АРХІТЕКТУРНІ ПІДХОДИ ДО ПОБУДОВИ МАСШТАБОВАНИХ СИСТЕМ ГОЛОСОВОЇ ІДЕНТИФІКАЦІЇ ТА ЇХ ВПЛИВ НА ЕКОНОМІКУ ІТ-ПРОЄКТУ

Автор(и)

DOI:

https://doi.org/10.31732/2663-2209-2025-80-199-211

Ключові слова:

голосова ідентифікація, мікросервісна архітектура, хмарні обчислення, CAPEX, OPEX, SLA, TCO, ML-фреймворки

Анотація

У статті досліджуються архітектурні підходи до побудови масштабованих систем голосової ідентифікації та їхній вплив на економіку ІТ-проєктів у сфері менеджменту та розробки програмного забезпечення. Актуальність теми зумовлена стрімким зростанням ринку голосових сервісів і потребою бізнесу одночасно забезпечувати високу точність біометричної аутентифікації, дотримання SLA щодо затримок та доступності, а також контроль сукупної вартості володіння (TCO). Теоретичною основою дослідження є сучасні роботи з побудови систем голосової біометрії, мікросервісних та хмарно-нативних архітектур, а також підходи до управління витратами CAPEX/OPEX для хмарних ІТ-рішень. Метою статті є розроблення концептуальної моделі зіставлення архітектурних рішень (монолітна vs мікросервісна архітектура, on-premise vs хмарне розгортання, використання сучасних ML-фреймворків) з ключовими економічними показниками ІТ-проєкту (CAPEX, OPEX, TCO, економія від масштабування, ризики недотримання SLA). Методологія дослідження ґрунтується на системному аналізі наукових джерел, порівняльному аналізі архітектурних альтернатив, формалізації економічних залежностей та побудові узагальненої моделі витрат для різних сценаріїв розгортання систем голосової ідентифікації. Отримані результати включають: структурну модель типової системи голосової ідентифікації; аналітичне порівняння монолітної та мікросервісної архітектур з погляду впливу на CAPEX/OPEX; інтегровану економічну модель оцінки TCO для чотирьох варіантів розгортання: моноліт on-premise, мікросервіси on-premise, моноліт у хмарі (IaaS) та хмарно-нативна/serverless-архітектура. Було показано, що перехід до мікросервісної хмарно-нативної архітектури зменшує частку CAPEX і переводить витрати в більш керований OPEX.

Завантаження

Дані завантаження ще не доступні.

Біографії авторів

Яна Бєлозьорова, Державний університет «Київський авіаційний інститут»

Кандидат технічних наук, доцент кафедри інженерії програмного забезпечення факультету комп’ютерних наук та технології, Державного університету «Київський авіаційний інститут», Київ, Україна

Олег Лукутін, ВНЗ «Університет економіки та права «КРОК»

Старший викладач, Університет «КРОК», Київ, Україна

Посилання

Amzur. (2024). Comparing CapEx & OpEx cloud models: Cloud cost optimization strategy. Amzur.

AWS. (2021). Optimizing enterprise economics with serverless architectures (AWS Whitepaper). Amazon Web Services.

CloudZero. (2023). CapEx vs. OpEx in the cloud: 10 key differences. CloudZero.

Gill, S. S., Singh, I., Chana, I., Buyya, R., et al. (2024). Modern computing: Vision and challenges. Journal of Modern Computing, 1(1), 1–35. [https://www.sciencedirect.com/science/article/pii/S2772503024000021]

Greenberg, C. S., Mason, L. R., Sadjadi, S. O., & Reynolds, D. A. (2020). Two decades of speaker recognition evaluation at the National Institute of Standards and Technology. Computer Speech & Language, 60, 101032. [https://colab.ws/articles/10.1016%2Fj.csl.2019.101032]

Guha, A. (2025, October 6). Building scalable voice AI: From MVP to enterprise. TringTring.AI. [https://tringtring.ai/blog/technical-deep-dive/building-scalable-voice-ai-from-mvp-to-enterprise]

Lee, C., et al. (2024). A systematic literature review on the strategic shift to cloud ERP leveraging microservice architecture and MSPs for resilience and agility. Electronics, 13(14), 2885. [https://www.mdpi.com/2079-9292/13/14/2885]

Liu, Y., et al. (2019). The THUEE system for NIST 2019 speaker recognition evaluation CTS challenge. arXiv preprint arXiv:1912.11585. [https://arxiv.org/pdf/1912.11585]

Microsoft. (2025). Cost efficiency considerations for your cloud adoption strategy. Microsoft Azure Architecture Center.[ https://learn.microsoft.com/en-us/azure/cloud-adoption-framework/strategy/inform/cost-efficiency]

Someshwara Team. (2025, July 11). Building scalable voice AI systems: Best practices and challenges. Someshwara Tech Blog. [https://www.someshwara.com/blog/building-scalable-voice-ai]

TensorFlow. (n.d.). TensorFlow: An end-to-end open source platform for machine learning. Google Open Source.[ https://opensource.google/projects/tensorflow]

PyTorch Foundation. (n.d.). PyTorch: An open source deep learning framework. PyTorch / Linux Foundation AI. [https://ai.meta.com/tools/pytorch]

Google Cloud. (2020, May 15). Principles of cloud cost optimization. Google Cloud Blog. [https://cloud.google.com/blog/topics/cost-management/principles-of-cloud-cost-optimization]

Milvus. (2023). How can microservices architectures benefit audio search applications? Milvus AI Quick Reference. [https://milvus.io/ai-quick-reference/how-can-microservices-architectures-benefit-audio-search-applications]

Downloads

Опубліковано

2025-12-30

Як цитувати

Бєлозьорова, Я., & Лукутін, О. (2025). АРХІТЕКТУРНІ ПІДХОДИ ДО ПОБУДОВИ МАСШТАБОВАНИХ СИСТЕМ ГОЛОСОВОЇ ІДЕНТИФІКАЦІЇ ТА ЇХ ВПЛИВ НА ЕКОНОМІКУ ІТ-ПРОЄКТУ. Вчені записки Університету «КРОК», (4(80), 199–211. https://doi.org/10.31732/2663-2209-2025-80-199-211

Номер

Розділ

Розділ 2. Управління та адміністрування