Ткаченко, Ольга МиколаївнаОльга МиколаївнаТкаченкоЛемешко, АндрійАндрійЛемешко2026-03-132026-03-132025-11-17Ткаченко, О., & Лемешко, А. (2025). Оптимізація обсягу метаданих у сучасних інформаційних системах: методи, інструменти й алгоритмічні підходи. Сучасні інформаційні технології, (1), 6–11. https://doi.org/10.17721/AIT.2025.1.01УДК 004.610.17721/AIT.2025.1.01https://ir.library.knu.ua/handle/15071834/12513B a c k g r o u n d. The study of metadata volume optimization aims to achieve a balance between the sufficiency of description and system efficiency. Excessive metadata can overload systems, and insufficient metadata can complicate data access. At the same time, the growing volume of data complicates work with metadata, since its creation, storage and processing require significant resources. Metadata volume optimization has become an important task for organizations seeking to achieve effective information management. Challenges associated with metadata volume: redundancy, insufficiency, duplication, data dynamics, non-compliance with standards. M e t h o d s. The paper considers the theoretical foundations, practical methods, tools (Collibra, Apache Atlas, Talend Metadata Manager, AI algorithms) and the benefits of metadata volume optimization (cost reduction, improved productivity, improved data quality, flexibility and scalability, improved analytics). R e s u l t s. The paper proposes a comprehensive metadata optimization strategy adapted for the IT environment. It is shown that the use of a systematic approach, including analysis, standardization, automation and integration of the latest technologies, allows to significantly reduce costs and improve data management. An algorithm for optimizing the volume of metadata is presented, which can be adapted for various application areas, such as databases, content management systems or big data. The proposed algorithm takes into account the assessment of metadata usefulness using metric normalization to unify evaluation scales and determine the usefulness of each metadata element; metadata selection (filtering, clustering); metadata compression; automatic optimization using machine learning models and dynamic tuning; verification and adaptation. The algorithm can be expanded or modified depending on the specifics of the task. C o n c l u s i o n s. The proposed algorithm takes into account: metadata usefulness assessment using metric normalization to unify evaluation scales and determine the usefulness of each metadata element; metadata selection (filtering, clustering); metadata compression; automatic optimization using machine learning models and dynamic tuning; testing and adaptation. The algorithm can be expanded or modified depending on the specifics of the task.В с т у п. Дослідження питання оптимізації обсягу метаданих спрямовано на досягнення балансу між достатністю опису й ефективністю системи. Надмірний обсяг метаданих може перевантажувати системи, а недостатній – ускладнювати доступ до даних. Водночас зростаючий обсяг даних ускладнює роботу з метаданими, оскільки їхнє створення, зберігання та оброблення вимагають значних ресурсів. Оптимізація обсягу метаданих стала важливим завданням для організацій, які прагнуть досягти ефективного управління інформацією. Виклики, пов'язані з обсягом метаданих: надмірність, недостатність, дублювання, динамічність даних, невідповідність стандартам. М е т о д и. Розглянуто теоретичні основи, практичні методи, інструменти (Collibra, Apache Atlas, Talend Metadata Manager, AI-алгоритми) та переваги оптимізації обсягу метаданих (зменшення витрат, покращення продуктивності, підвищення якості даних, гнучкість і масштабованість, покращення аналітики). Р е з у л ь т а т и. Запропоновано комплексну стратегію оптимізації метаданих, адаптовану для ІТ-середовища. Показано, що використання систематичного підходу, включаючи аналіз, стандартизацію, автоматизацію та інтеграцію новітніх технологій, дає змогу значно зменшити витрати та покращити керування даними. Представлено алгоритм оптимізації обсягу метаданих, що може бути адаптований для різних сфер застосування, таких як бази даних, системи управління контентом чи великі дані. В и с н о в к и. Запропонований алгоритм враховує: оцінювання корисності метаданих із використанням нормалізації метрик для уніфікації шкал оцінювання та з визначенням корисності кожного елемента метаданих; відбір метаданих (фільтрація, кластеризація); стиснення метаданих; автоматичну оптимізацію з використанням моделей машинного навчання та динамічного налаштування; перевірку й адаптацію. Алгоритм може бути розширений або змінений залежно від специфіки задачі.ukmetadataoptimizationmanagementinformationdynamismadaptabilityrelevanceperformancequalityalgorithmcompressionметаданіоптимізаціяуправлінняінформаціядинамічністьадаптивністьрелевантністьпродуктивністьякістьалгоритмстисненняСтаття