Proceedings of the International scientific and practical conference ―Advances in Science and Humanity‖ (March 29-31, 2026) / Publisher website: www.naukainfo.com. – Vienna, Austria, 2026. - 176 p.

43 організації модульної архітектури системи та оцінювання доцільності використання адаптивних підходів порівняно з традиційними. Для реалізації поставлених завдань використано мову програмування Python, бібліотеки машинного навчання, зокрема scikit-learn, а також спеціалізовані інструменти для роботи з потоковими даними та виявлення дрейфу, такі як river та alibi-detect. Експериментальна частина базується на використанні як синтетичних, так і відкритих наборів даних, що дозволяє моделювати різні сценарії зміни статистичних властивостей даних. Основні результати. У процесі дослідження було не лише проаналізовано існуючі підходи до виявлення дрейфу даних, але й детально опрацьовано питання програмної реалізації адаптивної системи прогнозування з позицій програмної інженерії. Зокрема, увагу зосереджено на побудові масштабованої, розширюваної та слабо зв’язаної архітектури, яка дозволяє ефективно інтегрувати різні методи прогнозування та виявлення дрейфу. Запропонована система реалізована відповідно до принципів модульної архітектури та поділу відповідальностей (Separation of Concerns). Основні функціональні підсистеми (прогнозування, моніторинг, виявлення дрейфу та адаптація) реалізовані як незалежні компоненти з чітко визначеними інтерфейсами взаємодії. Такий підхід дозволяє забезпечити гнучкість системи та спростити її подальше розширення. У процесі проєктування було застосовано низку шаблонів проєктування (design patterns), що є типовими для побудови складних програмних систем. Зокрема, для інкапсуляції алгоритмів прогнозування використано патерн Strategy , що дозволяє динамічно змінювати модель машинного навчання без зміни клієнтського коду. Це забезпечує можливість використання різних алгоритмів (лінійна регресія, дерева рішень, ансамблеві методи) у межах єдиного інтерфейсу. Для організації процесу виявлення дрейфу застосовано патерн Observer , у якому модуль моніторингу якості виступає джерелом подій, а модуль виявлення дрейфу підписником, що реагує на зміни метрик. Така реалізація дозволяє відокремити логіку збору метрик від логіки аналізу змін і