ARTIFICIAL NEURAL NETWORKS AS A TOOL FOR INTENSIFYING SOFTWARE PERFORMANCE
DOI:
https://doi.org/10.53920/ITS-2026-1-5Keywords:
neural networks, artificial intelligence, optimization, performance, machine learning, software, cloud computing, fault tolerance, forecasting, workloadAbstract
The article investigates and analyzes the impact of neural networks and deep learning systems on increasing software performance through adaptive and proactive optimization mechanisms. The relevance of the topic is due to the rapid complication of architectures (microservices, containerization, cloud platforms), the dynamics of loads and the generation of huge arrays of telemetric data, the processing of which by classical methods (static analysis, manual tuning, traditional profiling) is inefficient. The paper examines in detail the architectural transition of modern software from reactive coping with failures to intelligent management of computational processes. The main areas of application of neural network models in the context of increasing performance are: forecasting peak loads based on historical logs (with an accuracy that ensures automatic scaling of the infrastructure), intelligent resource allocation in the clouds, automatic parameter tuning (caching, routing, database queries) in real time, as well as neurocompilation and integration of models into execution systems to select optimal code transformations and increase energy efficiency. The research analyzed the experience of world leaders (Google DeepMind, Microsoft, IBM) and current practical intelligent monitoring tools (Azure Monitor AI Insights, Amazon DevOps Guru, Google Vizier, Meta Ax). The results of a survey of IT professionals are presented, which illustrate the structure of the implementation of AI optimizers: auto-tuning of services (41%), performance forecasting (36%), load balancing of microservices (28%), algorithm acceleration (19%). The restraining factors for the implementation of the technology are substantiated, including the high computational cost of training models, the risk of erroneous recommendations, and the lack of specialized competencies in teams. The conclusions formulate a long-term forecast for the development of the industry until 2030, according to which more than 50% of corporate platforms will contain built-in AI agents for adaptive optimization, which will increase the performance of services by 20–40% and reduce infrastructure costs. The need to develop new technical standards, increase the technical literacy of engineers (DevOps, Cloud), and create autonomous software systems capable of self-learning without human intervention is emphasized.
References
1. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press. https://www.deeplearningbook.org
2. Dean, J., & Barroso, L. A. (2013). The tail at scale. Communications of the ACM, 56(2), 74–80. https://arxiv.org/abs/1802.04799
3. Антоненко А.В., Лемешко А.В., Петрик А.В. (2023) Нейроморфні системи як інструмент реалізації штучного інтелекту. Вчені записки ТНУ імені В.І. Вернадського. Серія: Технічні науки. Том 34 (73) № 3 2023, 175-183. https://doi.org/10.32782/2663-5941/2023.3.1/28
4. Chen, T., Moreau, T., Zheng, L., et al. (2018). TVM: An automated end-to-end optimizing compiler for deep learning. OSDI, 1–16. https://arxiv.org/abs/1802.04799
5. Amiri, F., Zhou, R., & Li, Z. (2021). Predicting cloud workload using LSTM neural networks. IEEE Access, 9, 125507–125517. https://doi.org/10.1109/ACCESS.2021.3112342
6. Антоненко А. В., Лемешко А. В., Балвак А. А., & Новіченко Є. О. (2023). Актуальні засади створення алгоритмів обробки інформації для логістичних центрів. Таврійський науковий вісник. Серія: Технічні науки, (1), 25-32. https://doi.org/10.32851/tnv-tech.2023.1.3
7. Mao, H., Alizadeh, M., Menache, I., & Kandula, S. (2016). Resource management with deep reinforcement learning. arXiv preprint, arXiv:1611.07411. https://arxiv.org/abs/1611.07411
8. Chen, Y., Li, S., Dai, J., et al. (2020). NeuSight: Neural performance diagnosis in large-scale systems. ACM Symposium on Cloud Computing, 117–129. https://doi.org/10.1145/3419111.3421293
9. Антоненко А., Пахомов М., Калита Т., Галета В. Використання штучного інтелекту в автоматизованих системах. Вісник Хмельницького національного університету, №4, 2023 (323). 11-20. https://www.doi.org/10.31891/2307-5732-2023-323-4-11-20
10. Abadi, M., Barham, P., Chen, J., et al. (2016). TensorFlow: A system for large-scale machine learning. OSDI, 265–283. https://www.tensorflow.org
11. Vaswani, A., Shazeer, N., Parmar, N., et al. (2017). Attention is all you need. NeurIPS, 5998–6008. https://arxiv.org/abs/1706.03762
12. Антоненко А. В., Бенедіко І. В., Вічкарук А. І., Лисенко К. В., & Сижко О. Ю. (2023). Класифікації моделей застосування машинного навчання у кібербезпеці. Таврійський науковий вісник. Серія: Технічні науки, (4), 11-22. https://doi.org/10.32782/tnv-tech.2023.4.2
13. Hwang, J., Kim, M., & Choi, J. (2020). Dynamic resource scaling using deep reinforcement learning in cloud computing. IEEE Transactions on Cloud Computing. https://doi.org/10.1109/TCC.2020.2971991
14. Li, Y., Wang, S., & Li, J. (2019). Neural-based bottleneck detection for microservices. IEEE International Conference on Web Services, 65–72. https://doi.org/10.1109/ICWS.2019.00033
15. Антоненко А.В., Шрам М.М., Замковий О.Ю., Орлюк Х.В., Дутко П.М. Особливості побудови масиву даних на основі нейромережі у сфері інтернету речей для готельно-ресторанного бізнесу. Вісник Хмельницького національного університету, Том 1, №5, 2023 (325), 252-257. http://journals.khnu.km.ua/vestnik/wp-content/uploads/2023/11/325-n5-1-252-257.pdf
16. Peng, B., Zhang, X., & Chen, H. (2021). ML-based performance prediction for distributed systems. ACM Transactions on Architecture and Code Optimization, 18(4). https://doi.org/10.1145/3490422
17. Xu, H., Li, Z., & Wu, J. (2022). Optimizing microservice deployment with neural architecture search. Journal of Systems and Software, 183, 111091. https://doi.org/10.1016/j.jss.2021.111091
18. Антоненко, А., Бурачинський A., Сольський D., Твердохліб A., Мішкур Y., & Зіняр D. (2024). Аспекти застосування нейронних мереж для криптографії. Measuring And Computing Devices In Technological Processes, (4), 394–400. https://doi.org/10.31891/2219-9365-2024-80-47
19. Kephart, J. O., & Chess, D. M. (2003). The vision of autonomic computing. IEEE Computer, 36(1), 41–50. https://doi.org/10.1109/MC.2003.1160055
20. Zheng, S., Kolb, S., & Liu, H. (2021). AI techniques for microservice bottleneck detection. IEEE Transactions on Services Computing. https://doi.org/10.1109/TSC.2021.3109876
21. Антоненко, А., Мішкур, Ю., Твердохліб, А., Востріков, С., & Балвак, А. (2024). Нейромережі в мистецтві як іструмент графічного дизайну. Herald of Khmelnytskyi National University. Technical Sciences, 345(6(2), 95-101. https://doi.org/10.31891/2307-5732-2024-345-6-14
22. Google Cloud. (2023). Machine learning for performance optimization. Google Technical Report. https://cloud.google.com/architecture/ml-for-performance-optimization
23. Amazon Web Services. (2022). ML-based auto scaling for cloud applications. AWS Technical Documentation. https://aws.amazon.com/autoscaling
24. Антоненко, А. В., Солобаєв, С. Г., Востріков, С. О., Ткаченко, О. В., Ходосов, А. О., & Остапенко, О. С. (2025). Використання нейронних мереж у прогнозуванні безпеки мережі. Таврійський науковий вісник. Серія: Технічні науки, (2), 3-10. https://doi.org/10.32782/tnv-tech.2025.2.1
25. Антоненко, А., Сольський D., Солобаєв S., Чечик S., & Черевик O. (2025). Використання бібліотеки scikit-learn у методах класифікації машинного навчання. Measuring And Computing Devices In Technological Processes, (1), 468–472. https://doi.org/10.31891/2219-9365-2025-81-58
26. Твердохліб А.О., Антоненко А.В., Коротін Д.С. Ефективність функціонування комп’ютерних систем при використанні технології блокчейн і баз данних. Таврійський науковий вісник. Серія: Технічні науки, 2022, (6), 25-36 https://doi.org/10.32851/tnv-tech.2022.6.4
27. Цвик О.С., Антоненко А.В. Аналіз і особливості програмного забезпечення для контролю трафіку. Вісник Хмельницького національного університету. Cерія: Технічні науки, 2023, (1), 64-68. https://doi.org/10.31891/2307-5732-2023-321-3-64-68
28. Новіченко Є.О., Антоненко А.В. Актуальні засади створення алгоритмів обробки інформації для логістичних центрів. Таврійський науковий вісник. Серія: Технічні науки, 2023 (1), 25-32. https://doi.org/10.32851/tnv-tech.2023.1.3
29. Зайцев Є.О., Антоненко А.В. Smart засоби визначення аварійних станів у розподільних електричних мережах міст. Таврійський науковий вісник. Серія: Технічні науки, 2022, (5), 3-12. https://doi.org/10.32851/tnv-tech.2022.5.1
30. Microsoft Research. (2020). Neural resource allocation for large-scale cloud systems. Technical Report. https://www.microsoft.com/en-us/research
31. DeepMind. (2022). Neural algorithmic reasoning for system optimization. Research Publication. https://deepmind.com/research
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Артем Васильович АНТОНЕНКО, Наталія Олександрівна ЛАЩЕВСЬКА, Олексій Григорович ТОНКИХ, Микола Анатолійович ЛЯШУК, Андрій Павлович ПРИХОДЬКО
This work is licensed under a Creative Commons Attribution 4.0 International License.
