Proceedings of the International scientific and practical conference ―Science at the Turning Point of History‖ (May 25-27, 2026) / Publisher website: www.naukainfo.com. – Lviv, Ukraine, 2026. - 362 p.

159 традиційна мережева автоматизація, що спирається на статичні правила, ручну конфігурацію та реактивне усунення інцидентів, уже не забезпечує потрібної швидкості реагування, масштабованості та точності керування. Саме тому дедалі більшої актуальності набуває концепція AI-driven networking, у межах якої алгоритми машинного навчання інтегруються безпосередньо в процеси аналізу стану мережі та прийняття керівних рішень [1]. На відміну від класичного підходу, мережі на основі штучного інтелекту орієнтовані не лише на автоматичне виконання наперед заданих дій, а й на прогнозування змін, виявлення аномалій, оптимізацію маршрутів, балансування навантаження та підтримку контрольованої автономії. Такі системи здатні працювати з великими масивами гетерогенних даних, зокрема NetFlow, SNMP, SYSLOG та іншою потоковою телеметрією, що дає змогу формувати більш точні профілі мережевої активності та вчасно виявляти критичні відхилення [1; 4]. Насамперед доцільно описати архітектуру AI-driven мереж. Такого роду мережі слід розглядати як багаторівневу систему. Система з архітектурою такого типу буде спроможна робити декілька функцій. Наприклад, збір телеметрії, обробку даних у реальному часі, AI-аналітику тощо. У такій системі мережа постійно формує дані про навантаження, затримки, маршрутизацію, помилки та події, пов‘язані з безпекою, а алгоритми машинного навчання аналізують ці потоки й перетворюють їх на прогнози, класифікації та конкретні керівні рішення. При цьому інтелектуальний контур не зводиться лише до аналізу інформації: він має бути безпосередньо пов‘язаний із механізмами виконання рішень, зокрема SDN/NFV-компонентами, політиками intent-based networking і засобами зворотного зв‘язку. Саме це дає змогу оцінювати наслідки втручання та своєчасно коригувати роботу системи в режимі реального часу [1; 4]. Ключовою передумовою результативної автоматизації є якість телеметричних даних. Для побудови надійних моделей недостатньо просто накопичувати великі масиви мережевих подій; необхідно забезпечити