Proceedings of the International scientific and practical conference ―Science in the Modern World‖ (May 4-6, 2026) / Publisher website: www.naukainfo.com. – Barcelona, Spain, 2026. - 260 p.

85 Невизначеність у Big Data не є просто «технічною помилкою»; це системна характеристика, що виникає через [3]: 1. Шум та аномалії: Випадкові викривлення, спричинені збоями сенсорів або людським фактором. 2. Неповність (Missing Data): Пропуски в часових рядах, які порушують цілісність математичних моделей. 3. Непослідовність: Конфлікт даних, отриманих з різних джерел (наприклад, розбіжність між офіційною звітністю та даними транзакцій у реальному часі). Для подолання цих бар’єрів традиційної статистики вже недостатньо. Сучасна наука пропонує перехід до інтелектуальної оптимізації, де математичне програмування виступає «скелетом», а машинне навчання - «інтелектом» системи [2]. Аналіз математичного інструментарію для подолання факторів невизначеності дозволяє виділити чотири фундаментальні підходи. Саме вони забезпечують перетворення неструктурованих даних у стабільні прогностичні показники: - Робастна оптимізація: стратегія «готуйся до гіршого». Модель розробляється так, щоб рішення залишалося робочим за будь-яких, навіть найбільш несприятливих сценаріїв [4]. - Сценарна оптимізація: побудова цілого дерева можливих варіантів майбутнього. Це дозволяє заздалегідь оцінити ризики та підготувати план «Б» [4]. - Ймовірнісні обмеження: метод, що дозволяє системі балансувати на межі ризику та прибутку, припускаючи мінімально можливі відхилення від норми [3]. - Розподільна стійкість: свого роду «золота середина», де модель адаптується до невідомих змін, спираючись на вже накопичений історичний досвід [4]. Розглянемо приклад побудови системи прогнозування податкових надходжень в умовах високої волатильності економіки. У такому контексті ми