DAG-орієнтоване подання процесів конструювання алгоритмів синтезу моделей моніторинговими програмними агентами
DOI:
https://doi.org/10.34121/1028-9763-2026-1-73-86Ключові слова:
моніторинг, програмний агент, моделі, спрямований ациклічний граф (DAG), відтворюваність, декомпозиція, алгоритми синтезу моделей, ансамблі моделейАнотація
У статті розглядається фундаментальна задача надійного та відтворюваного конструювання багатошарових алгоритмів синтезу моделей (АСМ), призначених для використання в моніторингових програмних агентах у складі мультиагентних систем (МАС). Після успішного навчання багатошарових модельних ансамблів та інших складних АСМ, що демонструють високу точність у дослідницькому середовищі, виникає виклик, пов’язаний з їхнім портативним та детермінованим розгортанням. Для вирішення цієї задачі запропоновано використати DAG-орієнтований підхід, де вся логіка конструювання АСМ подається у формі єдиного, самодостатнього та легко інтерпретованого спрямованого ациклічного графа (DAG). Розроблено набір типізованих вузлів графа, які дозволяють прозоро представляти такі складні операції, як-от підвищення однорідності даних та багатошарова рециркуляція, розбиваючи їх на логічні, зрозумілі кроки. Досліджено процес перетворення багатошарового навчання ансамблів моделей на портативний DAG, що містить всі залежності між компонентами, шляхи до артефактів та параметри агрегації. Продемонстровано, що запропонований підхід, завдяки чітко визначеним правилам обміну даними між вузлами та фіксованому порядку виконання, що гарантується топологічним сортуванням, забезпечує повну відповідність результатів виконання тим, що були отримані під час навчання. Встановлено, що такий підхід створює надійний міст між середовищем дослідження та практичним застосуванням. Він забезпечує портативність, прозорість (завдяки інструментам трасування) та верифікованість (через можливість оцінки проміжних вузлів) складних методів конструювання АСМ. У висновку, розроблений підхід є важливим для процесів конструювання АСМ програмних агентів, здатних стабільно та передбачувано функціонувати в реальних умовах.
Посилання
1. Model persistence. scikit-learn. URL: https://scikit-learn/stable/model_persistence.html (дата звернення: 19.10.2025).
2. Guazzelli A., Zeller M., Lin W.C. та ін. PMML: An open standard for sharing models. R Journal. Вип. 1, N 1. С. 60–65. DOI: https://doi.org/10.32614/rj-2009-010.
3. Wooldridge M. An Introduction to MultiAgent Systems. John Wiley & Sons, 2009. 484 с. ISBN 978-0- 470-51946-2.
4. Голуб С.В. Багаторівневе моделювання в технологіях моніторингу оточуючого середовища. Черкаси: Вид. від. ЧНУ імені Богдана Хмельницького, 2007. P. 220.
5. Breck E., Cai S., Nielsen E. et al. The ML test score: A rubric for ML production readiness and technical debt reduction. 2017 IEEE International Conference on Big Data (Big Data 2017 IEEE International Conference on Big Data (Big Data). P. 1123–1132. DOI: https://doi.org/10.1109/BigData.2017.8258038.
6. Dags — Airflow 3.1.0 Documentation. URL: https://airflow.apache.org/docs/apache-airflow/stable/coreconcepts/dags.html (accessed 19/10/2025).
7. Holub S.V., Ostapiuk V.V. Machine learning of multilayer models of a monitoring software agent. Mathematical machines and systems. 2025. Vol. 2. P. 76–96. DOI: https://doi.org/10.34121/1028-9763-2025-2-76-95.
8. ONNX Concepts — ONNX 1.20.0 documentation. URL: https://onnx.ai/onnx/intro/concepts.html (accessed 19/10/2025).
9. Rocklin M. Dask: Parallel Computation with Blocked algorithms and Task Scheduling. Python in Science Conference. Austin, Texas, 2015. P. 126–132. DOI: https://doi.org/10.25080/Majora-7b98e3ed-013.
10. Sculley D., Holt G., Golovin D. et al. Hidden Technical Debt in Machine Learning Systems. Advances in Neural Information Processing SystemsCurran Associates, Inc., 2015. URL: https://papers.nips.cc/paper_files/paper/2015/hash/86df7dcfd896fcaf2674f757a2463eba-Abstract.html (accessed: 25/10/2025).
11. Zaharia M., Xin R. S., Wendell P. et al. Apache Spark: a unified engine for big data processing. Commun. ACM. 2016, Vol. 59, Issue 11. P. 56–65. DOI: https://doi.org/10.1145/2934664.
12. Doshi-Velez F., Kim B. Towards A Rigorous Science of Interpretable Machine Learning. arXiv, 2017. DOI: https://doi.org/10.48550/arXiv.1702.08608.
13. Low Y., Gonzalez J., Kyrola A. et al. GraphLab: A New Framework For Parallel Machine Learning. arXiv, 2014. DOI: https://doi.org/10.48550/arXiv.1408.2041.
161
29Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
