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.

86 маємо справу з «великим шумом»: тіньова економіка, зміни валютних курсів та непередбачувані законодавчі ініціативи [2]. Уявімо задачу - спрогнозувати податкові збори в умовах нестабільної економіки. Тут ми стикаємося з «максимальним шумом»: тіньовий сектор, стрибки валют, постійні зміни в законодавстві. Як виглядає алгоритм розв’язання: 4. Збір (Big Data): ми зводимо докупи все - дані з касових апаратів (РРО), митні декларації та банківські виписки. 5. Обробка (Machine Learning): запускаємо алгоритми градієнтного бустингу (як-от XGBoost), щоб знайти приховані зв’язки. Щоб модель не «заплуталася» в інформаційному шумі, застосовуємо регуляризацію 1 , 2 , які відсікають усе зайве. 6. Прийняття рішення (Math Programming): отримані результати інтегруються у стохастичну модель. Це дає змогу точно розрахувати, який бюджетний резерв потрібен державі, щоб мінімізувати ризик дефіциту з імовірністю ≥ 0,95. Інтеграція методів штучного інтелекту в класичні математичні моделі відкриває шлях до створення самокерованих аналітичних систем [1]. Майбутнє аналізу Big Data лежить у площині розробки алгоритмів, які не просто констатують наявність невизначеності, а використовують її як додатковий ресурс для підвищення гнучкості систем. Подальші дослідження мають зосередитися на підвищенні інтерпретованості таких моделей («Explainable AI»), щоб кожне рішення, прийняте в умовах невизначеності, було не лише точним, а й логічно обґрунтованим для кінцевого користувача.