використання мікросервісної архітектури та контейнерів Docker забезпечує гнучкість системи та її легку інтеграцію з іншими сервісами, як-от Binance для ринкових даних та Telegram для спілкування з користувачами. Використання нейронних мереж для прогнозування ринку криптовалют стає все більш популярним. Нейронні мережі можуть аналізувати великі обсяги даних і виявляти складні закономірності, які можуть бути невидимі для людини. Вони можуть використовуватися для аналізу технічних показників, таких як цінові графіки та обсяги торгів, а також для врахування фундаментальних факторів, таких як новини та події у криптосфері.

Прогнозування за допомогою нейронних мереж включає в себе кілька кроків. Спочатку дані збираються та підготовлюються для подальшого аналізу. Потім створюється модель нейронної мережі, яка може бути навчена на історичних даних та потім використовується для прогнозування майбутніх цін. Після цього модель перевіряється на тестових даних для перевірки її точності та ефективності.

Запропонована система сконструйована з незалежних модулів, що легко масштабуються та оновлюються без зупинки загальної системи. Контейнеризація дозволяє динамічно розподіляти ресурси та управляти навантаженням включення більш складних критеріїв, що дозволяє користувачам ефективно здійснювати пошук та сортування даних у великих таблицях.

Діаграма розгортання (рис. 1) показує структуру системи, котра розміщена на хмарному сервері, організованому за допомогою контейнерів Docker, що забезпечує високу гнучкість управління ресурсами та ізоляцію сервісів.

Центральний елемент архітектури — CoreAI, який відповідає за обробку даних і виконання прогнозів, взаємодіє через веб-сокети з біржею Binance для отримання ринкових даних, а також через вебхуки з телеграм-ботом для відправки повідомлень користувачам.

Backend, реалізований на C# із використанням ASP.NET та Entity Framework Core, забезпечує обробку запитів від користувачів та управління даними через RESTful API.

Реляційна база даних MySQL зберігає історичні дані та інформацію про стан та конфігурацію моделей, що дозволяє системі розгортатися та масштабуватися залежно від поточних потреб і обсягу даних.