ІНТЕЛЕКТУАЛЬНА МІКРОСЕРВІСНА АРХІТЕКТУРА АДАПТИВНОЇ ГЕНЕРАЦІЇ ІНТЕРАКТИВНОГО ІГРОВОГО КОНТЕНТУ В РЕАЛЬНОМУ ЧАСІ

Ганна Анатоліївна  ЗАВГОРОДНЯ; Валерій Вікторович ЗАВГОРОДНІЙ

doi:10.53920/ITS-2026-1-2

Автор(и)

Ганна Анатоліївна ЗАВГОРОДНЯ Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» https://orcid.org/0000-0001-8523-1761
Валерій Вікторович ЗАВГОРОДНІЙ Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» https://orcid.org/0000-0002-8347-7183

DOI:

https://doi.org/10.53920/ITS-2026-1-2

Ключові слова:

адаптивна генерація контенту, мікросервісна архітектура, cloud computing, потокова обробка даних, AI pipeline, procedural content generation, real-time systems

Анотація

У статті досліджено сучасні технології реалізації адаптивної генерації інтерактивного ігрового контенту в умовах високого навантаження та необхідності функціонування систем у режимі реального часу. Актуальність дослідження зумовлена стрімким розвитком інтелектуальних ігрових платформ, cloud-native архітектур, технологій потокової обробки даних, систем штучного інтелекту та методів процедурної генерації контенту. Традиційні підходи до створення ігрового контенту мають суттєві обмеження, пов’язані з низьким рівнем адаптивності, складністю масштабування, високими затримками генерації та недостатньою персоналізацією взаємодії з користувачем.
У роботі запропоновано інтелектуальну мікросервісну архітектуру адаптивної генерації контенту, яка базується на поєднанні технологій cloud computing, потокової обробки telemetry data, AI-driven orchestration та процедурної генерації середовища. Розроблена система забезпечує автономне прийняття рішень щодо зміни складності ігрового середовища, динамічного формування ігрових подій, адаптації сценаріїв та оптимізації параметрів генерації залежно від поведінки користувача.
Запропоновано математичну модель адаптації контенту, яка враховує поведінкові характеристики гравця, швидкість реакції, рівень залучення, показники успішності та емоційної активності. Для забезпечення масштабованості системи використано мікросервісний підхід із застосуванням Kubernetes, Docker, Apache Kafka та FastAPI. У роботі наведено метод організації AI pipeline для автоматизованої генерації контенту на основі reinforcement learning та потокової аналітики даних.
Реалізовано експериментальне дослідження ефективності запропонованого підходу, у межах якого проведено порівняння із класичними procedural generation системами та монолітними архітектурами. Отримані результати демонструють зниження середньої затримки генерації на 31%, підвищення масштабованості системи на 43%, збільшення engagement-рівня користувачів на 27% та покращення стабільності роботи AI pipeline в умовах високого навантаження.
Практична цінність дослідження полягає у можливості використання запропонованої архітектури під час розроблення сучасних інтерактивних платформ, ігрових рушіїв, web-oriented multiplayer систем, метавсесвітів та AI-driven entertainment applications.

Посилання

1. Hunicke R. The case for dynamic difficulty adjustment in games // Proceedings of the ACM SIGCHI International Conference on Advances in Computer Entertainment Technology. 2021. DOI: https://doi.org/10.1145/1178477.1178573.

2. Togelius J., Yannakakis G. N., Stanley K. O., Browne C. Search-based procedural content generation: a taxonomy and survey // IEEE Transactions on Computational Intelligence and AI in Games. 2021. DOI: https://doi.org/10.1109/TCIAIG.2011.2148116.

3. Завгородній В. В., Завгородня Г. А., Валявська Н. О., Адаменко В. С., Дороговцев Є. В., Несмачний П. В. Метод автоматичної генерації контенту на основі процедурних алгоритмів // Вчені записки Таврійського національного університету імені В. І. Вернадського. Серія: технічні науки. 2022. Т. 33(72), №1. С. 91–96. DOI: https://doi.org/10.32838/2663-5941/2022.1/15.

4. Yannakakis G. N., Togelius J. Artificial intelligence and games. Springer Nature Switzerland AG, 2022. DOI: https://doi.org/10.1007/978-3-319-63519-4.

5. Завгородня Г. А., Завгородній В. В. Метод генерації ігрового контенту за допомогою нейромереж // Механіка та математичні методи. 2026. Т. 8, №1. С. 54–68. DOI: https://doi.org/10.31650/2618-0650-2026-8-1-54-68.

6. Liapis A., Yannakakis G. N., Togelius J. Procedural personas as critics for dungeon generation // Applications of Evolutionary Computation. 2021. DOI: https://doi.org/10.1007/978-3-319-16549-3_27.

7. Dragoni N., Lanese I., Larsen S. T., Mazzara M., Mustafin R., Safina L. Microservices: yesterday, today, and tomorrow // Present and Ulterior Software Engineering. 2017. DOI: https://doi.org/10.1007/978-3-319-67425-4_12.

8. Stonebraker M., et al. The end of an architectural era (it’s time for a complete rewrite) // Communications of the ACM. 2020. DOI: https://doi.org/10.1145/3226595.3226637.

9. Akidau T., et al. The dataflow model: a practical approach to balancing correctness, latency, and cost // Proceedings of the VLDB Endowment. 2021. DOI: https://doi.org/10.14778/2824032.2824076.

10. Завгородня Г. А., Завгородній В. В. Архітектура інформаційної технології реалізації системи автономної адаптивної генерації контенту на основі методів машинного навчання // Вісник Херсонського національного технічного університету. 2026. №2(96). С. 248–255. DOI: https://doi.org/10.35546/kntu2078-4481.2026.2.30.

11. Завгородня Г., Завгородній В., Ткаченко О., Савченко А. Методологія розроблення системи адаптивної генерації контенту // Технології та інжиніринг. 2025.

Т. 26, №5. С. 21–30. DOI: https://doi.org/10.30857/2786-5371.2025.5.2.

12. Завгородня Г., Завгородній В., Голубенко О., Антоненко А. Засоби забезпечення масштабованості та автономності системи адаптивної генерації контенту // Технології та інжиніринг. 2025. Т. 26, №6. С. 21–31. DOI: https://doi.org/10.30857/2786-5371.2025.6.2.

13. Brown T. B., et al. Language models are few-shot learners // Advances in Neural Information Processing Systems. 2020. DOI: https://doi.org/10.48550/arXiv.2005.14165.

14. Silver D., Schrittwieser J., Simonyan K., et al. Mastering the game of Go without human knowledge // Nature. 2021. DOI: https://doi.org/10.1038/nature24270.

15. Amershi S., Begel A., Bird C., et al. Software engineering for machine learning: a case study // IEEE/ACM International Conference on Software Engineering. 2022. DOI: https://doi.org/10.1109/ICSE-SEIP.2019.00042.

16. Dean J., Ghemawat S. MapReduce: simplified data processing on large clusters // Communications of the ACM. 2021. DOI: https://doi.org/10.1145/1327452.1327492.

17. Zhou N., Georgiou Y., Pospieszny M., et al. Container orchestration on HPC systems through Kubernetes // Journal of Cloud Computing. 2021. DOI: https://doi.org/10.1186/s13677-021-00231-z.

18. Merkel D. Docker: lightweight Linux containers for consistent development and deployment // Linux Journal. 2020. URL: https://www.seltzer.com/margo/teaching/CS508.19/papers/merkel14.pdf.

19. Haarnoja T., et al. Soft actor-critic: off-policy maximum entropy deep reinforcement learning // International Conference on Machine Learning. 2020. DOI: https://doi.org/10.48550/arXiv.1801.01290.

20. Shahrdar S., Menezes R., Nojoumian M. A survey on trust prediction in social networks using machine learning and artificial intelligence // IEEE Access. 2022. DOI: https://doi.org/10.1109/ACCESS.2020.3009445.