Galina V. Korableva

обосновывается переход от статических моделей прогнозирования энергопотребления к адаптивным системам потокового машинного обучения с детекцией концептуального дрейфа. Показано, что инкрементальные ансамбли снижают ошибку прогнозирования на 22–34%, обнаруживают смену режимов в среднем за 12,3 наблюдения и обновляются менее чем за 2 мс, что обеспечивает готовность технологии к внедрению на периферийных контроллерах и формирует устойчивый экономический эффект за счёт сглаживания пиковых нагрузок.

в статье анализируются правовые и организационные условия внедрения систем неконтролируемого обнаружения биомеханических аномалий (Vision Transformer, энтропия карт внимания) в контуры охраны труда и безопасности производств. Показано, что архитектура Edge-обработки и принцип минимизации данных обеспечивают соответствие законодательству о персональных данных, а объективный цифровой след формирует доказательную базу должной осмотрительности работодателя.

рассмотрены правовые и организационные вопросы управления гетерогенными потоками промышленных данных в распределённых архитектурах промышленного интернета вещей. Подсистема DFMS = ⟨F, C, P, R, A⟩ формализует классификацию, приоритизацию, маршрутизацию и адаптацию потоков с учётом их правового режима (персональные данные, критическая информационная инфраструктура, коммерческая тайна). Показано, что модульная адаптивная архитектура обеспечивает соблюдение принципов минимизации данных, локализации и аудируемости, установленных законодательством.