Досліджено концептуальні підходи до розробки інтегрованих систем підтримки прийняття рішень у реальному часі, які базуються на аналізі слабоструктурованих даних за допомогою нейронних мереж. Запропоновано методи адаптивного навчання, що дають змогу нейронним мережам ефективно обробляти дані в умовах постійних змін. Методологія дослідження включала моделювання архітектури реального часу з використанням мікросервісного підходу та платформ для потокової обробки даних, таких як Apache Kafka і Apache Flink. Висвітлено роль нейронних мереж у роботі з потоковими даними, зокрема згорткових мереж для обробки візуальної інформації, рекурентних мереж для аналізу послідовностей і трансформерів для багатоканального аналізу. Розроблено архітектурні рішення, які дозволяють обробляти великі обсяги даних із мінімальними затримками, забезпечуючи точність і адаптивність систем. Представлено підходи до реалізації адаптивного навчання нейронних мереж, що мінімізують ризики втрати релевантності моделі в динамічному середовищі. Використання сучасних технологій, таких як штучні нейронні мережі, адаптивне навчання та інтеграція з Інтернетом речей, дозволяє створювати ефективні системи для оперативного реагування на надзвичайні події. Запропоновані методи сприяють підвищенню ефективності управління у складних умовах і відкривають нові перспективи для інновацій у різних галузях.