СУЧАСНІ ТРЕНДИ ТА ВИКЛИКИ ВИКОРИСТАННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ В МУЛЬТИАГЕНТНИХ СИСТЕМАХ ОБРОБКИ ДАНИХ

Read full text Summarise with VIRAT
Authors: Олександр Кризський
Cited by: 0
References: 15

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

СУЧАСНІ ТРЕНДИ ТА ВИКЛИКИ ВИКОРИСТАННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ В МУЛЬТИАГЕНТНИХ СИСТЕМАХ ОБРОБКИ ДАНИХ Анотація.У статті виконано аналітичний огляд сучасних підходів до застосування методів машинного навчання в мультиагентних системах (MAS), орієнтованих на розподілену обробку даних у середовищах edge-cloud, промислового Інтернету речей та кіберфізичних інфраструктурах.Показано, що оптимізація конвеєра обробки даних у MAS виходить за межі класичних задач маршрутизації чи планування: на практиці необхідно одночасно керувати обчислювальними ресурсами, мережевою пропускною здатністю, енергоспоживанням, затримками, стійкістю до відмов і приватністю даних, а також забезпечувати адаптацію до нестаціонарних потоків і концепт-дрифту.Узагальнено ключові класи інтелектуальних методів: багатоагентне підкріплювальне навчання (MARL) для координації та прийняття рішень у реальному часі; графові нейронні мережі та механізми уваги для реляційного подання топологій агентів, сервісів і потоків; федеративне навчання та технології захисту (secure aggregation, диференційна приватність) як компроміс між колективною якістю моделей і вимогами до конфіденційності; безпечне та обмежене RL для критичних систем; безперервне/онлайн-навчання для боротьби з дрифтом; «навчені» оптимізатори для задач керування базами даних і запитами в умовах розподілених агентів.Запропоновано таксономію задач оптимізації обробки даних у MAS (розподіл навантаження, алокація ресурсів, адаптивна маршрутизація даних, керування кешем і реплікацією, оптимізація потокової обробки, узгодження моделей між агентами) та проаналізовано відповідність цим задачам різних класів ML-методів.Окремо розглянуто проблеми масштабованості (зростання кількості агентів і каналів взаємодії), «спільної нестаціонарності» MARL, кредитного призначення, комунікаційних обмежень та інженерних аспектів інтеграції навчання з потоковими платформами (наприклад, Kafka/Flink) і практиками MLOps.Практичну частину подано у вигляді стислого ілюстративного сценарію, який демонструє типову постановку задачі та систему метрик оцінювання (затримка, пропускна № 2(56) 2026

Fields of Study & Subjects

IoT and Edge/Fog Computing Multi-Agent Systems and Negotiation Cloud Computing and Resource Management

Publication details

Journal / source
Наука і техніка сьогодні
Issue
2(56)
Publication date
21 March 2026
Language
UK