Analysis of integrated real-time decision support systems based on neural networks and low-structured data

Abstract

The study aimed to analyse and substantiate effective methods for analysing inefficiently structured data using neural networks to provide operational decision support in complex environments. The focus was on the use of artificial neural networks to analyse inefficiently structured data, such as sensor streams, to ensure efficiency, accuracy and adaptability in a dynamic environment. The research is aimed at creating innovative models and technologies that will improve the efficiency of management in complex situations, such as emergency response, process automation in critical industries and decision-making based on predictive analytics. The study investigated conceptual approaches to the development of integrated real-time decision support systems based on the analysis of poorly structured data using neural networks. The study proposed methods of adaptive learning that allow neural networks to process data efficiently in the face of constant changes. The research methodology included modelling a real-time architecture using a microservice approach and streaming data processing platforms such as Apache Kafka and Apache Flink. The study highlighted the role of neural networks in processing streaming data, in particular, convolutional networks for processing visual information, recurrent networks for sequence analysis, and transformers for multichannel analysis. Architectural solutions were developed that allow the processing of large amounts of data with minimal delays, ensuring the accuracy and adaptability of systems. The study presented approaches to the implementation of adaptive training of neural networks that minimise the risks of losing model relevance in a dynamic environment. The use of modern technologies, such as artificial neural networks, adaptive learning and integration with the Internet of Things, was used to create effective systems for rapid response to emergencies. The proposed methods help increase the efficiency of management in difficult conditions and create new prospects for innovation in various industries. Метою цієї роботи було дослідження та обґрунтування ефективних методів аналізу слабоструктурованих даних з використанням нейронних мереж для забезпечення оперативної підтримки прийняття рішень у складних середовищах. Основну увагу приділено використанню штучних нейронних мереж для аналізу слабоструктурованих даних, таких як сенсорні потоки, для забезпечення оперативності, точності та адаптивності в умовах динамічного середовища. Дослідження спрямоване на створення інноваційних моделей і технологій, які дозволять підвищити ефективність управління у складних ситуаціях, таких як реагування на надзвичайні події, автоматизація процесів у критичних галузях і прийняття рішень на основі прогнозної аналітики. У роботі досліджено концептуальні підходи до розробки інтегрованих систем підтримки прийняття рішень у реальному часі, які базуються на аналізі слабоструктурованих даних за допомогою нейронних мереж. Запропоновано методи адаптивного навчання, що дають змогу нейронним мережам ефективно обробляти дані в умовах постійних змін. Методологія дослідження включала моделювання архітектури реального часу з використанням мікросервісного підходу та платформ для потокової обробки даних, таких як Apache Kafka і Apache Flink. Висвітлено роль нейронних мереж у роботі з потоковими даними, зокрема згорткових мереж для обробки візуальної інформації, рекурентних мереж для аналізу послідовностей і трансформерів для багатоканального аналізу. Розроблено архітектурні рішення, які дозволяють обробляти великі обсяги даних із мінімальними затримками, забезпечуючи точність і адаптивність систем. Представлено підходи до реалізації адаптивного навчання нейронних мереж, що мінімізують ризики втрати релевантності моделі в динамічному середовищі. Використання сучасних технологій, таких як штучні нейронні мережі, адаптивне навчання та інтеграція з інтернетом речей, дозволяє створювати ефективні системи для оперативного реагування на надзвичайні події. Запропоновані методи сприяють підвищенню ефективності управління у складних умовах і відкривають нові перспективи для інновацій у різних галузях.