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.

46 визначити їх сильні та слабкі сторони, а також підтвердити доцільність комбінованого використання різних підходів. Запропонована модульна архітектура системи забезпечує гнучкість, масштабованість та можливість інтеграції нових компонентів, що є важливим для сучасних програмних рішень у сфері аналізу даних. Реалізований прототип системи продемонстрував ефективність у задачах прогнозування за наявності дрейфу даних, що підтверджено результатами експериментальних досліджень. Зокрема, встановлено, що використання адаптивних механізмів дозволяє суттєво знизити деградацію якості прогнозування та підвищити надійність функціонування системи. Практичне значення отриманих результатів полягає у можливості їх застосування під час розроблення інтелектуальних програмних систем у різних галузях, де обробляються динамічні дані. Подальші дослідження можуть бути спрямовані на вдосконалення методів виявлення концептуального дрейфу, оптимізацію стратегій адаптації моделей, а також інтеграцію розроблених рішень із сучасними потоковими платформами та технологіями обробки великих даних. СПИСОКВИКОРИСТАНИХДЖЕРЕЛ: 1. Gama, J., Žliobaitė, I., Bifet, A., Pechenizkiy, M., & Bouchachia, A. (2014). A survey on concept drift adaptation. ACM Computing Surveys (CSUR), 46 , 1 - 37. DOI: 10.1145/2523813 2. Lu, J., Liu, A., Dong, F., Gu, F., Gama, J., & Zhang, G. (2019). Learning under Concept Drift: A Review. IEEE Transactions on Knowledge and Data Engineering, 31 , 2346-2363. DOI: 10.1109/TKDE.2018.2876857 3. Webb, G.I., Hyde, R., Cao, H., Nguyen, H., & Petitjean, F. (2015). Characterizing concept drift. Data Mining and Knowledge Discovery, 30 , 964 - 994. DOI: 10.1007/s10618-015-0448-4 4. Pengqian Lu, Jie Lu, Anjin Liu, and Guangquan Zhang. (2025). Early concept