ПРИМЕНЕНИЕ UML-ДИАГРАММ ПРИ ПРОЕКТИРОВАНИИ АРХИТЕКТУРЫ СИСТЕМЫ ПРЕДИКТИВНОЙ АНАЛИТИКИ НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ

APPLICATION OF UML DIAGRAMS IN DESIGNING THE ARCHITECTURE OF A MACHINE LEARNING-BASED PREDICTIVE ANALYTICS SYSTEM

Tyorkin Daniil Valerievich

Student, Faculty of Information Systems and Technologies, Ulyanovsk State Technical University,

Russia, Ulyanovsk

АННОТАЦИЯ

В статье рассматривается применение унифицированного языка моделирования UML для проектирования архитектуры программной системы предиктивной аналитики на основе машинного обучения. Обосновывается использование диаграмм вариантов использования и компонентов на ключевых этапах разработки такой системы. Предложена обобщённая архитектура, включающая модули предобработки данных, генерации признаков, обучения и инференса моделей, а также мониторинга качества прогнозов.

ABSTRACT

The article examines the application of the Unified Modeling Language (UML) for designing the architecture of a predictive analytics software system based on machine learning. The use of use case and component diagrams at key stages of development is substantiated. A generalized architecture is proposed, including modules for data preprocessing, feature generation, model training and inference, and forecast quality monitoring.

Ключевые слова: UML-диаграммы, машинное обучение, предиктивная аналитика, проектирование архитектуры, диаграмма компонентов, диаграмма вариантов использования.

Keywords: UML diagrams, machine learning, predictive analytics, architecture design, component diagram, use case diagram.

Введение

Системы предиктивной аналитики, основанные на алгоритмах машинного обучения, занимают устойчивое место в составе корпоративных информационных систем: их применяют для прогнозирования спроса, оценки рисков, предиктивного обслуживания оборудования и персонализации сервисов. Особенностью таких систем является сочетание классических компонентов программной архитектуры с компонентами, специфичными для машинного обучения — модулями генерации признаков, обучения моделей, инференса и мониторинга дрейфа данных, что усложняет проектирование и повышает значимость средств его формализованного описания.

Унифицированный язык моделирования UML остаётся одним из наиболее распространённых инструментов визуального проектирования программных систем благодаря универсальности, поддержке в CASE-средствах и понятности для специалистов смежных областей. Цель статьи — показать применение диаграмм вариантов использования и компонентов при проектировании архитектуры системы предиктивной аналитики на конкретном примере.

Диаграмма вариантов использования системы

На этапе анализа требований целесообразно использовать диаграмму вариантов использования (use case diagram), фиксирующую действующих лиц и сценарии их взаимодействия с системой. Такая диаграмма позволяет согласовать границы системы с заказчиком до начала детального проектирования и снизить риск пропуска значимых требований [1]. Диаграмма, представленная на рисунке 1, отражает трёх действующих лиц: аналитика данных, администратора системы и внешнюю систему-источник данных.

Аналитик данных инициирует ключевые сценарии — загрузку и предобработку данных, обучение модели, валидацию и визуализацию результатов. Сценарий «Обучение модели» связан отношением включения (include) со сценарием «Валидация модели», а сценарий «Формирование прогноза» включает в себя «Мониторинг качества модели», обеспечивающий контроль деградации точности прогнозов в эксплуатации. Администратор системы отвечает за настройку параметров системы — сценарий, связанный отношением расширения (extend) с мониторингом и активируемый только при выявлении отклонений метрик [2].

Рисунок 1. Диаграмма вариантов использования системы предиктивной аналитики

Архитектура системы на уровне диаграммы компонентов

На этапе структурного проектирования применяется диаграмма компонентов, описывающая разбиение системы на модули и интерфейсы их взаимодействия. Обобщённая архитектура, показанная на рисунке 2, включает модуль ETL, выполняющий извлечение, очистку и нормализацию данных, хранилище данных, модуль генерации признаков, а также модуль обучения и инференса машинного обучения, выполняющий прогнозирование на основе сформированного признакового пространства.

Особое значение для систем предиктивной аналитики имеет модуль мониторинга, контролирующий качество прогнозов и обнаруживающий дрейф данных — изменение статистических свойств входных данных относительно обучающей выборки. Результаты мониторинга поступают по цепи обратной связи и могут инициировать переобучение модели. API-слой обеспечивает программный доступ внешних систем к функциям прогнозирования по протоколам REST или gRPC, а модуль визуализации предоставляет пользователям интерфейс анализа результатов [3].

Рисунок 2. Диаграмма компонентов архитектуры системы предиктивной аналитики

Заключение

Рассмотрение показало, что унифицированный язык моделирования UML сохраняет практическую значимость при проектировании архитектуры систем предиктивной аналитики на основе машинного обучения. Диаграмма вариантов использования позволяет согласовать границы системы и состав действующих лиц на ранних этапах разработки, а диаграмма компонентов формализует декомпозицию системы на модули сбора данных, генерации признаков, обучения, инференса и мониторинга моделей. Совместное применение этих диаграмм снижает риск архитектурных ошибок и упрощает коммуникацию между разработчиками, аналитиками данных и заказчиками.

Список литературы:

1. Галиаскаров Э.Г., Воробьев А.С. Анализ и проектирование систем с использованием UML: учебное пособие для вузов. — М.: Издательство Юрайт, 2021. — 125 с.
2. Орлов С.А., Цилькер Б.Я. Технологии разработки программного обеспечения: Учебник для вузов. — 5-е изд. — СПб.: Питер, 2020. — 688 с.
3. Шамин А.А., Колбанев М.О., Черемухин А.Д. Системный подход разработки архитектуры аналитических цифровых платформ // Труды учебных заведений связи. — 2025. — Т. 11, № 5. — С. 28–40. DOI:10.31854/1813-324X-2025-11-5-28-40.