Штучний інтелект

Анотація: У роботі представлено інтегрований підхід до обробки та аналізу великих потоків даних у реальному часі з використанням методів штучного інтелекту, мультиагентних систем та багаторівневих архітектур управління. Особливу увагу приділено поєднанню технологій, що традиційно застосовуються окремо: систем управління безпілотними літальними апаратами, ситуаційних центрів, потокових відеосервісів та розподілених сенсорних мереж. Запропонована модель враховує стохастичний характер середовища, динамічність інформаційних потоків і обмеженість ресурсів, що є критичними чинниками для систем реального часу. У статті сформовано багаторівневу мультиагентну архітектуру, яка включає центральні, регіональні та периферійні вузли, а також локальних агентів — дрони, сенсори та клієнтські відеопристрої. Розроблено математичну формалізацію взаємодії агентів і функцій винагороди, що забезпечують баланс між якістю сервісу, затримками, втратами даних та енергоспоживанням. Запропоновано використання алгоритмів мультиагентного підкріплювального навчання (MARL) для адаптивного вибору дій у режимі реального часу, а також створення цифрового двійника середовища для прогнозування майбутніх станів системи на основі глибинних і генеративних моделей. Доведено, що поєднання edge-обчислень, ієрархічного прийняття рішень та локальної автономності агентів підвищує резильєнтність системи, забезпечує стабільну якість роботи в умовах зовнішніх збурень і дозволяє ефективно масштабувати інфраструктуру. Результати дослідження формують наукове підґрунтя для створення адаптивних, стійких і самонавчальних цифрових екосистем нового покоління, здатних до інтелектуальної обробки великих потоків даних у реальному часі.

Ключові слова: штучний інтелект, мультиагентні системи, обробка даних у реальному часі, безпілотні літальні апарати, edge-обчислення, підкріплювальне навчання, потокове відео, якість досвіду (QoE), резильєнтність систем.

Посилання:

1. J. Pisarenko, and E. Melkumyan, "The Structure of the Information Storage "CONTROL_TEA" for UAV Applications," IEEE 5th International Conference "Actual Problems of Unmanned Aerial Vehicles Developments (APUAVD)" (October 22-24, 2019), pp. 274–277. DOI: 10.1109/APUAVD47061.2019.8943938
2. Kateryna Melkumian, Julia Pisarenko, Alexander Koval, Organization of regional situational centers of the intelligent system «CONTROL_TEA» using UAVs, 2021 IEEE 6th International Conference Actual Problems of Unmanned Aerial Vehicles Developments (APUAVD), Kyiv, Ukraine2021. DOI: 10.1109/APUAVD53804.2021.9615416
3. Pisarenko J., Melkumyan K., Varava I., Koval O., Chumakova N. About the organization of regional situational centers of the intellectual system “Control_TEA” with the use of UAVs. Artificial intelligence. Kyiv, 2022. No. 1. P. 275-287. DOI: 10.15407/jai2022.01.275
4. Artioli E. Generative AI for HTTP Adaptive Streaming // Proceedings of the 15th ACM Multimedia Systems Conference (MMSys ’24). – New York: Association for Computing Machinery, 2024. – P. 516–519. DOI: 10.1145/3625468.3652912.
5. Wang Y., Aggarwal V., Lan T. Learning-Based Online QoE Optimization in Multi-Agent Video Streaming // Algorithms. – 2022. – Vol. 15, No. 7. DOI: 10.3390/a15070227.
6. Li Y., Zheng Q., Zhang Z., et al. Improving ABR Performance for Short Video Streaming Using Multi-Agent Reinforcement Learning with Expert Guidance // Proceedings of the 2023 ACM Conference on Multimedia Systems. – 2023. DOI: 10.48550/arXiv.2304.04637.
7. Souane N., Bourenane M., Douga Y. Deep-Reinforcement-Learning-Based Approach for Video Streaming: Dynamic Adaptive Video Streaming over HTTP // Applied Sciences. – 2023. – Vol. 13, No. 21. DOI: 10.3390/app132111697.
8. Ajeyprasaath K. B., Vetrivelan P. A Hybrid Machine Learning Approach for Improvised QoE in Video Services over 5G Wireless Networks // Computers, Materials & Continua. – 2024. – Vol. 78. – P. 3195–3213. DOI: 10.32604/cmc.2023.046911.
9. Peroni L., Gorinsky S. An End-to-End Pipeline Perspective on Video Streaming in Best-Effort Networks: A Survey and Tutorial // ACM Computing Surveys. – 2025. – Vol. 57. DOI: 10.1145/3742472.
10. Tang, Xiangdong & Chen, Fei & He, Yunlong. Intelligent Video Streaming at Network Edge: An Attention-Based Multiagent Reinforcement Learning Solution // Future Internet. – 2023. – Vol. 15. DOI: 10.3390/fi15070234.
11. Duo W., Panlong W., Miao Z., Fangxin W. MANSY: Generalizing Neural Adaptive Immersive Video Streaming with Ensemble and Representation Learning // IEEE Transactions on Mobile Computing. – 2025. – Vol. 24. – P. 1654-1668. DOI: 10.1109/TMC.2024.3487175.
12. Haopeng W., Zijian L., Haiwei D., Abdulmotaleb S. MADRL-Based Rate Adaptation for 360° Video Streaming with Multi-Viewpoint Prediction // IEEE Internet of Things Journal. – 2024. – Vol. 11. – P. 26503-26517. DOI: 10.1109/JIOT.2024.3398548.
13. Alireza M., Chakareski J., Mastronarde N. ASL360: AI-Enabled Adaptive Streaming of Layered 360° Video over UAV-Assisted Wireless Networks // IEEE Global Communications Conference. – 2025. DOI: 10.48550/arXiv.2509.10544.
14. Hwang, Sangwon & Lee, Hoon & Mintae, Kim & Lee, Inkyu. Multi-Agent Deep Reinforcement Learning for Decentralized Multi-UAV Mobile Edge Computing Networks // IEEE Internet of Things Journal. – 2023. – P. 1. DOI: 10.1109/JIOT.2025.3527016.
15. Jing Y., Guo B., Nuo L., Ruonan X., Zhiwen Y. Federated multi-agent reinforcement learning: A comprehensive survey of methods, applications and challenges // Expert Systems with Applications. – 2025. – Vol. 293. DOI: 10.1016/j.eswa.2025.128729.