САМОАДАПТИРУЮЩИЕСЯ МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ В СОСТАВЕ ИНТЕЛЛЕКТУАЛЬНЫХ ИНФОРМАЦИОННЫХ СИСТЕМ

Аннотация

Данное исследование посвящено изучению адаптивных стратегий машинного обучения, направленных на поддержание надежной аналитики в условиях концептуального дрейфа данных в потоковых средах. В современных интеллектуальных информационных системах потоки данных часто подвергаются изменениям распределения, что может существенно снижать точность традиционных статических моделей. Для решения этой проблемы в работе проводится систематическое сравнение различных подходов к адаптивному обучению, включая статические модели, методы онлайн-обучения, алгоритмы с учетом дрейфа данных, а также глубокие адаптивные модели. В качестве экспериментальной базы используются потоковые наборы данных с искусственно смоделированными событиями концептуального дрейфа, что позволяет воспроизводить условия динамически изменяющихся информационных сред. Для оценки эффективности разработана единая экспериментальная методология, включающая анализ точности прогнозирования, устойчивости к дрейфу, скорости восстановления после изменений распределения данных, временной стабильности предсказаний, а также эффективности использования вычислительных ресурсов. Полученные результаты показывают, что статические модели являются наиболее чувствительными к изменениям распределения данных и демонстрируют существенное снижение точности и низкую способность к восстановлению. Методы онлайн-обучения обеспечивают частичную адаптацию, тогда как алгоритмы, учитывающие дрейф данных, и глубокие адаптивные модели демонстрируют более высокую устойчивость, более быстрое восстановление и лучшую стабильность прогнозирования. Кроме того, системный анализ подчеркивает важность баланса между точностью прогнозирования, задержками обработки и вычислительными затратами. Полученные результаты подтверждают, что использование механизмов обнаружения дрейфа и адаптивного обновления моделей является ключевым фактором обеспечения надежной аналитики потоковых данных в интеллектуальных информационных системах реального времени.