Отримано 10.01.2025, Доопрацьовано 20.03.2025, Прийнято 24.04.2025

Методи штучного інтелекту для візуалізації графових моделей великих даних у реальному часі

Андрій Баник, Павло Мулеса

Метою дослідження була розробка підходів до використання штучного інтелекту для покращення процесів інтерактивної візуалізації графових структур великих даних у реальному часі з урахуванням оптимізації обчислювальних ресурсів. Під час дослідження були побудовані графи для аналізу зв’язків у великих даних, а також використані методи обчислювального інтелекту для оптимізації обробки та візуалізації графів в інтерактивному форматі. Результати дослідження включали розробку програм для побудови графових структур на Python у середовищі Visual Studio Code та їх подальшу візуалізацію в Unity з використанням C# у Visual Studio. Спочатку було показано візуалізацію випадкового графа типу Ердеша-Реньї, який потім було відтворено у 3D-просторі Unity. За допомогою бібліотек Python було реалізовано генерацію графів та інтерактивну веб-візуалізацію. Для оптимізації розташування вузлів у графах були використані методи машинного навчання, зокрема, автоенкодери та головні компоненти для зменшення розмірності. Демонстрація моделі Барбаші-Альберта дозволила побачити кластеризацію вузлів та їх зв’язки в реальному часі. Крім того, було продемонстровано інтерактивну візуалізацію, де вузли розташовувалися у 2D-просторі відповідно до результатів аналізу головних компонент. Використання алгоритму Лувена допомогло виконати кластеризацію та візуалізувати структуру спільнот. Результати показали, що використання нейронних мереж значно покращує точність та ефективність розміщення вузлів у графах, а також зменшує обчислювальну складність. Отримані результати можуть бути корисними для наукових досліджень, що пов’язані з аналізом великих графових структур та потребують інтерактивної візуалізації даних

машинне навчання; інтерактивний формат; кластеризація та головні компоненти; бібліотеки Python; можливості Unity
42-54
Banyk, A., & Mulesa, P. (2025). Artificial intelligence techniques for real-time visualisation of big data graph models. Information Technologies and Computer Engineering, 22(1), 42-54. https://doi.org/10.63341/vitce/1.2025.42

Використані джерела

[1] Bellmann, L., Wiederhold, A.J., Trübe, L., Twerenbold, R., Ückert, F., & Gottfried, K. (2024). Introducing attribute association graphs to facilitate medical data exploration: Development and evaluation using epidemiological study data. JMIR Medical Informatics, 12, article number e49865. doi: 10.2196/49865.

[2] Çınar, D. (2024). The role of artificial intelligence and big data analytics in business management: A review of decision – making and strategic planning. Journal of Tourism Economics and Business Research, 6(2), 219-229.

[3] Devi, M., & Kasireddy, S.R. (2019). Graph analysis and visualization of social network big data. In Social network forensics, cyber security, and machine learning. springerbriefs in applied sciences and technology (pp. 93-104). Singapore: Springer. doi: 10.1007/978-981-13-1456-8_8.

[4] Devineni, S.K. (2024). AI-enhanced data visualization: Transforming complex data into actionable insights. Journal of Technology and Systems, 6(3), 52-77. doi: 10.47941/jts.1911.

[5] Di, L., & Yu, E. (2023). Big data analytic platforms. In Remote sensing big data (pp. 171-194). Cham: Springer. doi: 10.1007/978-3-031-33932-5_10.

[6] Duan, S., & Zhao, Y. (2024). Knowledge graph analysis for chronic diseases nursing based on visualization technology and literature big data. Scalable Computing Practice and Experience, 25(3), 1728-1747. doi: 10.12694/scpe.v25i3.2664.

[7] Gandomi, A.H., Chen, F., & Abualigah, L. (2023). Big data analytics using artificial intelligence. Electronics, 12(4), article number 957. doi: 10.3390/electronics12040957.

[8] Gebretsadik, F., & Patgiri, R. (2023). The major challenges of big graph and their solutions: A review. Advances in Computers, 128, 399-421. doi: 10.1016/bs.adcom.2021.10.010.

[9] Gheorghe, G., & Lorenz, P. (Eds.). (2023). Proceedings of the 3rd international conference on artificial intelligence, big data and algorithms. Advances in Artificial intelligence, big data and algorithms. Amsterdam: IOS Press BV.

[10] Haiyang, X., Ruomei, Y., Yan, W., Lixin, G., & Li, M. (2024). Knowledge graph for solubility big data: Construction and applications. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 15(1), article number e1570. doi: 10.1002/widm.1570.

[11] Janicijevic, S., & Nikolic, V. (2021). Graph structures for data visualizations. Serbian Journal of Engineering Management, 6(2), 24-31.

[12] Kliestik, T., Kral, P., Bugaj, M., & Ďurana, P. (2024). Generative artificial intelligence of things systems, multisensory immersive extended reality technologies, and algorithmic big data simulation and modelling tools in digital twin industrial metaverse. Equilibrium. Quarterly Journal of Economics and Economic Policy, 19(2), 429-461. doi: 10.24136/ eq.3108.

[13] Liu, J., Xie, R., & Song, A. (2019). Analysis on research frontiers and hotspots of “Artificial intelligence plus education” in China – visualization research based on citespace V. IOP Conference Series Materials Science and Engineering, 569, article number 052073. doi: 10.1088/1757-899X/569/5/052073.

[14] Miroshnyk, M., Shkil, O., Rakhlis, D., Pshenychnyi, K., & Miroshnyk, A. (2023). Event processing model for simulation of real-time logic control devices. Bulletin of Cherkasy State Technological University, 28(2), 50-57. https:// doi org/10.24025/2306-4412.2.2023.274840.

[15] Mykolaichuk, R., & Mykolaichuk, A. (2024). Using artificial intelligence technologies for document processing automation. Modern Information Technologies in the Sphere of Security and Defence, 50(2), 111-117. doi: 10.33099/23117249/2024-50-2-111-117.

[16] Noshi, A., & Gasmi, S. (2024). Building efficient knowledge maps through NLP and optimization in big data environments. doi: 10.13140/RG.2.2.11353.53609.

[17] Pankiv, V.I., & Storozhuk, O.L. (2024). The use of neural measurements and advanced techniques for the analysis of large quantities of data in real time. In Forestry education and science: Current challenges and development prospects, international science-practical conference. Lviv: National Polytechnic University of Ukraine. doi: 10.36930/conf150.5.19.

[18] Panyaram, S. (2024). Integrating artificial intelligence with big data for real-time insights and decision-making in complex systems. FMDB Transactions on Sustainable Intelligent Networks, 1(2), 85-95. doi: 10.69888/FTSIN.2024.000211.

[19] Riva, D., & Rossetti, C. (2024). Visualization of knowledge graphs with embeddings: An essay on recent trends and methods. ArXiv. doi: 10.48550/arXiv.2412.05289.

[20] Ruiz Estrada, M.A. (2023). New artificial intelligence (AI) models for policy modelling. Kuala Lumpur: Econographication Laboratory. doi: 10.13140/RG.2.2.30920.90887.

[21] Soroka, I.M., Mochalov, IO., & Kizim, A.V. (2024). The modern directions of implementation of the large models of artificial intelligence in health care. Intermedical Journal, 2, 174-180. doi: 10.32782/2786-7684/2024-2-30.

[22] Yang, J. (2024). Application of artificial intelligence and big data in financial management. SHS Web of Conferences, 208, article number 01006. doi: 10.1051/shsconf/202420801006.

[23] Yang, M. (2024). Design of a cybersecurity defense system based on big data and artificial intelligence. Applied and Computational Engineering, 87, 98-103. doi: 10.54254/2755-2721/87/20241443.

[24] Yin, S., Li, H., Sun, Y., Ibrar, M., & Teng, L. (2024). Data visualization analysis based on explainable artificial intelligence: A survey. IJLAI Transactions on Science and Engineering, 2(2), 13-20.

[25] Zhao, J., Pierre, J., & Konstantinidis, K.T. (2024). Approximate nearest neighbor graph provides fast and efficient embedding with applications for large-scale biological data. NAR Genomics and Bioinformatics, 6(4), article number lqae172. doi: 10.1093/nargab/lqae172.

[26] Zion, D., & Tripathy, B. (2020). Comparative analysis of tools for big data visualization and challenges. In S.M. Anouncia, H.A. Gohel & S. Vairamuthu (Eds.), Data visualization (pp. 33-52). Singapore: Springer. doi: 10.1007/978-981-15-2282-6_3.