Реєстраційний номер
0225U000371,
(0123U103045)
, Науково-дослідна робота
Назва роботи
Розробити моделі підвищення корисності та самопідсилення для децентралізованих систем аналізу великих даних
Назва етапу роботи
Розробити нові моделі аналізу великих цифрових даних у децентралізованих системах
Керівник роботи
Кузнєцов Владислав Олександрович, к.т.н.
Дата реєстрації
10-01-2025
Організація виконавець
Інститут кібернетики імені В. М. Глушкова Національної академії наук України
Опис роботи
Мета полягає у розробці моделей ефектів самопідсилення, їх вивчення, в контексті проявів синергетичних і мережевих ефектів в системах обробки великих даних, а також дослідження (аналіз) великих децентралізованих систем обробки великих даних. В рамках дослідження передбачається дослідження впливу дій користувачів системи і кількості інформації, що формує великі дані і впливають на загальну інформативність даних, які зберігаються в системі великих даних у форматі метаданих, документів, фактів та інших показників. В роботі буде досліджено моделі ефектів самопідсилення та підвищення корисності в великих даних в рамках процесу добування, обробки і використання даних; буде побудовано нові моделі моделі ефектів самопідсилення та підвищення корисності і модель аналізу великих цифрових даних.
Основні завдання роботи полягають у наступному: необхідно розробити моделі машинного навчання на великих даних для визначення мережевих та синергетичних ефектів, які впливають на вартість даних і відповідно на попит через ефекти самопідсилення. Також необхідно розробити моделі машинного навчання, що залучають статистичні показники, які є інформативними в контексті вартісності даних і підвищення попиту. Потрібно розробити підходи для отримання ознак з даних, з урахуванням прихованих властивостей даних та просторового їх розташування. Дослідити просторове розташування ознак, оцінити аномалії і відхилення в даних. Розробити методи візуального аналізу даних і машинного навчання, з урахуванням взаємодій користувачів і платформи великих даних. Розробити моделі великих даних, що враховують критерії вартісності і корисності даних, які отримані з різних джерел та поступають у ланцюг обробки великих даних.
Опис етапу
За звітний період отримано наступні результати: 1) розроблено підхід до моделювання і аналізу систем великих даних із незалежною поведінкою окремих вузлів шляхом моделювання просторово-часової динаміки попиту і пропозиції в мережі великих даних; 2) удосконалено методи моделювання систем великих даних з відкритим контуром керування, шляхом використання підходів, моделей та методів, які реалізують оптимальне керування попитом даних; 3) Проведено дослідження запропонованих підходів і методів, а використання методів аналізу великих мереж та розподілу ресурсів, зокрема моделі розподілу радіочастот та потужності передаваного сигналу, побудови оптимальних маршрутів; 4) Проведено дослідження та
порівняно ефективність запропонованих підходів і методів оптимального керування з іншими методами, зокрема, методами що залучають динамічні нейромережі. Отримані моделі, підходи та алгоритми можуть бути використані для формалізації просторово-часової динаміки попиту і пропозиції в мережах великих даних, системах аналізу великих даних, зокрема, е-комерції, систем розподілу ресурсів (товарів або послуг), моделювання поведінки систем великих даних, оптимізації архітектур моделей великих даних. Результати, отримані у даній науково-дослідній роботі, можуть бути використані в індустрії великих даних для розробки систем підтримки прийняття рішень з включенням людини (постачальника або користувача) в процес прийняття рішень, для систем візуальної аналітики і прийняття рішень для систем обробки великих даних, в т.ч. в системах обслуговування користувачів та оцінювання якості надання послуг.
Опис продукції
Автори роботи
Дунаєвський Максим Сергійович
Кузнєцов Владислав Олександрович
Сулейманов Сеїт-Бекір Сінавер огли
Додано/оновлено в НРАТ
2025-01-10
