Цель исследования заключается в разработке нового архитектурного решения, обеспечивающего внедрение моделей потокового машинного обучения на основе методов и алгоритмов потоковой обработки многомодальных данных и машинного обучения в потоковой интеллектуальной образовательной системе для повышения персонализации образовательного процесса и автоматической адаптации учебных материалов под уровень знаний обучающихся в реальном времени. В работе описаны процессы передачи и обработки данных из различных многомодальных источников в модель потокового машинного обучения. Для нормализации данных применяется адаптивный метод скользящих окон, позволяющий корректно обрабатывать непрерывный поток информации с учетом временной синхронизации. Особое внимание в исследовании уделено вопросу контроля использования оперативной памяти для обеспечения стабильного функционирования системы в условиях ограниченности вычислительных ресурсов в образовательных организациях. Экспериментальные результаты, визуализированные на графиках и в таблице, демонстрируют эффективность интеграции нескольких алгоритмов потокового машинного обучения, таких как адаптивный случайный лес, инкрементальный алгоритм дерева решений для задач классификации и регрессии, в единую модель. Предложенная архитектура, которая сопровождается схемой, характеризуется высокой масштабируемостью, легкостью интеграции с существующими образовательными платформами и адаптивностью к изменяющимся условиям использования, что открывает перспективы дальнейших исследований и практического применения в образовательных технологиях.