СТОХАСТИЧЕСКИЕ МОДЕЛИ В АНАЛИЗЕ БОЛЬШИХ ДАННЫХ И ИСККУССТВЕННОМ ИНТЕЛЛЕКТЕ

STOCHASTIC MODELS IN BIG DATA ANALYSIS AND ARTIFICIAL INTELLIGENCE

Rubtsova Aleksandra Semyonovna

Student, Belarusian State University  of Informatics and Radioelectronics,

Republic of Belarus, Minsk

Radvilovich Darina Denisovna

Student, Belarusian State University  of Informatics and Radioelectronics,

Republic of Belarus, Minsk

Fedosiuk Lyudmila Petrovna

Senior Lecturer, Belarusian State University  of Informatics and Radioelectronics,

Republic of Belarus, Minsk

АННОТАЦИЯ

В данной статье описываются основные теоретические сведения о стохастических моделях, их применение в искусственном интеллекте и больших данных, а также их роль в проведении анализа больших данных и обучении искусственного интеллекта.

ABSTRACT

This article describes the basic theoretical knowledge about stochastic models, their application in artificial intelligence and big data and their role in big data analysis and artificial intelligence training.

Ключевые слова: искусственный интеллект; большие данные; стохастические модели; математические модели; вероятность; неопределенность.

Keywords: artificial intelligence; big data; stochastic models; mathematical models; probability; uncertainty.

В результате стремительного развития информационных технологий компьютерные сети стали незаменимыми во многих областях науки. Рост вычислительной мощности и снижение стоимости хранения данных привели к появлению хранилищ данных, а также их накоплению в огромных объёмах, но лишь малая часть накопленной информации оказывается полезной для практического использования.  Традиционные подходы к анализу являются неэффективными по отношению к масштабам современных хранилищ данных. Поэтому возникла необходимость к применению различных методов для обработки данных и извлечения из них полезной информации для последующего использования.

Изначально под термином искусственного интеллекта (ИИ) подразумевали возможность электронной вычислительной системы выполнять некоторую творческую деятельность, которая считается прерогативой человеческого разума. На сегодняшний день такие системы реализуются путем машинного обучения.

Большие данные (Big Data) – термин, который обозначает огромные объёмы данных, обработка которых традиционными методами затруднительна. Данные поступают из разнообразных источников, включая социальные сети, финансовые транзакции, медицинские записи, датчики и тому подобное.

Между искусственным интеллектом и большими данными существует тесная взаимосвязь. Искусственный интеллект использует большие данные для обучения и улучшения работы своих алгоритмов, а большие данные, в свою очередь, нуждаются в искусственном интеллекте для эффективной обработки и анализа данных. Это взаимодействие способствует прогрессу в современных технологиях. Общим инструментом для искусственного интеллекта и больших данных выступают стохастические модели.

Стохастические модели – это математические модели, которые включают случайные процессы используются для описания систем, где результат нефиксированный и зависит от случайных факторов. Такие модели учитывают изменчивость и неопределенность, предсказывая вероятность различных исходов, например, в физике для описания движения частиц, а в биологии для моделирования роста популяции. Стохастические модели, в отличие от детерминированных, учитывают вероятностный характер параметров моделируемого объекта. Например, при прогнозировании спроса на товары невозможно точно определить количество покупок в каждый конкретный момент времени. Данные моменты являются случайными величинами, поэтому модель является стохастической: значения переменных величин модели, которые зависят от реализаций случайных величин, сами становятся случайными величинами.

Основными математическими инструментами для стохастических моделей являются вероятностные распределения, марковские процессы и байесовские методы. Они позволяют описывать неопределенность, моделировать случайные явления и принимать решения на основе неполной информации. Рассмотрим эти инструменты по отдельности.

Вероятностное распределение – это математическая функция, которая описывает вероятность различных исходов случайных событий. Оно показывает, с какой вероятностью случайная величина примет определенные значения или будет находиться в заданном диапазоне. Распределения делятся на дискретные, когда возможны отдельные значения (количество подбрасываний монеты), и непрерывные, если значения могут быть любыми в определенном интервале (время в пути до работы). Примеры:

• Нормальное распределение – используется для анализа больших данных, часто встречается в природе и социальных процессах;
• Биноминальное распределение – моделирует количество успехов в серии независимых испытаний;
• Пуассоновское распределение – применяется для описания редких событий (например, количество запросов к серверу за минуту).

Марковские процессы – это случайные процессы, в которых будущее зависит только от настоящего состояния системы, не учитывая всю её прошлую историю. Это свойство называется «марковским свойством» или «отсутствием памяти». Они лежат в основе таких моделей, как цепи Маркова (дискретные состояния и время) и марковские процессы принятия решений (MDP), которые используются в машинном обучении для создания моделей задач принятия решений.

Байесовские методы – это статистический подход, основанный на теореме Байеса, позволяющий обновлять существующие знания (априорные вероятности) с учетом поступления новых данных для формирования более точных оценок (апостериорных вероятностей).

Стохастические модели являются фундаментальным инструментом искусственного интеллекта. Они позволяют работать с неопределённостью, строить адаптивные алгоритмы и создавать системы, способные учиться и делать прогнозы в условиях реального мира. Благодаря стохастическим моделям искусственный интеллект становится ближе к моделированию человеческого мышления, где случайность и неполная информация – естественная часть процесса принятия решений.

Стохастические модели в анализе больших данных используют случайные процессы для представления систем, которым характерна неопределенность и изменчивость, в отличие от детерминированных моделей, которые основаны на фиксированных данных. Они необходимы для анализа данных, где результат не фиксирован и зависит от случайных факторов, например, прогнозирование поведения клиентов или колебаний рыночных цен. Стохастические методы полезны тем, что имеют математическую основу и их основные принципы заключаются в учете случайностей и работе с неопределенностью.

На практике стохастические модели широко применяются в различных сферах, где существует необходимость в анализе больших объёмов данных. Например, в сфере финансов они помогают в оценке рисков (моделирование поведения рынков и прогнозирование цен акций), в маркетинге и социальных сетях с помощью данных моделей на основе поведения пользователей создаётся индивидуальная лента рекомендаций, в промышленности – анализ данных с оборудований, чтобы предсказать вероятность его поломки.

Таким образом, стохастические модели являются фундаментальным инструментом анализа больших данных и искусственного интеллекта. Они позволяют не только выявлять скрытые закономерности, но и принимать более надёжные решения в условиях неопределенности, что делает их незаменимыми в современном мире.

Список литературы:

1. Искусственный интеллект и большие данные, проблематика [Электронный ресурс]. – Режим доступа: https://cyberleninka.ru/article/n/iskusstvennyy-intellekt-i-bolshie-dannye-problematika (дата обращения: 24.11.2025)
2. Гибридная стохастическая модель обнаружения особых типов паттернов в темпоральных данных [Электронный ресурс]. – Режим доступа: https://cyberleninka.ru/article/n/gibridnaya-stohasticheskaya-model-obnaruzheniya-osobyh-tipov-patternov-v-temporalnyh-dannyh (дата обращения: 24.11.2025)
3. Introduction to Stochastic Models in Computer Science [Электронный ресурс]. – Режим доступа: https://www.sciencedirect.com/topics/computer-science/stochastic-model (дата обращения: 24.11.2025)
4. Математические основы информатики и моделирования [Электронный ресурс]. – Режим доступа: https://studfile.net/preview/352609/page:4/ (дата обращения: 24.11.2025)
5. Вероятностное рассуждение [Электронный ресурс]. – Режим доступа: https://ru.wikipedia.org/wiki/%D0%92%D0%B5%D1%80%D0%BE%D1%8F%D1%82%D0%BD%D0%BE%D1%81%D1%82%D0%BD%D0%BE%D0%B5_%D1%80%D0%B0%D1%81%D1%81%D1%83%D0%B6%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5 (дата обращения: 24.11.2025)
6. Марковский процесс [Электронный ресурс]. – Режим доступа: https://bigenc.ru/c/markovskii-protsess-4914cb (дата обращения: 24.11.2025)
7. Байесовская модель [Электронный ресурс]. – Режим доступа: https://usabilitylab.ru/uxmethods/bajesovskaya-model-bayesian-model/ (дата обращения: 24.11.2025)
8. Методы анализа математических моделей [Электронный ресурс]. – Режим доступа: https://polyakov.imamod.ru/arc/stud/mmca/lecture_06.pdf (дата обращения: 24.11.2025)
9. Применение стохастических методов для оптимизации машинного обучения [Электронный ресурс]. – Режим доступа: https://na-journal.ru/5-2024-informacionnye-tekhnologii/12545-primenenie-stohasticheskih-metodov-dlya-optimizacii-mashinnogo-obucheniya (дата обращения: 24.11.2025)