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.

44 підвищує гнучкість системи. Керування процесом адаптації реалізовано з використанням патерна State , який описує різні стани моделі (стабільний стан, стан деградації, стан адаптації). Перехід між станами відбувається на основі сигналів від модуля виявлення дрейфу, що дозволяє формалізувати логіку прийняття рішень щодо перенавчання моделі. Для створення компонентів системи використано патерн Factory Method , який забезпечує уніфікований спосіб ініціалізації моделей, детекторів дрейфу та метрик якості. Це дозволяє легко додавати нові типи компонентів без зміни існуючого коду, що відповідає принципу відкритості/закритості (Open/Closed Principle). Реалізація системи виконана мовою Python із використанням бібліотеки scikit-learn для побудови моделей машинного навчання та бібліотеки river для обробки потокових даних. Архітектурно система організована як набір сервісів або модулів, що взаємодіють через чітко визначені API. Для забезпечення можливості інтеграції з зовнішніми системами передбачено REST-інтерфейс на базі FastAPI. Контейнеризація за допомогою Docker дозволяє забезпечити відтворюваність експериментів та спрощує розгортання системи. Особливу увагу приділено формуванню тестового середовища, зокрема генерації синтетичних наборів даних із контрольованим дрейфом. Для цього було реалізовано генератор часових рядів, який дозволяє моделювати різні типи змін у даних. Базовий сценарій передбачає формування часової послідовності за допомогою лінійної або нелінійної функції з додаванням шуму. Дрейф вводиться шляхом зміни параметрів генерації у визначений момент часу. Наприклад, у випадку раптового дрейфу змінюється коефіцієнт регресії або зсув функції, тоді як поступовий дрейф реалізується через плавну зміну параметрів у часовому вікні. Також розглянуто сезонний дрейф, який моделюється шляхом додавання періодичних компонентів із варійованою амплітудою. Окрім синтетичних даних, у дослідженні використано відкриті набори даних, що дозволяє оцінити поведінку системи в більш реалістичних умовах. Для кожного набору даних застосовувалася схема розбиття на послідовні блоки, що імітує потокове надходження даних.