Методи машинного навчання в модернізації програмних компонентів комплексних інформаційних систем

О. Г. Когуч; Я. М. Матвійчук

doi:10.24144/2616-7700.2025.47(2).148-167

Автор(и)

О. Г. Когуч Національний університет "Львівська політехніка", Україна https://orcid.org/0009-0004-6861-8082
Я. М. Матвійчук Національний університет «Львівська політехніка», Україна https://orcid.org/0000-0002-5570-182X

DOI:

https://doi.org/10.24144/2616-7700.2025.47(2).148-167

Ключові слова:

монолітні застарілі системи, модернізація монолітних систем, машинне навчання у модернізації систем, автоматизація програмної модернізації

Анотація

Значна кількість сучасних державних і приватних організацій використовують інформаційні системи, побудовані на основі технологій попередніх поколінь, із застосуванням програмних компонентів, створених ще десятки років тому. Такі системи є критично важливими для функціонування бізнесу, однак їхнє оновлення й підтримка вимагають значних людських, часових та фінансових ресурсів, а традиційні підходи до модернізації в більшості випадків виявляються надмірно тривалими, складними для управління та пов’язаними з високим рівнем ризиків. Це зумовлює потребу у нових технологічних підходах, здатних зменшити вартість та пришвидшити процес трансформації без втрати надійності.

Методи машинного навчання (ML) постають як перспективний інструмент, здатний частково автоматизувати ключові етапи модернізації програмних систем. У статті систематизовано сучасні напрями їх застосування: від діагностики технічного стану та виявлення прихованих залежностей у кодовій базі до автоматизованого переписування окремих модулів і тестування оновлених фрагментів. Особливу увагу приділено аналізу сильних сторін і наявних обмежень цих підходів, а також технологічних і практичних викликів, які супроводжують їх упровадження. Доведено, що результативність ML-рішень безпосередньо визначається масштабом системи та якістю доступних вихідних даних.

Робота ґрунтується на теоретичному аналізі та результатах практичного оцінювання ефективності використання ML. Окремий акцент зроблено на питаннях інтеграції подібних технологій у робочі процеси, адаптації команд програмістів до нової парадигми та перспективам подальших досліджень у цій сфері. Також розглядаються формалізовані метрики, що дають змогу об’єктивно оцінити успіх модернізації.

Дослідження демонструє, що комплексне поєднання сучасних ML-методів із перевіреними традиційними підходами зменшує витрати на підтримку застарілих систем і забезпечує поступовий перехід до сучасних архітектур за умови ретельного контролю ризиків та валідації результатів. Такий підхід може слугувати основою для масштабованої й сталої стратегії цифрової трансформації організацій.

Біографії авторів

О. Г. Когуч, Національний університет "Львівська політехніка"

Аспірант кафедри Систем штучного інтелекту ІКНІ

Я. М. Матвійчук, Національний університет «Львівська політехніка»

Професор кафедри Систем штучного інтелекту ІКНІ. Доктор технічних наук

Посилання

Naik, P., Nelaballi, S., Pusuluri, V. S., & Kim, D.-K. (2024). Deep Learning-Based Code Refactoring: A Review of Current Knowledge. Journal of Computer Information Systems, 64(2), 314–328. https://doi.org/10.1080/08874417.2023.2203088
Abgaz, Y. M., McCarren, A., Elger, P., Solan, D., Lapuz, N., Bivol, M., Jackson, G., Yilmaz, M., Buckley, J., & Clarke, P. (2023). Decomposition of Monolith Applications into Microservices Architectures: A Systematic Review. IEEE Transactions on Software Engineering, 49(8), 4213–4242. https://doi.org/10.1109/TSE.2023.3287297
Qian, L., Li, J., He, X., Gu, R., Shao, J., & Lu, Y. (2023). Microservice Extraction Using Graph Deep Clustering Based on Dual View Fusion. Information and Software Technology, 158, 107171. https://doi.org/10.1016/j.infsof.2023.107171
Pandey, S. K., Chand, S., Horkoff, J., Staron, M., Ochodek, M., & Durisic, D. (2025). Design Pattern Recognition: A Study of Large Language Models. Empirical Software Engineering, 30, 69. https://doi.org/10.1007/s10664-025-10625-1
De Siano, G. D., Fasolino, A. R., Sperl´i, G., & Vignali, A. (2025). Translating Code with Large Language Models and Human-in-the-Loop Feedback. Information and Software Technology, 186, 107785. https://doi.org/10.1016/j.infsof.2025.107785
Narv´aez, D., Battaglia, N., Fern´andez, A., & Rossi, G. (2025). Designing Microservices Using AI: A Systematic Literature Review. Software, 4(1), 6. https://doi.org/10.3390/software4010006
Moreschini, S., Pour, S., Lanese, I., Balouek, D., Bogner, J., Li, X., Pecorelli, F., Soldani, J., Truyen, E., & Taibi, D. (2025). AI Techniques in the Microservices Lifecycle: A Systematic Mapping Study. Computing, 107, 100. https://doi.org/10.1007/s00607-025-01432-z
Zhang, F., Zhang, Z., & Keung, J. W. (2024). Data Preparation for Deep Learning-Based Code Smell Detection: A Systematic Literature Review. Journal of Systems and Software, 216, 112131. https://doi.org/10.1016/j.jss.2024.112131
Garcia, P., & Sritriratanarak, W. (2023). We Need a Theoretical Framework for the Modernization of Industrial Legacy Systems. Frontiers in Industrial Engineering, 1, 1266651. https://doi.org/10.3389/fieng.2023.1266651
Baumgartner, N., Iyenghar, P., Schoemaker, T., & Pulverm¨uller, E. (2024). AI-Driven Refactoring: A Pipeline for Identifying and Correcting Data Clumps in Git Repositories. Electronics, 13(9), 1644. https://doi.org/10.3390/electronics13091644
Tune, N., & Perrin, J-G. (2024). Architecture Modernization: Socio-technical Alignment of Software, Strategy, and Structure. Manning Publications.
Ford, N., Parsons, R., & Kua, P. (2023). Building Evolutionary Architectures: Automated Software Governance. 2nd ed. O’Reilly Media.
Romero, J., R., Medina-Bulo, I., & Chicano, F. (2023). Optimising the Software Development Process with Artificial Intelligence. Springer: Natural Computing Series.