АЛГОРИТМІЧНІ МЕТОДИ ПАРАЛЕЛЬНОЇ ОБРОБКИ ВЕЛИКИХ ДАНИХ У СИСТЕМАХ ПРОГНОЗНОЇ АНАЛІТИКИ
DOI:
https://doi.org/10.32718/agroengineering2025.29.232-241Ключові слова:
алгоритмічні методи, прогнозна аналітика, GPU-обчислення, масштабованість, штучний інтелект, машинне навчання, розподілені обчисленняАнотація
Стрімке зростання обсягів даних та ускладнення прогнозно-аналітичних моделей зумовлюють необхідність ефективного використання паралельної обробки у сучасних інформаційних системах. Обґрунтовано алгоритмічні та архітектурні підходи до паралельної обробки великих даних у системах прогнозної аналітики з урахуванням вимог продуктивності, масштабованості та адаптивності. Аналітично зіставлено моделі паралелізму, програмні фреймворки і обчислювальні архітектури, а також проаналізовано системні обмеження, що впливають на ефективність прогнозно-аналітичних систем у розподілених і гетерогенних середовищах. Показано, що ізольоване масштабування обчислювальних ресурсів не забезпечує пропорційного зростання продуктивності, а найвищої ефективності досягають гібридні конфігурації, які поєднують різні моделі паралелізму та апаратні прискорювачі. Наукова новизна роботи полягає в систематизації алгоритмічних і архітектурних підходів до паралельної обробки великих даних у прогнозній аналітиці з урахуванням адаптивності та системних обмежень, а також у формуванні узагальненого аналітичного підходу до поєднання програмних платформ і спеціалізованих обчислювальних архітектур. Отримані результати можуть бути використані при проєктуванні високопродуктивних прогнозно-аналітичних систем. Окреслено напрями подальшого розвитку паралельних прогнозно-аналітичних систем, зокрема в контексті інтеграції методів машинного навчання, потокової обробки даних і динамічного керування обчислювальними ресурсами. Особливу увагу приділено питанням узгодження алгоритмічних рішень із характеристиками апаратної платформи з метою мінімізації накладних витрат і підвищення енергоефективності обчислень. Запропонований аналітичний підхід може слугувати методологічною основою для побудови адаптивних високопродуктивних систем прогнозної аналітики в умовах змінних навантажень і неоднорідних обчислювальних середовищ.
Посилання
Bu, L., Zhang, H., Xing, H., & Wu, L. (2021). Research on parallel data processing of data mining platform in the background of cloud computing. Journal of Intelligent Systems, 30, 479–486. https://doi.org / 10.1515 / jisys – 2020–0113.
Dritsas, E., & Trigka, M. (2025). Exploring the intersection of machine learning and big data: A survey. Machine Learning and Knowledge Extraction, 7 (1), 13. https://doi.org / 10.3390 / make7010013.
Ghimire, A., & Amsaad, F. (2024). A parallel approach to enhance the performance of supervised machine learning realized in a multicore environment. Machine Learning and Knowledge Extraction, 6 (3), 1840–1856. https://doi.org / 10.3390 / make6030090.
Jamarani, A., Haddadi, S., Sarvizadeh, R., et al. (2024). Big data and predictive analytics: A systematic review of applications. Artificial Intelligence Review, 57, 176–253. https://doi.org / 10.1007 / s10462–024–10811–5.
Kolisetty, V. V., & Rajput, D. S. (2020). A review on the significance of machine learning for data analysis in big data. Jordanian Journal of Computer and Information Technology, 6, 155–171.
Laouni, D. (2021). Dynamic distributed and parallel machine learning algorithms for big data mining processing. Data Technologies and Applications, 4, 558–601. https://doi.org / 10.1108 / dta – 06–2021–0153
Laouni, D., Bensaber, D. A., & Adjoudj, R. (2018). Big data analytics for prediction: Parallel processing of the big learning base with the possibility of improving the final result of the prediction. Information Discovery and Delivery, 46 (2), 147–160. https://doi.org / 10.1108 / IDD–02–2018–0002.
Naeem, M., Jamal, T., Diaz-Martinez, J., Butt, S. A., Montesano, N., Tariq, M. I., De-la Hoz-Franco, E., & De-La-Hoz-Valdiris, E. (2022). Trends and future perspective challenges in big data. In Advances in Intelligent Data Analysis and Applications: Proceedings of the Sixth Euro-China Conference on Intelligent Data Analysis and Applications (pp. 309–325). Springer.
Natesan, P., Sathishkumar, V. E., Mathivanan, S., Venkatasen, V., Maheshwari, J., Jayagopal, P., & Shaikh Muhammad, A. (2023). A distributed framework for predictive analytics using big data and MapReduce parallel programming. Mathematical Problems in Engineering, 2023, Article 6048891. https://doi.org / 10.1155 / 2023 / 604889.
Oo, M. C. M., & Thein, T. (2022). An efficient predictive analytics system for high dimensional big data. Journal of King Saud University – Computer and Information Sciences, 34, 1521–1532. https://doi.org / 10.1016 / j. jksuci. 2019.09.001.
Raghavendra, S. (2024). Scalability of data science algorithms: Empowering big data analytics. Journal of Artificial Intelligence and Computing Techniques, 1, 1–9.
Rakhimov, M., Ochilov, M., Javliev, S., & Nasimov, R. (2024). Analysis and possibilities of parallel approach in big data processing. In Proceedings of the 8th International Conference on Future Networks & Distributed Systems (ICFNDS '24) (pp. 20–25). ACM. https://doi.org / 10.1145 / 3726122.3726126.
Rakhimov, M., Zaripova, D., Javliev, S., & Karimberdiyev, J. (2024). Deep learning parallel approach using CUDA technology. AIP Conference Proceedings, 3244 (1), 030003. https://doi.org / 10.1063 / 5.0241439.
Silva, J., Hernández Palma, H., Niebles Núñez, W., & Ovallos-Gazabon, D. (2020). Parallel algorithm for reduction of data processing time in big data. Journal of Physics: Conference Series, 1432 (1), 012095. https://doi.org / 10.1088 / 1742–6596 / 1432 / 1 / 012095.
Tamilselvan, K., M. N. S., Saranya, A., Abdul Jaleel, D., Rajani Kanth, T. V., & Govardhan, S. D. (2025). Optimizing data processing in big data systems using hybrid machine learning techniques. International Journal of Computational and Experimental Science and Engineering, 11 (1), 775–782. https://doi.org / 10.22399 / ijcesen. 9361.
Tyagi, A. K., & G, R. (2019). Machine learning with big data. In Proceedings of the International Conference on Sustainable Computing in Science, Technology and Management (SUSCOM) (Amity University Rajasthan, Jaipur, India, 26–28 February 2019). Amity University Rajasthan.
Xu, R., Baracaldo, N., & Joshi, J. (2021). Privacy-preserving machine learning: Methods, challenges and directions. arXiv preprint. https://arxiv.org / abs / 2108.04417
