Este artículo examina la arquitectura y los principios de diseño de modelos de aprendizaje automático adaptativos capaces de operar bajo alta carga y flujos de datos en evolución. Analiza enfoques de aprendizaje en línea, ajuste automatizado de hiperparámetros y escalado de modelos en entornos de computación distribuida. Se enfatiza la importancia de la adaptación autónoma y la resiliencia a los parámetros ambientales cambiantes. La aplicabilidad del enfoque propuesto se respalda con pruebas de simulación y ejemplos de sistemas industriales, incluidos SCADA/IIoT y monitoreo de seguridad de redes. Se presentan resultados cuantitativos que demuestran las ventajas de los modelos adaptativos sobre los tradicionales. Los hallazgos justifican la viabilidad de aplicar tales modelos en sistemas en tiempo real y automatización industrial.
Mukayev Timur (Mié,) estudió esta cuestión.