Сліпченко, Володимир ГеоргійовичЧервоняк, Андрій Богданович2026-01-302026-01-302025Червоняк, А. Б. Методи штучного інтелекту для адаптивної персоналізації веб інтерфейсів у реальному часі : магістерська дис. : 122 Комп’ютерні науки / Червоняк Андрій Богданович. – Київ, 2025. – 92 с.https://ela.kpi.ua/handle/123456789/78559Система персоналізації веб-інтерфейсів — це програмне забезпечення, що використовує методи штучного інтелекту (зокрема, модель MLP) для адаптації UI в реальному часі на основі анонімних сесійних метрик користувача (час взаємодії, кількість секцій, цінність дій). Вона сегментує користувачів на рівні намірів (низький, середній, високий), генерує JSON-конфігурації для зміни порядку секцій, тексту та функцій, забезпечуючи підвищення залученості без персональних даних. Розроблено на Python (FastAPI, scikit-learn) для backend та Next.js (React, TypeScript) для frontend, з latency <100 мс та GDPR-сумісністю.Актуальність теми. У сучасному цифровому середовищі статичні веб-інтерфейси не враховують індивідуальні потреби користувачів, що призводить до зниження залученості та конверсії. Методи штучного інтелекту дозволяють створювати адаптивні інтерфейси, які динамічно налаштовуються під поведінку в реальному часі, без використання персональних даних. Критичний аналіз показує обмеженість rule-based систем та залежність сучасних рішень (Amazon, Netflix) від історичних даних, що робить актуальним розробку анонімної реал-тайм персоналізації на основі сесійних метрик. Мета роботи. Визначення ефективних методів штучного інтелекту для адаптивної персоналізації веб-інтерфейсів у реальному часі та встановлення їх практичної застосовності для підвищення показників залученості користувачів. Завдання дослідження. Дослідження підходів до персоналізації та ML-методів класифікації намірів; аналіз датасету поведінки онлайн-покупців з feature engineering; розробка та порівняння шести ML-моделей для сегментації; проектування архітектури real-time системи з інтеграцією ML; реалізація ПЗ з збором даних, API інференсу та адаптацією UI. Об’єкт дослідження. Процес моделювання поведінки користувачів веб-інтерфейсів для прогнозування намірів та сегментації на основі анонімних сесійних даних. Предмет дослідження. Методи машинного навчання для класифікації користувачів за рівнем наміру та алгоритми динамічної адаптації компонентів веб-інтерфейсу в реальному часі. Методи дослідження. Аналітичні: порівняльний аналіз шести алгоритмів ML за метриками accuracy, F1-score, AUC-ROC, аналіз важливості ознак Random Forest. Експериментальні: навчання моделей на датасеті "Online Shoppers Purchasing Intention" зі стратифікованим поділом 80/20, SMOTE-балансуванням, StandardScaler-масштабуванням. Моделювання: розробка RESTful API на FastAPI (latency <100 мс), архітектура Clean Architecture, збір даних Intersection Observer API та sessionStorage. Апробація результатів роботи. Результати апробовано під час переддипломної практики на кафедрі цифрових технологій в енергетиці КПІ ім. І. Сікорського, з демонстрацією системи та оцінкою продуктивності. Структура та обсяг магістерської дисертації. Робота складається з вступу, чотирьох розділів, висновків, списку джерел (26 позицій) та додатків. Обсяг - 91 сторінка, 18 рисунків, 15 таблиць. Публікації. Публікація представлена на 23-й Міжнародній науково-практичній конференції «Математичне та програмне забезпечення інтелектуальних систем»92 с.ukперсоналізація веб-інтерфейсівмашинне навчанняmlp-модельреал-тайм адаптаціясесійні метрикиsmote-балансуванняfastapinext.jsgdpr-complianceux-оцінкаweb interface personalizationmachine learningmlp modelreal-time adaptationsession metricssmote balancinggdpr complianceux evaluationMaster Thesis