ШТУЧНІ НЕЙРОННІ МЕРЕЖІ ЯК ІНСТРУМЕНТ ІНТЕНСИФІКАЦІЇ ПРОДУКТИВНОСТІ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ

Артем Васильович АНТОНЕНКО; Наталія Олександрівна ЛАЩЕВСЬКА; Олексій Григорович ТОНКИХ; Микола Анатолійович ЛЯШУК; Андрій Павлович ПРИХОДЬКО

doi:10.53920/ITS-2026-1-5

Автор(и)

Артем Васильович АНТОНЕНКО Національний університет біоресурсів і природокористування України https://orcid.org/0000-0001-9397-1209
Наталія Олександрівна ЛАЩЕВСЬКА Державний університет інформаційно-комунікаційних технологій https://orcid.org/0000-0003-2148-115X
Олексій Григорович ТОНКИХ Національний транспортний університет https://orcid.org/0000-0001-7823-4761
Микола Анатолійович ЛЯШУК Заклад вищої освіти «Міжнародний науково-технічний університет імені академіка Юрія Бугая» https://orcid.org/0009-0007-2910-4160
Андрій Павлович ПРИХОДЬКО Міжрегіональна академія управління персоналом https://orcid.org/0009-0001-2365-9903

DOI:

https://doi.org/10.53920/ITS-2026-1-5

Ключові слова:

нейронні мережі, штучний інтелект, оптимізація, продуктивність, машинне навчання, програмне забезпечення, хмарні обчислення, відмовостійкість, прогнозування, навантаження

Анотація

У статті досліджено та проаналізовано вплив нейронних мереж і систем глибинного навчання на підвищення продуктивності програмного забезпечення через механізми адаптивної та проактивної оптимізації. Актуальність теми зумовлена стрімким ускладненням архітектур (мікросервіси, контейнеризація, хмарні платформи), динамічністю навантажень і генерацією величезних масивів телеметричних даних, обробка яких класичними методами (статичний аналіз, ручний тюнінг, традиційний профайлінг) є неефективною. У роботі детально розглянуто архітектурний перехід сучасного ПЗ від реактивного копінгу зі збоями до інтелектуального управління обчислювальними процесами. Основними напрямами застосування нейромережевих моделей у контексті підвищення швидкодії визначено: прогнозування пікових навантажень на основі історичних логів (із точністю, що забезпечує автоматичне масштабування інфраструктури), інтелектуальний розподіл ресурсів у хмарах, автоматичне налаштування параметрів (кешування, маршрутизації, запитів до БД) у режимі реального часу, а також нейрокомпіляцію та інтеграцію моделей у системи виконання для вибору оптимальних трансформацій коду та підвищення енергоефективності. У процесі дослідження проаналізовано досвід світових лідерів (Google DeepMind, Microsoft, IBM) та поточні практичні інструменти інтелектуального моніторингу (Azure Monitor AI Insights, Amazon DevOps Guru, Google Vizier, Meta Ax). Наведено результати опитування IT-фахівців, які ілюструють структуру впровадження ШІ-оптимізаторів: автонаштування сервісів (41%), прогнозування продуктивності (36%), балансування навантаження мікросервісів (28%), прискорення алгоритмів (19%). Обґрунтовано стримувальні фактори впровадження технології, серед яких висока обчислювальна вартість навчання моделей, ризик помилкових рекомендацій і дефіцит профільних компетенцій у команд. У висновках сформульовано довгостроковий прогноз розвитку галузі до 2030 року, згідно з яким понад 50% корпоративних платформ міститимуть вбудовані ШІ-агенти адаптивної оптимізації, що підвищить продуктивність сервісів на 20–40% та знизить інфраструктурні витрати. Наголошено на необхідності розробки нових технічних стандартів, підвищення технічної грамотності інженерів (DevOps, Cloud) та створення автономних програмних систем, здатних до самонавчання без участі людини.

Посилання

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