НАҚТЫ УАҚЫТ ЖҮЙЕЛЕРІНДЕ АҒЫНДЫ ДЕРЕКТЕРДІ ӨҢДЕУДІҢ ЗАМАНАУИ БЕЙІМДЕЛГІШ ӘДІСТЕРІНЕ АНАЛИТИКАЛЫҚ ШОЛУ

Нақты уақыт жүйелері қатаң кідіріс шектеулерін сақтай отырып, үздіксіз, стационарлық емес деректер ағындарын өңдейді және болжам сенімділігінің тұрақты деңгейін қамтамасыз ету үшін бейімделгіш оқыту механизмдерін қолданады. Бұл мақсатқа жетудің қазіргі әдістері әдетте адаптивті оқыту әдісін ағындық ортаға интеграциялаудан гөрі модель дәлдігіне немесе есептеу масштабталуына басымдық береді. Бұл зерттеудің мақсаты - библиометриялық талдау, жүйелі әдебиетке шолу және құрылымдық салыстырмалы синтезді қамтитын көп сатылы әдіснаманы қолдана отырып, нақты уақыт режимінде деректерді ағынмен өңдеудің заманауи бейімделгіш оқыту әдістерін жүйелі түрде шолу. Бейімделгіш мүмкіндіктердегі, архитектуралық интеграция тәсілдеріндегі және жалпы жүйенің өнімділігін бағалаудағы заңдылықтарды анықтау үшін барлығы 58 зерттеу талданды. Нәтижелер бейімделушілік пен детерминирленген кідіріс арасындағы тұрақты ымыраға келуді, сондай-ақ көп деңгейлі үйлестіру мен өнімділікті өлшеудің болмауын көрсетті. Осы нәтижелерге сүйене отырып, бейімделгіш оқыту мен таратылған ағындық жүйелерді интеграциялауды қолдайтын жаңа құрылым ұсынылады. Динамикалық, стационарлық емес ортада тұрақты жұмысты сақтай отырып, жоғары өнімділік деңгейін көрсететін бейімделгіш жүйелерді жобалау бойынша әдіснамалық ұсыныстар ұсынылған.

1. Alam M.A., Nabil A.R., Mintoo A.A., Islam A. Real-time analytics in streaming big data: techniques and applications // Journal of Science and Engineering Research-2024. -Vol. 1(01). -P. 104-122. DOI: https://doi.org/10.70008/jeser.v1i01.56.

2. Almeida A. et al. Time series big data: a survey on data stream frameworks, analysis and algorithms //Journal of Big Data. – 2023. – Т. 10. – №. 1. – С. 83. DOI: https://doi.org/10.1186/s40537-023-00760-1.

3. Marcu O.C., Bouvry P. Big data stream processing // Proceedings of IEEE Big Data. -2023. DOI:10.1109/bigdata59044.2023.10386254.

4. Li S. et al. Federated and distributed learning applications for electronic health records and structured medical data: a scoping review // Journal of the American Medical Informatics Association. – 2023. – Т. 30. – №. 12. – С. 2041-2049. DOI:10.1093/jamia/ocad170

5. Aghazadeh Ardebili A., Hasidi O., Bendaouia A., Khalil A., Khalil S., Luceri D., Ficarella A. Enhancing resilience in complex energy systems through real-time anomaly detection // Energy Informatics. - 2024. -Vol. 7(1). -P. 96. DOI:10.1186/s42162-024-00401-8.

6. Muratova G., Jumagaliyeva A., Rystygulova V., Abdykerimova E., Turkmenbayev A., Serimbetov B., Yersultanova Z., Omarkulova G. Development of deep learning framework for complex pattern recognition in big data//Eastern-European Journal of Enterprise Technologies. - 2025. -Vol. 6(9 (138)). - P. 54–66. DOI:10.15587/1729-4061.2025.341468.

7. Hovakimyan G., Bravo J. M. Evolving strategies in machine learning: a systematic review of concept drift detection // Information. – 2024. – Т. 15. – №. 12. – С. 786. DOI: https://doi.org/10.3390/info15120786

8. Ntumba P., Georgantas N., Christophides V. Adaptive scheduling of continuous operators for iot edge analytics // Future Generation Computer Systems. – 2024. – Т. 158. – С. 277-293. DOI: https://doi.org/10.1016/j.future.2024.04.029

9. Mehmood H. et al. A novel edge architecture and solution for detecting concept drift in smart environments // Future Generation Computer Systems. – 2024. – Т. 150. – С. 127-143. DOI: https://doi.org/10.1016/j.future.2023.08.023

10. Sulaiman M. et. al. Online deep learning’s role in conquering the challenges of streaming data: a survey // Knowledge and Information Systems. – 2025. – Т. 67. – №. 4. – С. 3159-3203. DOI: https://doi.org/10.1007/s10115-025-02351-3

11. Rodrigues M.G. et al. A MLOps architecture for near real-time distributed Stream Learning operation deployment // Journal of Network and Computer Applications. – 2025. – Т. 238. – С. 104169. DOI: https://doi.org/10.1016/j.jnca.2025.104169

12. Hu L., Lu Y., Feng Y. Concept drift detection based on deep neural networks and autoencoders // Applied Sciences. – 2025. – Т. 15. – №. 6. – С. 3056. DOI: https://doi.org/10.3390/app15063056

13. Mahdi O.A. et al. Federated Learning Under Concept Drift: A Systematic Survey of Foundations, Innovations, and Future Research Directions // Electronics. – 2025. – Т. 14. – №. 22. – С. 4480. DOI: https://doi.org/10.3390/electronics14224480

14. Rancea A., Anghel I., Cioara T. Edge computing in healthcare: Innovations, opportunities, and challenges // Future internet. – 2024. – Т. 16. – №. 9. – С. 329. DOI: https://doi.org/10.3390/fi16090329

15. Suárez-Cetrulo A.L., Quintana D., Cervantes A. A survey on machine learning for recurring concept drifting data streams // Expert Systems with Applications. – 2023. – Т. 213. – С. 118934. DOI: https://doi.org/10.1016/j.eswa.2022.118934