Взаимосвязь систем искусственного интеллекта и моделей баз данных: комплексный анализ для академического эссе

По оценкам экспертов, глобальный рынок ИИ-решений достиг 147,31 миллиарда долларов по итогам 2023 года, со среднегодовым темпом роста (CAGR) в 33,21% с 2018 по 2023 год, и ожидается дальнейший ежегодный рост до 31%. Эта стремительная динамика недвусмысленно демонстрирует, что искусственный интеллект (ИИ) перестал быть концепцией из научно-фантастических романов, прочно утвердившись в статусе ключевого драйвера технологического прогресса. Однако за каждым впечатляющим прорывом в ИИ, будь то самообучающиеся алгоритмы или генеративные модели, стоит не менее важный, но часто незаметный фундамент — эффективное управление данными.

Системы управления базами данных (СУБД) и различные модели организации данных являются кровеносной системой для любой интеллектуальной системы. Без надежного хранения, быстрой обработки и интеллектуального извлечения информации даже самые передовые алгоритмы ИИ останутся лишь потенциалом. Данное эссе призвано углубиться в эту критически важную взаимосвязь, исследуя, как системы искусственного интеллекта взаимодействуют с разнообразными моделями баз данных, какие требования они предъявляют к хранению и обработке информации, и какие архитектурные решения формируют ландшафт современного ИИ. Мы рассмотрим сущность систем ИИ, их структурные компоненты, эволюцию моделей данных от классических реляционных до инновационных векторных, выявим специфические вызовы и перспективы, предлагая комплексный анализ для глубокого понимания этой динамичной области.

Системы искусственного интеллекта: определение, компоненты и принципы работы

В непрерывно развивающемся мире технологий, где машины способны обучаться, адаптироваться и принимать решения, понимание сущности искусственного интеллекта (ИИ) и его систем становится краеугольным камнем. Это не просто модное слово, а сложная область, объединяющая информатику, математику, философию и когнитивные науки, стремящаяся наделить машины способностями, которые традиционно приписывались человеческому разуму, и в этом залог их стремительного распространения.

Что такое искусственный интеллект и его системы?

Искусственный интеллект в широком смысле — это интеллект, демонстрируемый машинами, в частности компьютерными системами, который позволяет им воспринимать окружающую среду, использовать обучение и интеллект для выполнения действий, максимально увеличивающих их шансы на достижение поставленных целей. Это определение подчеркивает адаптивность и целенаправленность ИИ, отличающие его от простых автоматизированных систем. ИИ часто толкуется как свойство автоматических систем брать на себя отдельные функции интеллекта человека, например, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий.

В этом контексте, системы искусственного интеллекта (СИИ) представляют собой программные или аппаратные средства, применяемые для решения сложных задач, требующих интеллектуального анализа и принятия решений. Они способны обрабатывать данные, идентифицировать паттерны, принимать решения и решать задачи, имитируя или превосходя когнитивные функции человека. От систем рекомендаций до автономных транспортных средств, СИИ проникают во все сферы нашей жизни, становясь неотъемлемой частью современной технологической инфраструктуры. Это означает, что без СИИ невозможно представить себе многие современные сервисы, от персонализированных рекомендаций в онлайн-магазинах до систем управления городской инфраструктурой, что подтверждает их фундаментальное значение.

Основные структурно-функциональные компоненты СИИ

Для того чтобы система могла проявлять «интеллект», ей необходима определенная архитектура, позволяющая собирать, хранить, обрабатывать и использовать информацию. Минимально необходимыми структурно-функциональными элементами систем ИИ являются:

• База данных (БД): Хранилище необработанных или частично обработанных данных, которые служат основой для обучения и функционирования ИИ. Это может быть любая информация, от текста и изображений до сенсорных показаний.
• База знаний (БК): Содержит структурированную информацию о предметной области, правила, факты, эвристики и семантические связи, используемые ИИ для логического вывода и принятия решений.
• База правил вывода умозаключений: Механизм, который использует данные из базы знаний и текущие входные данные для формирования логических выводов и принятия решений. Это может быть набор логических правил, алгоритмов или моделей машинного обучения.
• База связей с внешней средой (интерфейс): Компоненты, обеспечивающие взаимодействие системы ИИ с внешним миром, получение входных данных от датчиков или пользователей и выдачу выходных данных (действий, ответов, рекомендаций).

Особое место в современных СИИ занимают нейронные сети, которые являются ключевым компонентом многих систем машинного обучения. Нейронные сети состоят из нейронов, соединенных между собой, и передают информацию по связям. Их архитектура включает:

• Входной слой: Получает исходные данные.
• Скрытые слои: Промежуточные слои, где происходит основная обработка и извлечение признаков. Нейроны в этих слоях принимают входные сигналы, обрабатывают их с помощью нелинейной функции активации (например, бинарная ступенчатая, линейная, сигмоида, ReLU) и передают выходные данные. Функции активации позволяют нейронным сетям учиться сложным, нелинейным закономерностям.
• Выходной слой: Генерирует конечный результат или предсказание.

Нейронные сети способны учиться на основе опыта и адаптироваться к новым ситуациям, что делает их чрезвычайно мощным инструментом для решения широкого круга задач ИИ. Важно отметить, что системы ИИ часто называют системами, основанными на знаниях, из-за особой роли, которую играет база знаний в процессе формирования решений.

Фундаментальной основой для работы с неопределённостью и случайностью в ИИ является теория вероятностей. Она предоставляет математический аппарат для анализа данных, поиска закономерностей и принятия решений в условиях неполной информации. Методы теории вероятностей применяются во всех областях ИИ, включая:

• Машинное обучение: Для построения вероятностных моделей, оценки рисков и неопределенности в предсказаниях.
• Машинное зрение: Для распознавания образов и объектов в условиях шума и неполноты данных.
• Робототехника: Для прогнозирования поведения других участников движения и планирования безопасных маршрутов.
• Обработка естественного языка (ОЕЯ): Для распознавания речи, языкового перевода, генерации текста и понимания смысла.

Вероятностные модели, такие как байесовский вывод, марковские процессы принятия решений (МППР) и вероятностные графические модели, повышают способность систем ИИ справляться с неопределенностью и принимать обоснованные решения, улучшая алгоритмы на основе новых данных.

Архитектурные подходы к построению систем ИИ

Архитектура информационной системы — это структура, организация и связанное с ней поведение системы. Она может быть рекурсивно разобрана на части, взаимодействующие посредством интерфейсов, связи и условия сборки частей. Эти части, взаимодействующие через интерфейсы, включают классы, компоненты и подсистемы. Архитектура программы или компьютерной системы — это структуры системы, которые включают элементы программы, видимые извне свойства этих элементов и связи между ними.

С развитием ИИ появилась концепция систем гибридного интеллекта (ГИС), также известных как Augmented Intelligence, Human-Centered Intelligence или Collaborative Intelligence. Эти системы сочетают возможности человека и машины, стремясь создать синергетический эффект, где сильные стороны каждого участника компенсируют слабости другого. ГИС могут быть классифицированы по архитектуре на:

• Комбинированные: Используют несколько ИИ-технологий (например, нейронные сети и экспертные системы) для решения одной задачи.
• Интегрированные: Тесно связывают различные ИИ-модули и человеческие компоненты.
• Объединенные: Создают единую рабочую среду для взаимодействия человека и ИИ.
• Ассоциативные: ИИ поддерживает человека в принятии решений, предлагая варианты и объясняя логику.

Например, гибридная экспертная система для медицинской диагностики может включать нечеткую нейронную сеть для анализа симптомов, нечеткую экспертную систему для формулирования предварительных диагнозов, модуль принятия и объяснения решений для взаимодействия с врачом, а также интерфейсные модули для взаимного преобразования данных. Эти архитектурные подходы отражают стремление к созданию более сложных, надежных и эффективных интеллектуальных систем, способных работать в реальном мире, что в конечном итоге повышает их адаптивность и применимость в различных областях.

Эволюция моделей организации баз данных: от классики до инноваций

В основе любой информационной системы, включая самые продвинутые системы ИИ, лежит база данных — организованная совокупность данных, предназначенная для длительного хранения и постоянного применения. Слово «база» здесь не случайно: оно подчеркивает фундаментальную роль, которую эти хранилища играют для конкретного вида деятельности. Системы управления базами данных (СУБД) — это программное обеспечение, которое позволяет создавать, редактировать, управлять БД, обеспечивать многопользовательский доступ, упрощать отчетность и резервное копирование. Выбор модели данных, служащей инструментом моделирования произвольной предметной области, стал решающим фактором в эффективности работы с информацией.

Классические модели баз данных

Исторически развитие СУБД началось с относительно простых, но эффективных для своего времени моделей.

• Иерархическая модель: Одна из первых моделей, где данные имеют форму деревьев. Каждый элемент данных (узел) может иметь только одного «родителя» и множество «потомков». Связи между узлами представляют собой направленные дуги. Несмотря на свою простоту и быстродействие для определенных типов запросов (особенно при движении «вниз» по иерархии), иерархические БД испытывали трудности с представлением сложных связей «многие ко многим» и гибкостью запросов.
• Сетевая модель: Является обобщением иерархической модели. Она допускает, что объекты данных могут иметь более одного предка, что позволяет моделировать более сложные структуры данных. В сетевой модели данные организуются в виде графа, где записи представляют узлы, а связи — рёбра. Это повышало гибкость по сравнению с иерархической моделью, но всё ещё требовало сложной навигации по заранее определенным связям.
• Реляционная модель: Революционная концепция, предложенная Эдгаром Коддом в 1970 году. В этой модели данные хранятся в связанных таблицах (отношениях) с фиксированной схемой, где каждая строка уникальна благодаря использованию ключей. Реляционные БД обеспечивают высокую целостность данных с помощью ограничений (например, уникальность, ссылочная целостность), которые гарантируют корректность и непротиворечивость информации. Главным преимуществом реляционной модели стало введение декларативного языка запросов SQL (Structured Query Language), который позволяет пользователям формулировать сложные запросы, не вдаваясь в детали физического хранения данных. SQL используется для выполнения широкого спектра операций: выборка, фильтрация, сортировка, агрегация и модификация данных.

Характеристика	Иерархическая модель	Сетевая модель	Реляционная модель
Структура данных	Дерево (один родитель, много потомков)	Граф (много родителей, много потомков)	Таблицы (отношения)
Связи	Однонаправленные, «один-ко-многим»	Множественные, «многие-ко-многим»	Определяются по значениям общих столбцов (ключей)
Гибкость запросов	Низкая, предопределенная навигация	Средняя, сложная навигация	Высокая, декларативный SQL
Целостность данных	Зависит от структуры	Зависит от структуры	Высокая, обеспечивается ограничениями (ключи, правила)
Язык запросов	Процедурный	Процедурный	SQL (декларативный)
Применимость	Простые структуры, быстрый доступ по иерархии	Более сложные связи, чем в иерархической	Универсальна, для структурированных данных, транзакций

Современные модели баз данных

С ростом объемов данных, появлением интернета и необходимостью работы с неструктурированной информацией, классические модели стали сталкиваться с ограничениями. Это привело к появлению новых подходов, которые изменили ландшафт управления данными.

• Объектно-ориентированная модель: Возникла как попытка преодолеть разрыв между объектно-ориентированными языками программирования и реляционными БД. В этой модели данные хранятся в виде объектов, которые обладают свойствами (атрибутами) и методами (операциями). Поддерживаются такие концепции, как наследование, полиморфизм и инкапсуляция, что делает их естественным выбором для сложных приложений, где требуется тесная интеграция с объектно-ориентированным кодом. Поиск в объектно-ориентированной БД заключается в выяснении сходства между заданным пользователем объектом и объектами, хранящимися в БД.
• NoSQL (Not Only SQL): Этот подход появился в 90-е годы, но по-настоящему его значение стали понимать только в 2008 году. NoSQL — это широкий класс нереляционных баз данных, стремящихся сбалансировать требования к производительности, масштабируемости и гибкости схемы с целостностью и согласованностью данных. Общая отличительная черта NoSQL технологий — отход от традиционных реляционных схем. NoSQL базы данных распределены, нереляционны, с открытым исходным кодом и масштабируются по горизонтали. Они часто жертвуют гарантиями ACID (Atomicity, Consistency, Isolation, Durability) транзакций в пользу доступности и масштабируемости (согласно теореме CAP). Разновидности NoSQL включают:
  • Хранилища «ключ-значение»: Простейшая форма, где данные хранятся в виде пар ключ-значение.
  • Документоориентированные базы данных: Хранят данные в виде полуструктурированных документов (JSON, XML). Наиболее часто встречающимся типом NoSQL баз данных является документоориентированный.
  • Ширококолоночные хранилища: Организуют данные в семействах колонок, что обеспечивает гибкость и высокую производительность для аналитических задач.
  • Графовые базы данных: Предназначены для хранения и обработки данных, представленных в виде графов (узлы и рёбра), идеально подходят для моделирования сложных связей (социальные сети, рекомендательные системы).
• NewSQL: Это класс современных реляционных СУБД, которые появились как ответ на ограничения реляционных систем в масштабируемости и производительности, при этом сохраняя их ключевые преимущества. NewSQL обеспечивают масштабируемую производительность, как системы NoSQL, для рабочих нагрузок OLTP (Online Transaction Processing), при этом сохраняя гарантии ACID традиционной системы баз данных. Ключевые особенности NewSQL БД: поддержка реляционной модели и транзакционности, использование языка SQL, горизонтальная масштабируемость, современное ядро, неблокирующий механизм управления параллелизмом, архитектура, обеспечивающая значительно более высокую производительность на узел. NewSQL системы предназначены для приложений с большим количеством транзакций, и большая часть из них являются in-memory базами данных.
• Векторные базы данных: Это относительно новый, но быстро развивающийся тип баз данных, специализирующийся на управлении высокоразмерными данными в форме векторов. Векторные представления (или «вложения», embedding) преобразуют любые входные данные (текст, изображения, аудио, код) в массив чисел фиксированной длины, где семантически похожие объекты располагаются близко друг к другу в многомерном пространстве. Векторные БД используются для эффективного поиска сходства, что критически важно для многих современных приложений ИИ, таких как системы рекомендаций, семантический поиск, обнаружение аномалий и большие языковые модели.

Эта эволюция моделей данных отражает постоянно меняющиеся потребности в хранении и обработке информации, особенно в свете взрывного роста ИИ. Каждая модель предлагает свои уникальные преимущества и компромиссы, делая выбор СУБД критически важным шагом в проектировании любой интеллектуальной системы.

Роль и применение различных моделей баз данных в контексте систем ИИ

Взаимодействие систем искусственного интеллекта и баз данных выходит за рамки простого хранения информации. СУБД являются «незаметным героем» ML-проектов, обеспечивая хранение, организацию и доступный анализ огромных объемов информации. Они не просто пассивные хранилища, а активные участники жизненного цикла ИИ, критически важные для обучения, тестирования и развертывания интеллектуальных моделей. И что из этого следует? Надежное и эффект��вное управление данными напрямую влияет на качество и точность ИИ-моделей, определяя их успешность в реальных задачах.

СУБД как основа для проектов машинного обучения и анализа данных

В рамках проектов машинного обучения и анализа данных, СУБД используются для управления большим объемом данных, которые применяются для обучения и тестирования моделей. Использование СУБД повышает эффективность работы с данными, обеспечивая интеграцию с приложениями и ресурсами данных, а также позволяет:

• Масштабная обработка данных: Современные нейросетевые архитектуры, такие как GPT-4, могут иметь около 1,8 триллиона параметров, а их обучение обходится в более чем 100 млн долларов и требует тысяч GPU. Эффективное использование СУБД снижает нагрузку на сеть и ускоряет процесс обучения, что критически важно для таких масштабных задач.
• Управление безопасностью данных: СУБД предоставляют механизмы контроля доступа, шифрования и резервного копирования, гарантируя целостность и конфиденциальность чувствительной информации, используемой для обучения моделей.
• Анализ и исследование данных в режиме реального времени: Для многих ИИ-приложений, таких как системы рекомендаций или обнаружение мошенничества, требуется оперативный доступ к актуальным данным. СУБД позволяют эффективно выполнять запросы и агрегации, поддерживая принятие решений в реальном времени.
• Построение более точных моделей машинного обучения: Обеспечивая легкий доступ к необходимым данным и алгоритмам обучения, СУБД помогают исследователям и инженерам создавать более качественные и точные модели.

Современный подход к использованию СУБД в ML-проектах включает инновационные методы:

• In-database ML (машинное обучение в базе данных): Этот подход предполагает выполнение алгоритмов машинного обучения непосредственно внутри СУБД. Это устраняет необходимость в ETL (Extract, Transform, Load) — процессе извлечения, преобразования и загрузки данных — который может быть трудоемким и замедлять работу. Примером может служить расширение MadLib для PostgreSQL, которое позволяет создавать ML-модели и делать предсказания непосредственно в БД, используя функции, такие как madlib.linear_reg() и madlib.predict().
• Гибридные запросы: Объединение традиционных SQL-запросов с ML-операциями позволяет более гибко работать с данными, используя преимущества как реляционных, так и машинного обучения. Это использует масштабируемость распределенных СУБД для обработки сложных аналитических задач.

Векторные базы данных и их значение для современных ИИ-систем

С появлением больших языковых моделей (БЯМ) и необходимостью работы с высокоразмерными представлениями данных, векторные базы данных вышли на передний план. Они специализированы для хранения информации не в таблицах, а в виде математических векторов, что позволяет находить семантически близкие данные. Это является критически важным для реализации многих современных интеллектуальных функций.

• Хранение высокоразмерных вложений (embeddings): Векторные БД эффективно хранят числовые векторы, которые являются результатом работы моделей эмбеддингов, преобразующих текст, изображения, аудио или другие типы данных в плотные числовые представления.
• Эффективный поиск сходства (Similarity Search): Ключевая функция векторных БД — это способность быстро находить векторы, «близкие» к заданному запросу в многомерном пространстве. Это позволяет реализовать семантический поиск, когда система ищет не по ключевым словам, а по смысловому значению.
• Архитектуры Retrieval-Augmented Generation (RAG) для больших языковых моделей (БЯМ): Это один из наиболее значимых сценариев использования векторных БД. В архитектуре RAG БЯМ не только генерируют ответы на основе своего внутреннего обучения, но и извлекают точные факты из внешних источников данных, хранящихся в векторной БД. Это значительно повышает точность ответов, снижает вероятность «галлюцинаций» (когда БЯМ придумывает несуществующие факты) и позволяет моделям работать с актуальной, специфической для предметной области информацией, которой не было в их обучающем наборе.
• Системы рекомендаций: Векторные БД используются для поиска похожих товаров, фильмов или пользователей на основе их векторных представлений, что значительно улучшает персонализацию рекомендаций.
• Обнаружение аномалий: Сравнивая векторы новых данных с векторами исторических данных, можно эффективно выявлять аномалии и отклонения.

В целом, интеграция различных моделей баз данных с системами ИИ формирует мощный симбиоз, где каждая сторона усиливает другую. СУБД предоставляют фундамент для работы ИИ, а ИИ, в свою очередь, стимулирует развитие новых, более специализированных и эффективных моделей данных, способных справляться с вызовами современного информационного ландшафта. Это позволяет создавать не просто системы, а самообучающиеся и самоадаптирующиеся экосистемы.

Специфические требования и вызовы систем ИИ к архитектуре баз данных

Интенсивное развитие систем искусственного интеллекта не только открывает новые возможности, но и ставит перед архитекторами баз данных беспрецедентные вызовы. Традиционная архитектура баз данных, ориентированная на структурированные данные и строгие транзакции, стала проблематичной с появлением неструктурированных данных, запросов в реальном времени и более интеллектуальной и гибкой обработки информации. Каковы же эти ключевые вызовы, и как они меняют подход к проектированию баз данных?

Проблемы масштабируемости, обработки в реальном времени и неструктурированных данных

Одной из главных проблем является экспоненциальный рост объема данных, известный как Big Data. Системы ИИ, особенно глубокие нейронные сети, требуют огромных массивов информации для обучения. Объем данных для обучения ИИ является одним из трех основных факторов масштабирования ИИ. Сегодняшние крупнейшие публичные наборы данных примерно в десять раз больше, чем то, что большинство моделей ИИ в настоящее время используют, некоторые содержат сотни триллионов слов. Например, самоуправляемые автомобили ежедневно генерируют терабайты данных с набора датчиков. Реляционные СУБД сталкиваются с серьезными проблемами масштабируемости, обработки в реальном времени и включения неструктурированных данных в современных вычислительных средах из-за своей жесткой схемы и ориентированности на вертикальное масштабирование.

Ключевые аспекты проблем управления данными для ИИ включают:

• Объем (Volume): Экспоненциальный рост данных требует масштабируемых решений, способных хранить и обрабатывать петабайты и даже эксабайты информации.
• Разнообразие (Variety): ИИ работает со структурированными, неструктурированными (текст, изображения, видео, аудио) и полуструктурированными данными. Традиционные реляционные БД плохо справляются с таким разнообразием.
• Скорость (Velocity): Потоки данных в реальном времени (например, с датчиков IoT, финансовых транзакций) требуют быстрой обработки и анализа для своевременного принятия решений ИИ.
• Достоверность (Veracity): Обеспечение точности, целостности и надежности данных является критически важным.

По оценкам экспертов, в России рынок больших данных и искусственного интеллекта вырос до 320 млрд рублей по итогам прошлого года. Прогнозируется рост ВВП за счет больших данных в промышленности на 1,3% (что составляет 1,8 трлн рублей) к 2030 году, что подтверждает критическую значимость эффективного управления большими данными для экономики.

Требования к качеству данных и их влияние на функциональность ИИ

СИИ требуют высококачественных данных для обеспечения функциональной корректности и безопасности, особенно в критически важных областях, таких как медицина или автономное вождение. Нарушение требований к целостности и конфиденциальности информационных компонентов ИИ может приводить к рискам для физической, информационной и экономической безопасности.

Одной из серьезных проблем является наличие ошибочных меток (label noise) в больших наборах данных, необходимых для обучения глубоких нейронных сетей. Это подрывает точность и производительность модели. Однако исследования показывают, что глубокие нейронные сети способны обобщать данные, в которых истинные метки значительно превосходят некорректные. Например, на наборе данных MNIST была достигнута тестовая точность более 90% даже после разбавления каждого чистого примера обучения 100 случайно помеченными примерами. Воздействие ошибочных меток на производительность моделей машинного обучения для бинарной классификации физиологических сигналов показало, что глубокое обучение более устойчиво, чем традиционное машинное обучение, к случайным и классово-зависимым ошибочным меткам.

Ещё одна критическая проблема — алгоритмическая предвзятость (AI bias). Это систематические ошибки или предубеждения в выходных данных системы ИИ, которые приводят к несправедливым или необъективным результатам. Обратная связь между выходами и входами систем машинного обучения может увековечивать и усиливать предвзятость, что требует тщательного анализа алгоритмов в динамических системах. Источники предвзятости включают:

• Предвзятость данных: Обучающие данные не репрезентативны, неполны или содержат исторические предубеждения. Известным примером является экспериментальный инструмент для найма, разработанный Amazon, который, как было обнаружено, наказывал резюме, содержащие слово «women’s», и понижал выпускников двух колледжей только для женщин, обучившись на исторических данных, отражающих доминирование мужчин в технологической отрасли.
• Алгоритмический дизайн: Сами алгоритмы могут усиливать небольшие отклонения в данных.
• Человеческая предвзятость: Субъективные решения разработчиков или неявные предубеждения, заложенные в процесс создания и разметки данных.

Вызовы интеграции ИИ в существующие ИТ-инфраструктуры

Интеграция ИИ в существующие ИТ- и информационные инфраструктуры — это сложный процесс, требующий обновления устаревших систем и решения множества проблем:

• Скорость отклика и непредсказуемость: Генеративные модели могут быть медленными и непредсказуемыми в критичных сценариях, что является барьером для их внедрения в системы, требующие высокой скорости и надежности.
• Сложность интеграции: Адаптация ИИ-решений к уже существующим кодовым базам, соответствие нормативным требованиям и работа с унаследованными системами представляют собой серьезный вызов. Опытные Open Source-разработчики работали на 19% медленнее при использовании инструментов ИИ в комплексном исследовании, что указывает на фундаментальную проблему интеграции ИИ в сложную корпоративную разработку.
• Культурные барьеры: Сотрудники часто испытывают недоверие к системам ИИ из-за непрозрачности их работы, что может оказаться серьезнее технических проблем. Отсутствие координации между бизнесом, ИТ- и compliance-подразделениями, а также непонимание бизнес-логики часто приводят к тому, что даже успешные пилотные проекты ИИ не внедряются в реальные бизнес-процессы.
• Совокупные затраты: Для бизнеса за пределами ИТ-сегмента ключевыми барьерами являются совокупные затраты на подготовку данных, интеграцию и безопасность, а также необходимость адаптации бизнес-процессов.

Использование методов искусственного интеллекта для структурной адаптации распределенных баз данных также вызывает проблемы, требующие дальнейших исследований и разработок, включая особенности распределенного хранения, конфиденциальность, отказоустойчивость и эффективные алгоритмы для больших объемов данных. Все эти вызовы подчеркивают необходимость глубокого переосмысления архитектуры баз данных и подходов к управлению информацией в эпоху доминирования искусственного интеллекта.

Эволюция подходов к интеграции ИИ с базами данных и современные архитектурные решения

Интеграция ИИ в архитектуру баз данных означает начало эры интеллектуальных решений для управления данными. Эта интеграция не просто объединяет две технологии; она создает мощный синергетический эффект, трансформируя базы данных из пассивных хранилищ в активные, самооптимизирующиеся и интеллектуально-управляемые системы.

Отдельные системы к интеллектуальным решениям

Исторически, базы данных и системы ИИ часто существовали как отдельные сущности, обмениваясь данными через сложные ETL-процессы. Однако по мере роста сложности задач и объемов данных стало очевидно, что такой подход неэффективен. AI-технологии, такие как машинное обучение (МО), глубокое обучение (ГО) и обработка естественного языка (ОЕЯ), расширяют функционал баз данных, позволяя им автоматически анализировать данные, прогнозировать и принимать взвешенные решения. Что это означает для практики? Это позволяет БД самостоятельно выявлять аномалии, предлагать корректировки и улучшать качество хранимой информации, превращаясь из «сырьевого склада» в «интеллектуального помощника», значительно сокращая ручной труд и повышая надежность.

Встраивание машинного обучения в СУБД расширяет возможности курирования данных за счет автоматизации контроля качества, гармонизации, усвоения и обогащения, помогая создавать точные модели данных.

Инновационные подходы к управлению данными для ИИ

Появление новых подходов, таких как NoSQL и NewSQL, было прямым ответом на разнообразные и масштабируемые потребности приложений, не справляющихся с ограничениями традиционных реляционных СУБД. Эти инновации привели к значительным улучшениям в управлении данными для ИИ:

• NoSQL и NewSQL: Обе модели предлагают горизонтальную масштабируемость, что критически важно для работы с большими данными, используемыми в ИИ. NoSQL обеспечивает гибкость схемы для неструктурированных и полуструктурированных данных, в то время как NewSQL сохраняет гарантии ACID и поддержку SQL, предлагая высокопроизводительные транзакционные системы, которые могут масштабироваться. NewSQL системы могут использовать кластеры SQL из нескольких физических узлов для хранения и обработки больших объемов данных, обеспечивая масштабируемость и горизонтальную группировку.
• Самооптимизация и предиктивное кэширование: Концепции ИИ (МО, ГО, ОЕЯ) привели к улучшению расширенных функций и оптимизации эффективности в современных СУБД. Машинное обучение позволяет в разы уменьшить время обработки запросов в СУБД за счет оптимизации плана их выполнения. Предиктивное кэширование и интерфейсы на естественном языке позволяют базам данных работать автономно, предсказывая потребности пользователей и оптимизируя доступ к данным.
• Автоматизированная очистка данных: ИИ-системы могут помочь в очистке данных, обнаруживая аномалии и предлагая корректировки, что существенно снижает трудозатраты и повышает качество обучающих выборок для моделей ИИ.
• AIOps-платформы: Это яркий пример использования ИИ для управления ИТ-инфраструктурой. AIOps-платформы превращают мониторинг ИТ-систем из наблюдателя в активного участника, снижая риски простоев и повышая эффективность инфраструктуры. Они автоматизируют расчет базовых линий метрик, определяют динамичные нормы и уведомляют об существенных отклонениях, используя предиктивную аналитику.

Разнообразие задач, решаемых с помощью информационных систем, привело к появлению множества разнотипных систем, различающихся принципами построения и правилами обработки информации. Это вызвало необходимость организации информационных процессов и технологий с использованием системного подхода, в основу которого положена архитектура информационных систем.

Векторные базы данных как ключевой элемент современных ИИ-архитектур

Векторные базы данных представляют собой одну из наиболее значимых инноваций в управлении данными для ИИ. Они позволяют создавать индексы, охватывающие весь объем данных, и легко находить «близкие» векторы, что ранее требовало самостоятельных приложений. Эта способность к эффективному поиску сходства является фундаментом для таких передовых ИИ-архитектур, как Retrieval-Augmented Generation (RAG).

В RAG-системах векторные базы данных позволяют большим языковым моделям (БЯМ) «заглядывать» во внешние, актуальные источники информации. Когда пользователь задает вопрос, его запрос преобразуется в вектор, который затем используется для поиска наиболее релевантных документов или фрагментов данных в векторной базе. Эти извлеченные данные передаются БЯМ вместе с исходным запросом, что позволяет модели генерировать более точные, обоснованные и актуальные ответы, снижая при этом риски «галлюцинаций».

Таким образом, эволюция подходов к интеграции ИИ с базами данных движется в сторону создания более автономных, интеллектуальных и масштабируемых систем, способных не только хранить данные, но и активно участвовать в процессах обучения, оптимизации и принятия решений. Эти архитектурные решения являются ключом к разблокированию полного потенциала искусственного интеллекта в самых разнообразных областях.

Сравнительный анализ моделей баз данных для задач ИИ

Выбор подходящей модели базы данных для системы искусственного интеллекта — это стратегическое решение, которое зависит от множества факторов: типа данных, требуемой скорости обработки, масштабируемости, требований к целостности и согласованности, а также бюджета. Каждая модель обладает уникальным набором преимуществ и недостатков, которые необходимо тщательно взвесить.

Реляционные БД

• Преимущества:
  • Целостность данных: Реляционные базы данных обеспечивают высокую степень целостности данных с помощью строгих ограничений (первичные и внешние ключи, уникальные индексы, CHECK-ограничения), что критически важно для приложений, где точность и надежность данных являются приоритетом (например, финансовые системы, учетные системы).
  • Мощные SQL-запросы: Язык SQL предоставляет богатый набор инструментов для выборки, фильтрации, сортировки, объединения и агрегации данных, что делает реляционные БД удобными для сложной аналитики и отчетности.
  • Зрелость и распространенность: Реляционные СУБД (PostgreSQL, MySQL, Oracle, SQL Server) хорошо изучены, имеют обширную документацию, большое сообщество и множество инструментов для администрирования.
• Недостатки:
  • Проблемы масштабируемости: Для горизонтального масштабирования реляционных СУБД требуются сложные архитектурные решения (шардинг, репликация), которые могут быть дорогими и трудными в реализации.
  • Обработка в реальном времени: Жесткая схема и транзакционные издержки могут замедлять обработку высокоскоростных потоков данных, необходимых для ИИ-систем реального времени.
  • Неструктурированные данные: Реляционные БД плохо подходят для хранения и обработки неструктурированных или полуструктурированных данных (текст, изображения, видео, JSON-документы) из-за своей строгой, заранее определенной схемы.

NoSQL БД

• Преимущества:
  • Гибкость схемы: Отсутствие жесткой схемы данных позволяет хранить разнообразные типы данных без предварительной структуры, что идеально подходит для быстро меняющихся потребностей ИИ-проектов и работы с Big Data.
  • Горизонтальная масштабируемость: NoSQL базы данных изначально спроектированы для горизонтального масштабирования, что позволяет легко добавлять новые узлы для увеличения производительности и объема хранения.
  • Эффективная обработка больших объемов неструктурированных/полуструктурированных данных: Идеально подходят для хранения веб-логов, данных социальных сетей, показаний датчиков IoT, что часто встречается в задачах ИИ.
• Недостатки:
  • Отсутствие гарантий ACID: Многие NoSQL системы жертвуют строгими гарантиями ACID транзакций в пользу доступности и масштабируемости (согласно теореме CAP). Это может быть критично для приложений, требующих высокой согласованности данных.
  • Отсутствие SQL: Использование различных API и языков запросов вместо универсального SQL может увеличить кривую обучения для разработчиков и усложнить интеграцию.
  • Неэффективность в средах с низкими спецификациями: В некоторых случаях, NoSQL не так хорошо работает в средах с низкими спецификациями, как NewSQL, из-за накладных расходов на распределенную архитектуру.

NewSQL БД

• Преимущества:
  • Сочетание масштабируемости NoSQL с гарантиями ACID и SQL: NewSQL стремятся объединить лучшее от обоих миров, предлагая горизонтальную масштабируемость для OLTP-нагрузок, сохраняя при этом целостность данных и привычный язык SQL.
  • Сильная согласованность и аналитика в реальном времени: Подходят для приложений, где требуется высокая согласованность данных и оперативный анализ.
• Недостатки:
  • Сложность настройки, обслуживания и устранения неполадок: Распределенная архитектура и расширенные функции NewSQL баз данных могут усложнить их развертывание и управление.

Векторные БД

• Преимущества:
  • Специализация для высокоразмерных данных: Целенаправленно разработаны для эффективного хранения и поиска векторов, что является их главным преимуществом.
  • Эффективный поиск сходства: Позволяют быстро находить семантически близкие данные, что лежит в основе многих современных ИИ-приложений, таких как RAG-системы, рекомендательные сервисы, семантический поиск.
  • Основа для RAG-архитектур: Критически важны для повышения точности и актуальности ответов больших языковых моделей.
• Недостатки:
  • Требуют преобразования данных в векторы: Для использования векторных баз данных все входные данные должны быть предварительно преобразованы в векторные представления с помощью специализированных моделей (энкодеров/эмбеддеров), что добавляет дополнительный шаг в конвейер обработки данных.

Объектно-ориентированные БД

• Преимущества:
  • Реализация сложных типов данных: Естественное представление и хранение сложных объектов, соответствующих концепциям объектно-ориентированного программирования.
  • Связь с языками программирования: Упрощают разработку, поскольку объекты могут быть напрямую сохранены и извлечены из БД без необходимости преобразования в реляционную модель.
  • Поддержка наследования и полиморфизма: Позволяют создавать гибкие и расширяемые модели данных.
• Недостатки:
  • Поиск по сходству между объектами: В классическом понимании поиск в объектно-ориентированной БД заключается в выяснении сходства между заданным пользователем объектом и объектами, хранящимися в БД. Для более сложных, высокоразмерных векторных представлений может потребоваться интеграция с векторными БД.

Выбор базы данных сильно зависит от контекста и определяется характеристиками рабочей нагрузки (OLTP — Online Transaction Processing, OLAP — Online Analytical Processing, HTAP — Hybrid Transactional/Analytical Processing), пороговыми значениями задержки, требованиями к согласованности и инфраструктурными ограничениями. В условиях, когда ИИ-системы становятся всё более разнообразными, гибкий подход к выбору и комбинации различных моделей баз данных является залогом успеха.

Тенденции и перспективы развития баз данных, оптимизированных для поддержки ИИ

Эволюция взаимодействия между системами искусственного интеллекта и базами данных не останавливается, а, напротив, ускоряется, порождая новые тенденции и открывая захватывающие перспективы. Глобальный рынок ИИ-решений демонстрирует устойчивый рост, что подталкивает к постоянным инновациям в области управления данными.

Расширение функционала СУБД с помощью ИИ

Одной из ключевых тенденций является все более глубокая интеграция ИИ-концепций (МО, ГО, ОЕЯ) непосредственно в функционал СУБД. Это приводит к созданию «интеллектуальных» баз данных, способных к самооптимизации и автономному управлению:

• Самонастройка и оптимизация запросов: ИИ-алгоритмы используются для анализа шаблонов запросов, динамического создания и удаления индексов, оптимизации планов выполнения запросов, что значительно повышает производительность СУБД без вмешательства администратора.
• Предиктивное кэширование: Системы ИИ могут анализировать исторические данные о доступе к информации и предсказывать, какие данные, скорее всего, понадобятся в будущем, заранее загружая их в кэш. Это снижает задержки и ускоряет отклик приложений.
• Интерфейсы на естественном языке: Развитие ОЕЯ позволяет взаимодействовать с базами данных с помощью естественного языка, что демократизирует доступ к данным и делает их более доступными для широкого круга пользователей, не владеющих SQL.
• Автоматическая очистка данных: ИИ все чаще применяется для автоматического обнаружения аномалий, исправления ошибок, заполнения пропущенных значений и стандартизации данных, что критически важно для качества обучающих выборок ИИ-моделей. Это снижает трудозатраты и повышает достоверность информации.

Развитие специализированных моделей баз данных

Параллельно с расширением функционала существующих СУБД наблюдается развитие и совершенствование специализированных моделей баз данных:

• Усиление роли векторных баз данных: Векторные БД продолжат доминировать в задачах, связанных с семантическим поиском, рекомендательными системами и, особенно, с архитектурами Retrieval-Augmented Generation (RAG) для больших языковых моделей. Их развитие будет направлено на повышение скорости поиска, масштабируемости и устойчивости к высокоразмерным пространствам.
• Исследования в области структурной адаптации распределенных баз данных с использованием ИИ: С учетом постоянно меняющихся нагрузок и требований к данным, ИИ-методы будут применяться для динамической адаптации структуры распределенных баз данных, оптимизации их размещения, репликации и шардинга. Это включает решение сложных проблем, таких как обеспечение конфиденциальности, отказоустойчивости и эффективных алгоритмов для больших объемов данных в распределенных средах.

Системы гибридного и распределенного интеллекта

Перспективы развития тесно связаны с концепцией гибридного интеллекта, где человек и машина работают в тесной связке, усиливая друг друга. Следующим уровнем в развитии гибридных систем могут стать распределенные интеллектуальные системы, представляющие мультиагентный подход. В такой архитектуре каждый функциональный интеллектуальный модуль (агент) работает автономно и взаимодействует с другими модулями путем передачи сообщений через сеть. Это позволит создавать более отказоустойчивые, масштабируемые и гибкие ИИ-системы, способные решать комплексные задачи в динамичных средах.

В целом, будущее баз данных для поддержки ИИ будет характеризоваться глубокой синергией, где СУБД становятся не просто хранилищами, а активными, самообучающимися компонентами интеллектуальных систем, способными адаптироваться, оптимизироваться и предоставлять данные с беспрецедентной эффективностью и интеллектуальностью. Акцент на качество данных и постоянное развитие специализированных моделей будет оставаться приоритетом, обеспечивая функциональность и безопасность систем ИИ в долгосрочной перспективе.

Заключение

В эпоху, когда системы искусственного интеллекта проникают во все сферы нашей жизни, их неразрывная связь с моделями организации баз данных становится не просто технической необходимостью, а фундаментальным условием для дальнейшего прогресса. Мы проследили путь от классических иерархических и реляционных систем, заложивших основы структурированного хранения, до инновационных NoSQL, NewSQL и векторных баз данных, созданных для преодоления вызовов Больших Данных и высокоразмерных представлений.

Системы ИИ, от простых экспертных систем до сложных нейронных сетей и генеративных моделей, предъявляют беспрецедентные требования к хранению, обработке и качеству данных. Масштабируемость, способность работать с неструктурированными данными в реальном времени, а также критическая важность устранения алгоритмической предвзятости и обеспечения достоверности информации — все это формирует ландшафт вызовов, на которые индустрия баз данных отвечает стремительными инновациями.

Мы увидели, как ИИ-концепции инкорпорируются в сами СУБД, создавая самооптимизирующиеся системы с предиктивным кэшированием и интерфейсами на естественном языке. Отдельно была подчеркнута возрастающая роль векторных баз данных, ставших краеугольным камнем для таких передовых архитектур, как Retrieval-Augmented Generation (RAG), которые позволяют большим языковым моделям преодолевать ограничения собственных знаний и извлекать актуальную информацию из внешних источников.

Сравнительный анализ показал, что не существует универсального решения: выбор модели базы данных всегда является компромиссом, определяемым спецификой задачи ИИ, требуемой производительностью, масштабируемостью и требованиями к согласованности. Однако общая тенденция указывает на развитие гибридных и распределенных интеллектуальных систем, где различные модели данных сосуществуют и дополняют друг друга, а ИИ выступает не только потребителем, но и активным оптимизатором процессов управления данными.

В конечном итоге, эффективная синергия между искусственным интеллектом и базами данных является ключом к будущему прогрессу в информационных технологиях. Развитие этой взаимосвязи обещает не только более мощные и интеллектуальные системы, но и более надежное, адаптируемое и прозрачное управление огромными объемами информации, что необходимо для создания справедливого и эффективного цифрового мира.

Список использованной литературы

1. Липский, В. Комбинаторика для программиста. — М.: Мир, 2008. — 250 с.
2. Лорьер, Жан-Луи. Системы искусственного интеллекта. — М.: Мир, 2010. – 568 с.
3. Ревунков, Г. И. Базы и банки данных и знаний: Учеб. для вузов / Г.И. Ревунков, Э.Н. Самохвалов, В.В. Чистов; под ред. В.Н. Четверикова. – М.: Высш. шк., 2009. – 367 с.
4. Тиори, Т. Проектирование структур баз данных: В 2 кн. / Т. Тиори, Дж. Фрай. – М.: Мир, 2010. – 320 с.
5. ПОНЯТИЕ СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ИХ КЛАССИФИКАЦИЯ // CyberLeninka. URL: https://cyberleninka.ru/article/n/ponyatie-sistem-iskusstvennogo-intellekta-i-ih-klassifikatsiya (дата обращения: 29.10.2025).
6. Enhancing Database Architectures with Artificial Intelligence (AI) // ResearchGate. 2024. URL: https://www.researchgate.net/publication/390977274_Enhancing_Database_Architectures_with_Artificial_Intelligence_AI (дата обращения: 29.10.2025).
7. Искусственный интеллект меняет мир СУБД // Открытые системы. 2023. URL: https://www.osp.ru/os/2023/08/13058869/ (дата обращения: 29.10.2025).
8. ИСПОЛЬЗОВАНИЕ СУБД В ПРОЕКТАХ МАШИННОГО ОБУЧЕНИЯ И АНАЛИЗА ДАННЫХ // CyberLeninka. URL: https://cyberleninka.ru/article/n/ispolzovanie-subd-v-proektah-mashinnogo-obucheniya-i-analiza-dannyh (дата обращения: 29.10.2025).
9. СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА. URL: https://asu.tusur.ru/sites/default/files/textbook/sii.pdf (дата обращения: 29.10.2025).
10. Искусственный интеллект: сущность, принципы работы, области применения // eLibrary.ru. URL: https://www.elibrary.ru/item.asp?id=59938805 (дата обращения: 29.10.2025).
11. Функциональность и безопасность систем искусственного интеллекта: качество данных // Открытые системы. 2024. URL: https://www.osp.ru/os/2024/04/13060731/ (дата обращения: 29.10.2025).
12. Data management of AI-powered education technologies: Challenges and opportunities // ResearchGate. 2023. URL: https://www.researchgate.net/publication/372555610_Data_management_of_AI-powered_education_technologies_Challenges_and_opportunities (дата обращения: 29.10.2025).
13. AI Fairness in Data Management and Analytics: A Review on Challenges, Methodologies and Applications // MDPI. 2024. URL: https://www.mdpi.com/2079-9292/13/18/3953 (дата обращения: 29.10.2025).
14. СРАВНЕНИЕ ТРАДИЦИОННЫХ МЕТОДОВ АНАЛИЗА ДАННЫХ С СОВРЕМЕННЫМИ ПОДХОДАМИ НА ОСНОВЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА // CyberLeninka. URL: https://cyberleninka.ru/article/n/sravnenie-traditsionnyh-metodov-analiza-dannyh-s-sovremennymi-podhodami-na-osnove-iskusstvennogo-intellekta (дата обращения: 29.10.2025).
15. Сравнительный анализ эффективности различных моделей машинного обучения в задачах генерации контента // CyberLeninka. URL: https://cyberleninka.ru/article/n/sravnitelnyy-analiz-effektivnosti-razlichnyh-modeley-mashinnogo-obucheniya-v-zadachah-generatsii-kontenta (дата обращения: 29.10.2025).
16. Data management challenges in international projects applications of AI and machine learning for enhanced accuracy // ResearchGate. 2024. URL: https://www.researchgate.net/publication/383180470_Data_management_challenges_in_international_projects_applications_of_AI_and_machine_learning_for_enhanced_accuracy (дата обращения: 29.10.2025).
17. Искусственный интеллект и использование баз данных как объектов смежных прав // Lex Russica. URL: https://lexrussica.msal.ru/jour/article/view/2822 (дата обращения: 29.10.2025).
18. СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ ОБРАБОТКИ ДАННЫХ В БД // CyberLeninka. URL: https://cyberleninka.ru/article/n/sravnitelnyy-analiz-metodov-obrabotki-dannyh-v-bd (дата обращения: 29.10.2025).
19. ПРОБЛЕМЫ ИСПОЛЬЗОВАНИЯ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ИНТЕРЕСАХ СТРУКТУРНОЙ АДАПТАЦИИ РАСПРЕДЕЛЕННОЙ БАЗЫ ДАННЫХ // Труды СПбГМТУ. 2024. URL: https://www.smtu.ru/sites/default/files/upload/trudi_vypuski/2024/trudy_spbgmtu_11_2024.pdf#page=110 (дата обращения: 29.10.2025).
20. Системная архитектура информационных систем: Учебное пособие. URL: http://irgau.ru/images/uch_posob/sist_arh_inf_sist.pdf (дата обращения: 29.10.2025).
21. Архитектура информационных систем. Учебное пособие. URL: https://knorus.ru/catalog/informatika-i-vychislitelnaya-tekhnika/arkhitektura-informatsionnykh-sistem-uchebnoe-posobie-dlya-bakalavriata-1250150/ (дата обращения: 29.10.2025).
22. Галимьянов, А. Ф. АРХИТЕКТУРА ИНФОРМАЦИОННЫХ СИСТЕМ / А.Ф. Галимьянов, Ф.А. Галимьянов. URL: https://kpfu.ru/portal/docs/F_2039912163/Galimyanov_A.F._Galimyanov_F.A._Arhitektura_informacionnyh_sistem.pdf (дата обращения: 29.10.2025).
23. АРХИТЕКТУРА ИНФОРМАЦИОННЫХ СИСТЕМ: учебник. URL: https://www.academkniga.ru/upload/iblock/c34/c34685ff868021a81123d45e054457e5.pdf (дата обращения: 29.10.2025).
24. БАЗЫ ДАННЫХ: МОДЕЛИ ДАННЫХ, ПРОЕКТИРОВАНИЕ, ЯЗЫК SQL: учеб. пособие. URL: https://core.ac.uk/download/pdf/196603399.pdf (дата обращения: 29.10.2025).
25. Базы данных и СУБД: — Основные понятия, модели и объекты БД // iKnigi.net. URL: https://iknigi.net/avtor-sv-simonovich/133036-bazy-dannyh-i-subd-osnovnye-ponyatiya-modeli-i-obekty-bd-s-v-simonovich/read/page-1.html (дата обращения: 29.10.2025).
26. МФК — МГУ. URL: https://mfk.msu.ru/courses/831/ (дата обращения: 29.10.2025).
27. NewSQL — новый шаг в развитие BigData // CyberLeninka. URL: https://cyberleninka.ru/article/n/newsql-novyy-shag-v-razvitie-bigdata (дата обращения: 29.10.2025).
28. NoSQL Database Technologies // ScholarWorks. 2023. URL: https://scholarworks.lib.csusb.edu/jitim/vol24/iss1/2/ (дата обращения: 29.10.2025).
29. NewSQL: Towards Next-Generation Scalable RDBMS for Online Transaction Processing (OLTP) for Big Data Management // ArXiv. 2018. URL: https://arxiv.org/pdf/1805.00890 (дата обращения: 29.10.2025).
30. Features and Conceptual Design of NoSQL Database Modeling // Scholar J Publishing. URL: https://scholarjpublishing.com/index.php/ait/article/view/10046 (дата обращения: 29.10.2025).
31. NoSQL Database Modeling and Management: A Systematic Literature Review // OUCI. URL: https://ouci.dnt.uns.ac.rs/record/32231/files/JITM_Vol_68_Issue_1_pp_50-62.pdf (дата обращения: 29.10.2025).
32. БАЗЫ ДАННЫХ SQL И NOSQL // CyberLeninka. URL: https://cyberleninka.ru/article/n/bazy-dannyh-sql-i-nosql (дата обращения: 29.10.2025).
33. NewSQL Databases // Semantic Scholar. URL: https://www.semanticscholar.org/paper/NewSQL-Databases-Louren%C3%A7o-Salgado/3b5930e1136b6d2e67f701c905edfd013093fc4d (дата обращения: 29.10.2025).
34. What’s really new with NewSQL? // ResearchGate. 2024. URL: https://www.researchgate.net/publication/383042456_What’s_really_new_with_NewSQL (дата обращения: 29.10.2025).
35. Bridging the Scalability-Consistency Divide: Innovations in NewSQL and NoSQL for High-Performance Data Management // IJRPR. URL: https://www.ijrpr.com/uploads/V6I6/IJRPRA20455.pdf (дата обращения: 29.10.2025).
36. БАЗЫ ДАННЫХ NOSQL И ИХ ВИДЫ // CyberLeninka. URL: https://cyberleninka.ru/article/n/bazy-dannyh-nosql-i-ih-vidy (дата обращения: 29.10.2025).
37. СРАВНИТЕЛЬНЫЕ ХАРАКТЕРИСТИКИ SQL И NOSQL СУБД, ВЛИЯЮЩИЕ НА РАЗРАБОТКУ ПРИЛОЖЕНИЙ БАЗ ДАННЫХ // Top-Technologies.ru. URL: https://top-technologies.ru/ru/article/view?id=39236 (дата обращения: 29.10.2025).