москва: Инфра-М, 2021. — 368 с.
