Sun’iy Intellekt va Raqamli Iqtisodiyot

moslashtiruvchi B-DAD freymvorki ishlab chiqildi. Chakana savdo sohasidagi amaliy tajriba mazkur yondashuv qaror qabul qilishda real qo‘shimcha qiymat (added value) yaratishini tasdiqladi. Kalit so‘zlar: Katta ma’lumotlar tahlili, Qaror qabul qilish jarayoni, B-DAD freymvorki (B-DAD Framework), Dizayn fani metodologiyasi, Klasterlash algoritmlari. Аннотация. В статье исследованы методы интеграции анализа больших данных (Big Data) в процесс принятия решений с целью повышения их качества в организациях. С этой целью был разработан фреймворк B-DAD, адаптирующий аналитические инструменты и архитектуру к этапам принятия решений. Практический эксперимент в сфере розничной торговли подтвердил, что внедрение данного подхода создает реальную добавленную стоимость (added value) в процессе принятия решений. Ключевые слова: Аналитика больших данных, процесс принятия решений, фреймворк B-DAD (B-DAD Framework), методология науки о дизайне (Design Science Research Methodology), алгоритмы кластеризации. Abstract. This article investigates methods for integrating Big Data analytics into the decision-making process to enhance the quality of decisions within organizations. To this end, the B-DAD framework was developed, which adapts analytical tools and architecture to the various stages of decision-making. A practical experiment in the retail sector confirmed that implementing this approach creates real added value in the decision-making process. Keywords: Big Data Analytics, Decision-making process, B-DAD Framework, Design Science Research Methodology (DSRM), Clustering algorithms. Kirish. Raqamli texnologiyalar va aqlli qurilmalarning ommalashuvi natijasida an’anaviy vositalar yordamida boshqarish imkonsiz bo‘lgan ulkan hajmli, tezkor va turfa xil “Katta ma’lumotlar” (Big Data) oqimi yuzaga keldi. Tashkilotlar raqobatbardoshlikni saqlab qolish uchun ushbu axborotlardan qimmatli xulosalar chiqarishning aniq yechimlarini izlamoqda. Shu sababli, maqolaning asosiy tadqiqot savoli: “Katta ma’lumotlar tahlilini qaror qabul qilish jarayoniga qanday integratsiya qilish mumkin?” deb belgilangan. Tadqiqotning maqsadi – tahlil vositalari, arxitektura va infratuzilmani qaror qabul qilish bosqichlariga uzviy bog‘lovchi freymvorkni ishlab chiqish hamda sinovdan o‘tkazishdir. Bu yondashuv rahbarlarga qaror qabul qilish jarayoni va yakuniy qarorlar sifatini sezilarli darajada oshirish imkonini beradi. Asosiy qism. B-DAD (Big – Data, Analytics, and Decisions) Freymvorki. Mazkur tadqiqot dizayn fani metodologiyasiga (design science methodology) asoslangan bo‘lib, freymvorkni ishlab chiqish va baholash uchun maxsus olti bosqichli jarayon qabul qilingan. Dastlabki izlanishlar natijasida muammo va yechim maqsadlari aniqlanib, mavjud ilmiy bilimlar hamda biznes ehtiyojlari asosida “B-DAD” freymvorki (artefakti) yaratildi. Ushbu model adabiyotlarni o‘rganish va qator katta ma’lumotlar texnologiyalarini amalda sinab ko‘rish orqali shakllantirilgan bo‘lib, bu orqali tadqiqotning aniqligi va dolzarbligiga erishilgan. Freymvork ishlab chiqilgach, uning qaror qabul qilishni qo‘llab-quvvatlash imkoniyatlari haqiqiy ma’lumotlar va real biznes keyslardagi eksperimentlar yordamida baholandi. Baholash davomida modelning turli vaziyatlarga moslashuvchanligi hamda chuqurroq tahliliy qarorlar qabul qilishdagi samaradorligi kuzatildi. Tajriba natijalarida aniqlangan o‘zgartirish va qo‘shimchalar qayta ishlash bosqichida yakuniy B-DAD freymvorkiga kiritildi [1]. Freymvorkni ishlab chiqish 279

B-DAD (“Katta ma’lumotlar, tahlil va qarorlar” – Big Data, Analytics, and Decisions) freymvorki katta ma’lumotlar vositalari, arxitekturasi va tahlilini qaror qabul qilishning turli bosqichlariga moslashtirish maqsadida ishlab chiqilgan. Nomi tarkibidagi “Katta” (Big) so‘zi nafaqat ma’lumotlarning hajmini, balki tahlil jarayoni va qabul qilinadigan yakuniy qarorlarning ham ko‘lamdorligini ifodalaydi. Ushbu model zamonaviy texnologiyalar va adabiyotlarni chuqur tahlil qilish asosida yaratilgan. U barcha mavjud vositalarni to‘liq qamrab olmasada, qaror qabul qilishni qo‘llab-quvvatlash uchun katta ma’lumotlar tahlilini qanday amalga oshirish mumkinligini ko‘rsatuvchi konseptual yondashuv hisoblanadi. Freymvork muammo yoki qidirilayotgan savol qaysi sohaga tegishli ekanligi oldindan ma’lum deb faraz qiladi. Axborot yig‘ish (Intelligence) bosqichi Qaror qabul qilishning dastlabki bosqichida muammo va imkoniyatlarni aniqlash uchun ichki hamda tashqi manbalardan ma’lumotlar to‘planadi. Ushbu bosqichda ma’lumotlar manbalarini aniqlash, ularni yig‘ish, qayta ishlash, saqlash va oxirgi foydalanuvchiga yetkazish talab etiladi. Bu yondashuvning an’anaviy KDD (Ma’lumotlar bazasidan bilim izlash) jarayonidan asosiy farqi – ma’lumotlar turlari va manbalarining o‘ta xilmaxilligidadir. Bunga odatiy relyatsion va tranzaksion ma’lumotlardan tashqari: ijtimoiy tarmoqlar matnlari, tasvirlar, audiolar, tizim loglari, sensorlar, sun'iy yo‘ldosh va GPS datchiklaridan olinadigan ma’lumotlar, shuningdek, XML hamda geofazoviy (geospatial) ma’lumotlar ham kiradi. Ma’lumotlarni saqlash va boshqarish (Data Storage and Management) Kerakli manbalar va ma’lumot turlari aniqlangach, ular yig‘iladi va maxsus vositalar yordamida saqlanadi. Ushbu maqsadda turli darajadagi tizimlardan foydalanish mumkin: ➢ An’anaviy MBBT: MySQL, PostgreSQL. ➢ Ustunli (Columnar) yoki MPP bazalar: Cassandra, PADB, SAND. ➢ Taqsimlangan fayl tizimlari va NoSQL: HDFS tizimi hamda MongoDB, CouchDB yoki HDFS ustiga qurilgan HBase bazalari [2]. Ma’lumotlarni qayta ishlash va tayyorlash (Data Processing and Preparation) Ma’lumotlar saqlangandan so‘ng, yuqori tezlikdagi tarmoq orqali ETL/ELT yoki maxsus katta ma’lumotlarni qayta ishlash vositalari yordamida tartibga solinadi va tahlilga tayyorlanadi. Bu jarayonda asosan Hadoop, MapReduce hamda In-memory (tezkor xotirada) boshqaruv tizimlari qo‘llaniladi. Shuningdek, ma’lumotlarni so‘rash va matematik hisoblashlar uchun turli dasturlash tillari — Pig va Hive'dan tortib, statistik hisoblashlar uchun R tili, an'anaviy SQL va Hadoop ma’lumotlariga to‘g‘ridan-to‘g‘ri ulanish uchun SQL-H ishlatilishi mumkin. Bu vositalar ma’lumotlarni kerakli tahlillar uchun to‘liq kashf etish va tayyorlash imkonini beradi. 280

1-rasm. B-DAD Freymvorki Dizayn (Loyiha) bosqichi Qaror qabul qilishning navbatdagi bosqichi bo‘lgan dizayn bosqichida muammoning konseptual modeli orqali mumkin bo‘lgan harakatlar variantlari ishlab chiqiladi va tahlil qilinadi. B-DAD freymvorkida bu jarayon uch qadamga bo‘linadi: ➢ Modelni rejalashtirish (Model planning): Mavjud ma’lumotlar turi va kutilayotgan natijaga qarab eng mos tahliliy model va algoritmlar tanlanadi. Bunga an'anaviy ma’lumotlarni qazib olish (data mining) va tasniflash, klasterlash, regressiya kabi ilg‘or tahlillar, shuningdek, sun'iy intellekt texnikalari (neyron tarmoqlar, qarorlar shajarasi) kiradi. Bundan tashqari, ma’lumotlar turiga qarab vaqtli qatorlar (time series), matn, ijtimoiy tarmoq, geofazoviy yoki klikstrim (clickstream) tahlillari qo‘llanilishi mumkin. ➢ Ma’lumotlar tahlili (Data analytics): Tanlangan model amaliyotda qo‘llaniladi. Bu jarayon OLAP va kelajakni bashorat qilishga qaratilgan prediktiv tahlil (predictive analytics) bilan birga olib borilishi mumkin. Tahlil modellarini baholashni tezlashtirish uchun In-memory (tezkor xotirada) hisoblash texnologiyalaridan (masalan, HANA, Greenplum, RapidMiner, Radoop, Pentaho) foydalaniladi. ➢ Tahlil qilish (Analyzing): Olingan natijalar tahlil qilinib, kelgusida amalga oshirilishi mumkin bo‘lgan aniq harakatlar strategiyasi (courses of action) belgilab olinadi. Tanlov (Choice) bosqichi Ushbu bosqich dizayn bosqichida taklif etilgan yechimlarning ta’sirini baholash va eng maqbulini tanlashga qaratilgan bo‘lib, ikki qadamni o‘z ichiga oladi: ➢ Baholash (Evaluate): Taklif etilgan harakatlar baholanadi va ustuvorliklari belgilanadi. Buning uchun hisobotlar, deshboardlar (dashboards), simulyatsiyalar, "what-if" ssenariylari, KPI ko‘rsatkichlari hamda Gephi, Tableau, QlikView, SAS 281

Visual Analytics kabi ilg‘or Katta ma’lumotlar vizualizatsiyasi vositalaridan foydalaniladi. ➢ Qaror qabul qilish (Decide): Baholash natijalariga tayangan holda eng yaxshi va mos yechim tanlanadi. Bu bevosita yakuniy qaror qabul qilinadigan amaliy qadamdir [3]. Joriy etish (Implementation) bosqichi Jarayonning yakuniy bosqichida tanlangan yechim amaliyotga joriy etiladi (operatsion holatga keltiriladi). Katta ma’lumotlar vositalari ushbu bosqichda qabul qilingan qaror natijalarini monitoring qilish va uni joriy etish samaradorligi bo‘yicha real vaqt rejimida (real-time) yoki davriy qayta aloqani (feedback) ta’minlash uchun xizmat qiladi. 2-rasm. Ma’lumotlar modeli Freymvorkni baholash: Chakana savdodagi eksperiment B-DAD freymvorki (IT artefakti) ishlab chiqilgach, uni sinovdan o‘tkazish uchun eksperimental baholash usuli tanlandi va haqiqiy ma’lumotlar asosida amaliy tajriba o‘tkazildi. Laboratoriya sharoitida Aster, Cloudera HDFS, TWM, RapidMiner, Pentaho, Gephi, Tableau va bir qator ma’lumotlar bazasini boshqarish tizimlari (DBMS) kabi tahlil vositalarining o‘zaro ishlashi (integratsiyasi) va ma’lumotlar oqimi o‘rganildi. Freymvorkni amaliy baholash sohasi sifatida chakana savdo (retail) tanlandi. Bunda qabul qilinadigan qarorlar obyekti etib marketing aksiyalari (promotions) samaradorligini va ijtimoiy tarmoqlardagi mijozlar kayfiyatining (sentiments) savdoga ta’sirini tahlil qilish belgilandi. Tahlil natijasida quyidagi savollarga javob izlandi: ➢ Qaysi mahsulotlarga chegirmalar taklif qilinishi kerak? ➢ Ushbu aksiyalar aynan qachon o‘tkazilishi lozim? Mijozlarning xaridlari haqidagi statistik ma’lumotlar hamda ularning ijtimoiy tarmoqlardagi izohlari va reaksiyalarini tahlil qilish orqali ushbu qarorlarni qo‘llabquvvatlash uchun muhim bilimlarga erishish ko‘zda tutildi. Axborot yig‘ish (Intelligence) bosqichi Freymvorkning dastlabki bosqichida tahlil qilinishi rejalashtirilgan katta ma’lumotlar yig‘iladi. Mazkur eksperimentda relyatsion, ijtimoiy tarmoq va matnli ma’lumotlar aralashmasidan foydalanildi. 282

➢ Relyatsion ma’lumotlar: Savdo jarayonlariga oid ma’lumotlarni olish uchun Misrdagi eng yirik gipermarketlardan birining Savdo nuqtalari (POS) va Korxonani boshqarish (ERP) tizimlari tanlandi. Ushbu gipermarket 80 000 dan ortiq mahsulot turlariga, 30 ta turli bo‘limga ajratilgan ikkita yirik filialga va kunlik o‘rtacha 50 000 tashrif buyuruvchiga ega. Eksperiment uchun 2013-yilning yanvaridan iyunigacha (6 oylik) bo‘lgan davrdagi POS va ERP ma’lumotlari namunasi olindi. Arab tilidagi ma’lumotlar kodlanishidagi qiyinchiliklarga qaramay, ular Teradata yuklash vositalari orqali Teradata ma’lumotlar bazasini boshqarish tizimiga (MBBT) joylandi. ➢ Ijtimoiy tarmoq ma’lumotlari: Mijozlarning fikr-mulohazalarini tahlil qilish maqsadida gipermarketning Facebook'dagi rasmiy sahifasidan (fan page) foydalanildi (Twitter tarmog‘ida tegishli ma’lumot topilmadi). Facebook API yordamida yuqorida ko‘rsatilgan 6 oylik davr oralig‘idagi barcha sahifa holatlari (statuses), postlar va ularga yozilgan izohlar yig‘ib olinib, saqlandi. Dizayn (Loyiha) bosqichi Eksperimentning navbatdagi bosqichida modellashtirish rejalashtirilib, mavjud o‘zgaruvchilar (masalan, chegirmalar va xaridlar) o‘rtasidagi bog‘liqliklarni aniqlash uchun aniq modellar tanlandi. a) Vizualizatsiya tahlili: Turli bo‘limlar, filiallar va 6 oylik davr kesimida chegirmalar, xarid qilingan miqdor va umumiy savdo qiymati taqsimotini tushunish uchun Tableau vositasidan foydalanildi. Shundan so‘ng, chegirma toifalariga ko‘ra klasterlar soni yana ikkita (k=2) qilib belgilangan holda, xuddi shu k-means algoritmi yordamida Weka dasturida klasterlash amalga oshirildi. Klasterlar chegirma holatini sinf (class) sifatida qabul qilgan holda, “sinflardan klasterlarga” baholash usuli orqali tekshirildi. O‘rgatuvchi ma’lumotlar (training data) asosida model yaratilgach, har bir nuqtaning chegirma qiymati o‘zi tushgan klaster sinfiga mos kelish-kelmasligiga qarab modelning aniqligi baholandi [4]. Natijada, “0-klaster” ma’lumotlarning 43 foizini, “1-klaster” esa 57 foizini qamrab oldi va bu oldingi TWM natijalaridan farq qiladi. Bu tafovut TWM nuqtalar va klaster markazi o‘rtasidagi masofani hisoblashda Mahalanobis masofasidan, Weka esa Evklid masofasidan foydalangani bilan izohlanishi mumkin. 3-rasm. K-means klasterlash 4-rasm. EM klasterlash vizualizatsiyasi vizualizatsiyasi 3-rasmda klasterlangan ma’lumotlarning vizualizatsiyasi keltirilgan. X o‘qi mahsulot kodini, Y o‘qi umumiy qiymatni, ranglar esa chegirma toifasini bildiradi. 283

Qizil nuqtalar chegirma qo‘llanilmasligi kerak bo‘lgan “0-klaster”ga, ko‘k nuqtalar esa chegirma qo‘llanilishi kerak bo‘lgan “1-klaster”ga tegishli. Baholash natijasida noto‘g‘ri klasterlangan ma’lumotlar kvadrat shaklida ajratib ko‘rsatilgan: qizil kvadratlar amalda chegirmaga ega, lekin “chegirmasiz” klasterga tushib qolgan mahsulotlarni; ko‘k kvadratlar esa chegirmasi yo‘q, lekin “chegirmali” klasterga kiritilgan mahsulotlarni anglatadi. Demak, aksiyalarni aynan ko‘k kvadratdagi mahsulotlarga qo‘llash maqsadga muvofiqdir. Xatoliklarning (qizil kvadratlar) ko‘pligiga sabab shuki, gipermarketdagi chegirmali mahsulotlarning qariyb 80 foizi gipermarketning o‘zi tomonidan emas, balki yetkazib beruvchilar bilan tuzilgan rejalar orqali belgilanadi. Klasterlash algoritmini o‘zgartirish orqali boshqacha natijalarga erishish mumkin. Faqat ikkita klasterga ajratish yetarlicha aniqlik bermagani uchun kmeans o‘rniga Kutilmani maksimallashtirish (Expectation Maximization - EM) usuli qo‘llanildi. EM usuli har bir ma’lumotning qaysi klasterga tegishli ekanligini ehtimollik taqsimoti orqali tekshiradi. Kross-validatsiya yordamida ma’lumotlar 10 ta o‘zaro mutanosib klasterga ajratildi. 4-rasmda ushbu EM algoritmi asosidagi vizualizatsiya aks etgan: masalan, ko‘k rangli “0-klaster” yuqori mahsulot kodiga, to‘q qizil (magenta) “5-klaster” past umumiy qiymatga, qizil “7-klaster” esa yuqori umumiy qiymatga ega ekanligi aniqlandi. Assotsiativ tahlil (Association Analysis): O‘zgaruvchilar o‘rtasidagi eng ko‘p uchraydigan kombinatsiyalar va qiziqarli bog‘liqliklarni aniqlash uchun assotsiativ qoidalarni qazib olish (association rule mining) tahlili o‘tkazildi. Dastlab, tahlil uchun raqamli kodlar nominal atributlarga, boshqa raqamli o‘zgaruvchilar esa teng chastotali guruhlash (equal frequency binning) orqali kategoriyali o‘zgaruvchilarga aylantirildi. Shundan so‘ng, Weka dasturi va Apriori algoritmi yordamida tahlil amalga oshirildi (bunda minimal qo‘llab-quvvatlash/support = 0.1, minimal ishonchlilik/confidence = 0.25 etib belgilandi). Natijada qator qiziqarli qoidalar aniqlandi. Masalan: agar xarid miqdori past bo‘lsa, chegirma mavjud emas (84 % ishonchlilik bilan) va bu asosan ikkinchi filialda yuz beradi (45 % ishonchlilik bilan). Shuningdek, "Shirinliklar, shokolad va saqichlar" bo‘limidagi mahsulotlarning 80 foizida chegirma yo‘qligi ma’lum bo‘ldi [5,6,7]. Xulosa va amaliy tavsiyalar. Mazkur tadqiqotda katta ma’lumotlar (Big Data) tahlilining tashkilotlarda qaror qabul qilish sifatini oshirishdagi o‘rni o‘rganildi. Izlanishlar doirasida dizayn fani metodologiyasi asosida ma’lumotlar tahlilini amaliyotga integratsiya qiluvchi asosiy ilmiy hissa – B-DAD freymvorki ishlab chiqildi. Ushbu model turli nazariya va tahlil texnikalarini yagona tizimga birlashtirib, rahbarlarga axborotga tayangan holda to‘g‘ri qarorlar qabul qilish yo‘llarini ko‘rsatib beradi. Uning amaliy ahamiyati va ishonchliligi chakana savdo sohasidagi real ma’lumotlar sinovida to‘liq tasdiqlandi. Tadqiqot jarayonidagi asosiy qiyinchiliklar cheklangan vaqt, resurslar hamda yirik ma’lumotlar bazalariga to‘g‘ridan-to‘g‘ri ulanish muammosi bo‘ldi. Katta ma’lumotlar 284

tahlilidan samarali foydalanish tashkilotlarga mustahkam raqobat afzalligini taqdim etadi hamda barqaror taraqqiyot uchun muhim poydevor yaratadi. Foydalanilgan adabiyotlar ro‘yxati: 1. Asqaraliyev O., Fayzullayev Sh. “Models and algorithms for analyzing the impact of artificial intelligence on decision-making processes in business information systems.” Ethiopian International Journal of Multidisciplinary Research 11.09 (2024): 233-238. 2. Fayzullayev Sh., Yuldashov R. (2024). Sunʼiy intellektning raqamli iqtisodiyot rivojlanishidagi ahamiyati. Indexing, 1(1). 3. A. Bereznoy, D. Meissner, and V. Scuotto, “The intertwining of knowledge sharing and creation in the digital platform based ecosystem. A conceptual study on the lens of the open innovation approach,” Journal of Knowledge Management, vol. 25, no. 8, pp. 2022–2042, 2021. 4. L. Yang and H. B. Liu, “Evolution of open innovation path from the perspective of innovation situation,” Scientific Re- search Management, vol. 32, no. 2, pp. 9–17, 2022. 5. Brunswicker, S., Bertino, E., Matei, S. (2015), Big Data for Open Digital Innovation – A Research Roadmap. In: Big Data Research, Vol. 2, pp. 53-58 6. Chang, R.M., Kauffman, R.J., Kwon, Y. (2014), Understanding the paradigm shift to computational social science in the presence of big data. In: Decision Support Systems, Vol. 63, pp. 67-80. 7. Fan, S. Lau, R., Zhao, J.L. (2015), Demystifying Big Data Analytics for Business Intelligence Through the Lens of Marketing Mix. In: Big Data Research, Vol. 2, pp. 28-32 TAQSIMLANGAN IOT SENSOR TARMOQLARI ASOSIDA HAVO SIFATINI REAL VAQTDA MONITORING QILISH VA GIBRID NEYRON TARMOQ MODELI YORDAMIDA PROGNOZLASH Umarov Muhriddin Abduxalil o‘g‘li, “Cyber university” davlat universiteti Kiberxavfsizlik kafedrasi dotsenti, muhriddin.umarov.1992@gmail.com Ilxomjonova Malika Dilshod qizi, Magistrant, ilxomjonova060795@gmail.com Annotatsiya. Ushbu maqolada IoT sensorlardan real vaqtda havo ifloslanishi ma’lumotlarini yig‘ish, Apache Kafka va Spark yordamida qayta ishlash va LSTM hamda Random Forest modellari yordamida PM2.5 konsentratsiyasini prognozlash tizimi tadqiq etilgan. Kalit so‘zlar: Apache Kafka, Apache Spark, LSTM, Random Forest, PM2.5 prognozlash, IoT monitoring. Аннотация. В данной статье исследуется система сбора данных о загрязнении воздуха в реальном времени с IoT-датчиков, их обработки с помощью Apache Kafka и Spark, а также прогнозирования концентрации PM2.5 с использованием моделей LSTM и Random Forest. Ключевые слова: Apache Kafka, Apache Spark, LSTM, Random Forest, прогнозирование PM2.5, IoT мониторинг. Abstract. This paper investigates a system for real-time air pollution data collection from IoT sensors, stream processing via Apache Kafka and Spark, and PM2.5 concentration forecasting using LSTM neural network and Random Forest ensemble models. Key words: Apache Kafka, Apache Spark, LSTM, Random Forest, PM2.5 forecasting, IoT monitoring. Kirish. Havo ifloslanishi, xususan, diametri 2.5 mikrondan kichik chang zarralari (PM2.5) insonning nafas yo‘llari va yurak-qon tomir tizimiga jiddiy zarar yetkazadi. Jahon sog‘liqni saqlash tashkiloti (JSST) ma’lumotlariga ko‘ra, yiliga 7 milliondan ortiq inson havo ifloslanishi natijasida muddatidan oldin hayotdan ko‘z 285

yumadi [1]. O‘zbekistonda Toshkent, Namangan va Farg‘ona shaharlarida PM2.5 ning o‘rtacha yillik konsentratsiyasi WHO me’yoriy chegarasidan (5 µg/m³) 8-12 baravar oshganligi qayd etilgan [2]. Bunday sharoitda havo sifatini real vaqtda kuzatish va kelajakdagi ifloslanish darajasini oldindan bashorat qiluvchi intellektual tizimlarni yaratish dolzarb muhandislik muammosiga aylandi. Mavjud monitoring tizimlari ikki asosiy kamchilikka ega: (1) ma’lumotlar ko‘pincha soatlik yoki kunlik intervalda paketli (batch) rejimda qayta ishlanadi — bu operativ ogohlantirish imkonini yo‘qqa chiqaradi; (2) prognozlash funksionalligi yo‘q yoki juda cheklangan. Ushbu muammoni hal etish maqsadida Apache Kafka va Apache Spark Structured Streaming asosidagi real vaqt ma’lumot oqimi pipeline ga LSTM neyron tarmog‘i va Random Forest ensemble modellarini integratsiya qiluvchi tizim taklif etilmoqda. Tadqiqotning maqsadi — IoT sensor tarmoqlaridan PM2.5, PM10, CO, NO2, SO2 parametrlarini real vaqtda yig‘ish, Apache Kafka va Spark yordamida oqim ko‘rinishida qayta ishlash va LSTM hamda Random Forest modellari yordamida PM2.5 konsentratsiyasini 1 soatga oldindan prognozlovchi taqsimlangan platformani loyihalash va tadqiq etishdir. Vazifalarga quyidagilar kiradi: (a) olti qatlamli arxitekturani loyihalash; (b) LSTM va Random Forest modellarini taqqoslash va ensemble qilish; (c) platformaning kechikish, o‘tkazuvchanlik va prognozlash aniqligini eksperimental baholash. Asosiy qism. Platforma oltita asosiy qatlamdan tashkil topgan (1-jadvalga qarang). IoT sensorlar qatlami PM2.5, PM10, CO, NO2 va SO2 parametrlarini MQTT protokoli orqali 5 sekundlik intervalda uzatadi. Apache Kafka klasteri (3 broker, 6 partitsiya, replication factor=3) yuqori o‘tkazuvchanlikli ma’lumot qabul qilish qatlamini tashkil etadi. Apache Spark Structured Streaming 5 daqiqalik sliding window agregatsiyasi bilan real vaqtda qayta ishlashni ta’minlaydi. Saqlash qatlami HDFS (xom ma’lumotlar, Parquet formatda), PostgreSQL (agregatsiya natijalari) va InfluxDB (Grafana vizualizatsiyasi uchun) dan iborat. AI/ML qatlami LSTM va Random Forest modellarini o‘z ichiga oladi. Vizualizatsiya qatlami Grafana dasturi orqali real vaqt dashboardini ta’minlaydi [3]. 1-jadval Platformaning qatlamlari va texnologiyalari Qatlam 1 — IoT 2 — Uzatish Texnologiya Vazifasi Asosiy parametrlar MQTT, Raspberry Pi Sensor ma’lumotlarini yig‘ish PM2.5, PM10, CO, NO2, SO2 Apache Kafka Yuqori o‘tkazuvchi navbat 3 broker, 6 partitsiya, RF=3 Oqim ma’lumotlarini qayta ishlash 5 daq. window, 1s microbatch 3 — Qayta Apache Spark Streaming ish 4 — Saqlash HDFS, PostgreSQL, InfluxDB Ma’lumotlarni saqlash Parquet, SQL, TimeSeries 5 — AI/ML LSTM, Random Forest PM2.5 prognozlash RMSE, MAE baholash 286

Qatlam Texnologiya Vazifasi Asosiy parametrlar 6 — Vizual. Grafana Real vaqt dashboard < 5 ms so‘rov (Redis cache) LSTM (Long Short-Term Memory) — vaqt qatorlarida uzoq muddatli bog‘liqliklarni o‘rganish qobiliyatiga ega rekurrent neyron tarmoq bo‘lib, Hochreiter va Schmidhuber (1997) tomonidan taklif etilgan [4]. PM2.5 ning 24 soatlik kunlik tsikli (diurnal pattern) LSTM ning cell state mexanizmi uchun ideal. Modelda 24 vaqt oynasi, 2 ta LSTM qatlami (128 va 64 neyron), Dropout (0.2) va 1 ta Dense chiqish qatlami ishlatilgan. Random Forest (Breiman, 2001) bootstrap ensemble usuliga asoslanib, 100 ta qaror daraxtidan iborat [5]. Modelda n_trees=100, max_depth=10, m=sqrt(18)≈4 xususiyat har bir daraxtda tasodifiy tanlanadi. Spark MLlib yordamida 5-fold kross-validatsiya o‘tkazilgan. Model uchun feature engineering jarayonida 18 ta xususiyat hosil qilingan. Feature importance tahlili lag xususiyatlarining hal qiluvchi ahamiyatini ko‘rsatdi: pm25_lag1h (0.42), pm25_lag24h (0.18), rolling_mean_3h (0.15). Meteorologik xususiyatlar (harorat, shamol tezligi) ikkilamchi ahamiyatga ega (0.09 va 0.06). Asosiy matematik munosabatlar quyidagicha ifodalanadi: RMSE = sqrt[(1/n) * sum(yi - y_hat_i)^2] (1) MAE = (1/n) * sum|yi - y_hat_i| (2) y_ENS = 0.60 * y_LSTM + 0.40 * y_RF (3) bu yerda yi — haqiqiy PM2.5 qiymati (µg/m³), ŷᵢ — model prognozi, n — test namunalari soni. (3)-formula LSTM va Random Forest ensemble prognozini ifodalaydi; koeffitsient α=0.60 kross-validatsiya orqali topilgan. 2-jadval Model baholash natijalari (n=18,000 test namunasi) Model RMSE (µg/m³) MAE (µg/m³) R² Inference vaqti Chiziqli regressiya (bazis) 5.12 4.23 0.61 < 1 ms Random Forest (n=100) 2.31 1.87 0.89 3–5 ms LSTM (2 qatlam, w=24) 1.94 1.58 0.93 8–12 ms LSTM + RF Ensemble 1.76 1.44 0.95 12–18 ms 2-jadvaldan ko‘rinib turibdiki, LSTM+RF Ensemble modeli RMSE=1.76 µg/m³ ko‘rsatib, chiziqli regressiya bazisiga nisbatan 65.6% yuqori aniqlikka erishdi. Platforma 3 tugunli konfiguratsiyada sekundiga 52,400 xabar o‘tkazuvchanlik va 23 ms P99 kechikish bilan ishladi. Bu havo ifloslanishi monitoringining 1 daqiqalik yangilanish talabidan 43 baravar tez ishlashini anglatadi [6]. 3-jadval Klaster konfiguratsiyasi va ishlash ko‘rsatkichlari Konfiguratsiya Throughput (msg/s) P99 kechikish (ms) Nosozlikka chidamlilik 1 broker, 1 executor 4,200 187 Yo‘q — tizim to‘xtaydi 287

Konfiguratsiya Throughput (msg/s) P99 kechikish (ms) Nosozlikka chidamlilik 2 broker, 2 executor 18,700 54 Qisman 3 broker, 3 executor 52,400 23 Ha — RF=3 kafolati 5 broker, 5 executor 89,300 14 Ha — yuqori zaxira 3-jadval ko‘p tugunli konfiguratsiyaning ustunligini yaqqol ko‘rsatadi. Broker sonini 3 dan 9 ga oshirish throughput ni 3.1 baravar oshirdi — bu deyarli chiziqli kengayishga mos keladi. Spark Structured Streaming ning Exactly-Once semantikasi (checkpoint + idempotent producer) ma’lumot yo‘qolmaslik kafolatini ta’minlaydi [7]. Xulosa va amaliy tavsiyalar. Ushbu tadqiqotda Apache Kafka, Spark Structured Streaming, LSTM va Random Forest texnologiyalarini birlashtirgan real vaqt PM2.5 prognozlash platformasi muvaffaqiyatli loyihalandi va eksperimental baholandi. Asosiy natijalar: (1) LSTM+RF Ensemble modeli RMSE=1.76 µg/m³ ga erishdi — bu WHO kunlik me’yorining (15 µg/m³) 11.7% ini tashkil etib, amaliy prognozlash uchun qabul qilinishi mumkin bo‘lgan aniqlik darajasidir; (2) 3 tugunli konfiguratsiyada 52,400 msg/s o‘tkazuvchanlik va 23 ms P99 kechikish ta’minlandi; (3) gorizontal kengayish tajribalari broker sonini 3 dan 9 ga oshirish throughput ni 3.1x oshirishini ko‘rsatdi. Amaliy tavsiyalar: (a) Shahar miqyosida sensorlarni 100 m × 100 m gridda joylashtirish 3 tugunli klaster uchun yetarli – ushbu konfiguratsiya 10,480 ta sensorgacha xizmat ko‘rsata oladi; (b) Kafka da min.insync.replicas=2 va enable.idempotence=true sozlamalarini majburiy qo‘llash; (c) model ni har 24 soatda yangi ma’lumotlar bilan qayta o‘qitish — bu kontsept drift (taqsimot o‘zgarishi) ta’sirini kamaytiiradi; (d) kelajakda Temporal Fusion Transformer arxitekturasi va Edge AI integratsiyasini qo‘llash tavsiya etiladi – bu tarmoq yukini 60-70 % kamaytirishi kutilmoqda [8]. Foydalanilgan adabiyotlar ro‘yxati: 1. World Health Organization. (2021). Global air quality guidelines: Particulate matter (PM2.5 and PM10), ozone, nitrogen dioxide, sulfur dioxide and carbon monoxide. World Health Organization. https://www.who.int/publications/i/item/9789240034228 2. O‘zbekiston Respublikasi Ekologiya va atrof-muhit muhofazasi vazirligi. (2023). O‘zbekistonda atrof-muhit holati to‘g‘risida milliy ma’ruza 2022. Ekologiya vazirligi. 3. Armbrust, M., Das, T., Torres, J., Yavuz, B., Zhu, S., Xin, R., Ghodsi, A., Stoica, I., & Zaharia, M. (2018). Structured streaming: A declarative API for real-time applications in Apache Spark. Proceedings of the 2018 International Conference on Management of Data (SIGMOD), 601–613. https://doi.org/10.1145/3183713.3190664 4. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735 5. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324 6. Kreps, J., Narkhede, N., & Rao, J. (2011). Kafka: A distributed messaging system for log processing. Proceedings of the NetDB Workshop at VLDB, 1–7. 288

7. Zaharia, M., Chowdhury, M., Franklin, M. J., Shenker, S., & Stoica, I. (2012). Resilient distributed datasets: A fault-tolerant abstraction for in-memory cluster computing. Proceedings of NSDI’12, 15–28. 8. Zhang, Z., Jiang, H., Liu, P., Chen, X., & Huang, Z. (2019). PM2.5 concentration prediction using weighted LSTM. 11th International Conference on Advanced Computational Intelligence (ICACI), 275–280. https://doi.org/10.1109/ICACI.2019.8778530 GIS TEXNOLOGIYALARI ASOSIDA SHAHAR HUDUDLARINI URBANIZATSIYA DARAJASINI SUN’IY INTELLEKT YORDAMIDA TAHLIL QILISH Ismailov I.T., katta o‘qituvchi Muxammad al-Xorazmiy nomidagi TATU Samarqand filiali Ilxomismailov1988161287@gmail.com Annotatsiya. Maqolada GIS texnologiyalari va sun’iy intellekt metodlarini birgalikda qo‘llash orqali shahar hududlarida urbanizatsiya darajasini tahlil qilish usullari ko‘rib chiqilgan. Masofadan zondlash ma’lumotlari va mashinali o‘qitish algoritmlaridan foydalanish imkoniyatlari baholangan. Kalit so‘zlar: GIS, sun’iy intellekt, urbanizatsiya, mashinali o‘qitish, masofadan zondlash. Аннотация. В статье рассмотрены методы анализа уровня урбанизации городских территорий с совместным применением ГИС-технологий и методов искусственного интеллекта. Оценены возможности использования данных дистанционного зондирования и алгоритмов машинного обучения. Ключевые слова: ГИС, искусственный интеллект, урбанизация, машинное обучение, дистанционное зондирование. Abstract. This article examines methods for analyzing urbanization levels in urban areas through the combined application of GIS technologies and artificial intelligence. The potential of using remote sensing data and machine learning algorithms is evaluated. Keywords: GIS, artificial intelligence, urbanization, machine learning, remote sensing. Kirish. Zamonaviy shaharsozlikda urbanizatsiya jarayonlarini kuzatish va tahlil qilish tobora muhim ahamiyat kasb etmoqda. Aholi soni o‘sishi, yangi turarjoy massivlarining qurilishi va sanoat zonalarining kengayishi bilan birga shahar chegaralari ham jadal o‘zgarmoqda. Bunday o‘zgarishlarni o‘z vaqtida aniqlash va baholash shaharsozlik rejalashtirish, atrof-muhitni muhofaza qilish va hududiy boshqaruv uchun muhim ahamiyat kasb etadi. Geografik axborot tizimlari (GIS) va sun’iy intellekt (SI) texnologiyalarining birlashtirilishi urbanizatsiya jarayonlarini kuzatishda yangi imkoniyatlar ochadi [1]. Sun’iy yo‘ldosh tasvirlari va masofadan zondlash ma’lumotlari asosida mashinali o‘qitish algoritmlaridan foydalanib, qurilish hududlarining kengayishini avtomatik ravishda kuzatib borish mumkin. O‘zbekistonda ham shaharlar jadal rivojlanmoqda: Toshkent, Samarqand, Namangan kabi shaharlarda yangi turar-joy va tijorat inshootlari qurilishi davom etmoqda. Bu jarayonlarni ilmiy asosda kuzatish va boshqarish uchun zamonaviy GIS-SI texnologiyalaridan foydalanish dolzarb masalaga aylanib bormoqda. Maqolaning maqsadi — GIS texnologiyalari va sun’iy intellektni birlashtirib, shahar hududlarida urbanizatsiya darajasini baholash metodologiyasini ko‘rib chiqishdan iborat. 289

Belgilangan maqsadga erishish uchun quyidagi vazifalar ko‘rib chiqiladi: 1. Urbanizatsiya tahlilida qo‘llaniladigan asosiy GIS va SI usullarini o‘rganish; 2. Masofadan zondlash ma’lumotlari asosida yer qoplamini tasniflash imkoniyatlarini baholash; 3. Mashinali o‘qitish algoritmlarini urbanizatsiya tahlilida qo‘llash usullarini tavsiya etish. Asosiy qism. Adabiyotlar sharhi Urbanizatsiya jarayonlarini GIS yordamida tahlil qilish sohasidagi birinchi yirik tadqiqotlar 1990-yillarda boshlangan. Jensen va Cowen ko‘p vaqtli sun’iy yo‘ldosh tasvirlaridan foydalanib, shahar o‘sishini kuzatish usullarini ishlab chiqdi [2]. Keyinchalik, raqamli tasvir qayta ishlash usullarining rivojlanishi bilan pikselli tahlil usullari keng tarqaldi. So‘nggi yillarda chuqur o‘qitish (deep learning) usullarining joriy etilishi urbanizatsiya tahlilida yangi davrni boshlab berdi. Ayniqsa, konvolyutsion neyron tarmoqlar (CNN) asosidagi modellar kosmik tasvirlardan qurilish hududlarini ajratishda yuqori aniqlikni ta’minlamoqda [3]. Srivastava va boshq. U-Net arxitekturasini shahar hududlarini segmentlash uchun muvaffaqiyatli qo‘lladi [4]. O‘zbekistonda bu sohada tadqiqotlar nisbatan yangi bosqichda. Toshkent shahri misolida olib borilgan bir qator ishlar GIS va masofadan zondlash usullarining samaradorligini ko‘rsatdi. Biroq sun’iy intellekt bilan integratsiyalashgan kompleks tizim hali ishlab chiqilmagan. GIS va masofadan zondlash usullari Urbanizatsiya tahlilida qo‘llaniladigan asosiy ma’lumot manbalari — bu sun’iy yo‘ldosh tasvirlari. Hozirgi kunda Sentinel-2 (10 metr aniqlik) va Landsat 8/9 (30 metr aniqlik) seriyali sun’iy yo‘ldoshlar eng ko‘p ishlatiladigan manbalar hisoblanadi. Ushbu tasvirlar Yevropa kosmik agentligi (ESA) tomonidan bepul taqdim etiladi [5]. Masofadan zondlash ma’lumotlari asosida bir qator spektral indekslar hisoblanadi. Ushbu indekslar yer qoplamining turli xususiyatlarini raqamli ko‘rinishda ifodalash imkonini beradi: 1-jadval Urbanizatsiya tahlilida qo‘llaniladigan asosiy spektral indekslar Indeks nomi Normalangan Farqli Vejetatsiya Indeksi Normalangan Farqli Qurilish Indeksi O‘zgartirilgan Suv Indeksi Yer Sirt Harorati Qisqartma NDVI NDBI MNDWI LST Qo‘llanish maqsadi Yashil hududlar va o‘simlik qoplamini aniqlash Qurilish va asfalt yuzalarini aniqlash Suv havzalari va namliq hududlarni ajratish Issiqlik adasi effektini o‘lchash Mashinali o‘qitish usullari Urbanizatsiya tahlilida mashinali o‘qitishning bir necha algoritmlari qo‘llaniladi. Har bir algoritmning o‘z afzalliklari va cheklovlari mavjud. Quyida eng ko‘p ishlatiladigan uchta algoritm ko‘rib chiqiladi. 2-jadval Urbanizatsiya tahlilida qo‘llaniladigan mashinali o‘qitish algoritmlari Algoritm Afzalliklari Cheklovlari 290

Random Forest XGBoost CNN (U-Net) Tez ishlaydi, sozlash oson Yuqori aniqlik, tezlik Eng yuqori aniqlik Murakkab shakldagi obyektlarda aniqlik past Ko‘p parametr sozlashni talab qiladi Katta hisoblash resurslari kerak Amaliyotda Random Forest algoritmi kichik va o‘rta hajmdagi loyihalar uchun qulay, chunki u tez ishlaydi va sozlash oson. Katta shaharlar uchun esa CNN asosidagi modellar tavsiya etiladi, chunki ular murakkab shakllar va chegaralarni aniqroq ajrata oladi [6]. GIS va SI integratsiyasi: umumiy yondashuv GIS va sun’iy intellektni birlashtiradigan tizim odatda to‘rt asosiy bosqichdan iborat bo‘ladi: (1) ma’lumot yig‘ish, (2) ma’lumotni qayta ishlash, (3) modelni o‘qitish va qo‘llash, (4) natijalarni kartografik ko‘rinishda taqdim etish. 1-rasm. Mashinali o‘qitish yordamida yer qoplamini tasniflash jarayonining umumiy sxemasi Birinchi bosqichda sun’iy yo‘ldosh tasvirlari yuklab olinadi va atmosfera korreksiyasidan o‘tkaziladi. Ikkinchi bosqichda NDVI, NDBI kabi indekslar hisoblanib, ma’lumot bazasi shakllantiriladi. Uchinchi bosqichda tanlangan algoritm o‘qitiladi va tekshiriladi. To‘rtinchi bosqichda natijalar GIS muhitida vizualizatsiya qilinib, shahar hududlari bo‘yicha tahliliy xaritalar tayyorlanadi. Bunday tizim nafaqat hozirgi holatni tahlil qilish, balki kelajakdagi urbanizatsiya tendentsiyalarini bashorat qilish imkonini ham beradi. LSTM (Long Short-Term Memory) neyron tarmog‘i ko‘p yillik ma’lumotlar asosida shahar o‘sishining kelajakdagi yo‘nalishlarini modellashtirish uchun samarali vosita sifatida tan olingan. Xulosa va amaliy tavsiyalar Ushbu maqolada GIS texnologiyalari va sun’iy intellektni birlashtirib, urbanizatsiya jarayonlarini tahlil qilishning asosiy usullari ko‘rib chiqildi. Olib borilgan adabiyotlar tahlili va metodologik yondashuvlar asosida quyidagi xulosalarga kelindi: 4. GIS va masofadan zondlash ma’lumotlarini birlashtirib qo‘llash urbanizatsiya dinamikasini aniq va samarali kuzatish imkonini beradi. 5. Mashinali o‘qitish algoritmlari, ayniqsa CNN asosidagi modellar, yer qoplamini tasniflashda an’anaviy usullarga nisbatan sezilarli ustunlik ko‘rsatmoqda. 291

6. O‘zbekiston shaharlarida ushbu metodologiyani joriy etish shahar rejalashtirish va atrof-muhitni muhofaza qilish sohalariga katta hissa qo‘shishi mumkin. Amaliy tavsiyalar Shahar rejalashtiruvchi organlari uchun: Generalplanlarni yangilashda GIS-SI asosidagi urbanizatsiya xaritalaridan foydalanish tavsiya etiladi. Bu hujjatlarning asosli va obyektiv bo‘lishini ta’minlaydi. Amaliyot uchun: Sentinel-2 tasvirlarini bepul yuklab olish va QGIS dasturida tahlil qilish orqali har qanday shahar uchun urbanizatsiya monitoringini tashkil etish mumkin. Foydalanilgan adabiyotlar ro‘yxati 1. QGIS Development Team. (2024). QGIS Geographic Information System. Open Source Geospatial Foundation Project. https://qgis.org 2. Jensen, J.R., & Cowen, D.C. (1999). Remote sensing of urban/suburban infrastructure and socio-economic attributes. Photogrammetric Engineering & Remote Sensing, 65(5), 611– 622. 3. Yuan, F., & Liu, X. (2020). Machine learning in urban remote sensing: Comparative analysis. Remote Sensing of Environment, 247, 111917. 4. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. MICCAI, LNCS 9351, 234–241. 5. European Space Agency. (2024). Copernicus Open Access Hub – Sentinel-2 data. https://scihub.copernicus.eu 6. Srivastava, S., Vargas-Muñoz, J.E., & Tuia, D. (2019). Understanding urban landuse from the above and ground perspectives. ISPRS Journal of Photogrammetry and Remote Sensing, 154, 94–105. ANALYSIS OF INTELLIGENT MODELS FOR KNOWLEDGE ASSESSMENT BASED ON ARTIFICIAL INTELLIGENCE AND FUZZY LOGIC IN DIGITAL EDUCATION INFRASTRUCTURE Khasanov Dilmurod Rasul ugli, t.f.f.d., (PhD), O‘zMU Jizzax filiali, Kompyuter ilmlari va dasturlashtirish kafedrasi dotsenti tatusf2015@gmail.com Annotatsiya. Ushbu maqolada raqamli ta’lim infratuzilmasida noaniq mantiq va sun’iy intellektga asoslangan bilimlarni baholash uchun aqlli modellar o‘rganiladi. Tadqiqot uchta vakillik yondashuviga qaratilgan: noaniq xulosa chiqarish tizimlari, moslashuvchan neyronoaniq xulosa chiqarish tizimlari va noaniq AHP va TOPSIS kabi noaniq ko‘p mezonli qaror qabul qilish modellari. Ularning umumiy arxitekturasi va matematik asoslari noaniqlikni boshqarish, baholash ko‘rsatkichlarini talqin qilish va obyektiv qaror qabul qilishni qo‘llabquvvatlash qobiliyatini baholash uchun tahlil qilinadi. Kalit so‘zlar: Noaniq mantiq, Bilimlarni baholash, Raqamli ta'lim infratuzilmasi, Intellektual modellar, ANFIS, Mashinada o‘qitish, Ta'limni baholash, Qarorlarni qo‘llabquvvatlash tizimlari. Аннотация. В данной статье исследуются интеллектуальные модели оценки знаний в цифровой образовательной инфраструктуре на основе нечеткой логики и искусственного интеллекта. Исследование сосредоточено на трех репрезентативных подходах: системах нечеткого вывода, адаптивных нейро-нечетких системах вывода и моделях нечеткого многокритериального принятия решений, таких как нечеткий AHP и TOPSIS. Анализируются их общие архитектуры и математические основы для оценки их 292

способности обрабатывать неопределенность, интерпретировать показатели оценки и поддерживать объективное принятие решений. Ключевые слова: Нечеткая логика, Оценка знаний, Цифровая образовательная инфраструктура, Интеллектуальные модели, ANFIS, Машинное обучение, Оценка образования, Системы поддержки принятия решений. Abstract. This paper investigates intelligent models for knowledge assessment in digital education infrastructure based on fuzzy logic and artificial intelligence. The study focuses on three representative approaches: fuzzy inference systems, adaptive neuro-fuzzy inference systems, and fuzzy multi-criteria decision-making models such as fuzzy AHP and TOPSIS. Their general architectures and mathematical foundations are analyzed to evaluate their ability to handle uncertainty, interpret assessment indicators, and support objective decision-making. Keywords: Fuzzy logic, Knowledge assessment, Digital education infrastructure, Intelligent models, ANFIS, Machine learning, Educational evaluation, Decision support systems. Introduction. The rapid development of digital technologies has significantly transformed modern education systems, leading to the formation of advanced digital education infrastructures. Learning management systems, online assessment platforms, and educational data repositories generate large volumes of heterogeneous and often uncertain data related to students’ learning activities and performance. In this context, ensuring objective, accurate, and fair knowledge assessment remains one of the most critical challenges in digital education environments [1]. Traditional assessment methods are usually based on rigid scoring rules and crisp thresholds, which are often insufficient for capturing the complexity, subjectivity, and uncertainty inherent in educational evaluation processes. Indicators such as task complexity, level of differentiation, response correctness, and answer weighting cannot always be expressed precisely using classical mathematical models. This limitation motivates the integration of artificial intelligence and fuzzy logic techniques into modern assessment systems [2]. Fuzzy set theory provides a powerful mathematical framework for modeling uncertainty and imprecision in decision-making processes. When combined with artificial intelligence methods, fuzzy logic enables the construction of intelligent assessment models that are both interpretable and adaptive. Such models can process linguistic variables, incorporate expert knowledge, and adjust parameters based on empirical data, making them highly suitable for educational applications. This study adopts a comparative analytical methodology to examine intelligent models for knowledge assessment in digital education infrastructure based on artificial intelligence and fuzzy logic. The proposed methodology focuses on analyzing the general structure, functional principles, and mathematical foundations of selected models, as well as identifying their advantages and limitations in handling uncertainty in educational assessment [3-5]. Methodology. Fuzzy Inference-Based Assessment Model (FIS). The first methodology is based on a fuzzy inference system (FIS), where input indicators are transformed into linguistic variables through fuzzification. Membership functions are defined to represent qualitative concepts such as low, medium, and high. A rule base constructed from expert knowledge is then applied to infer the assessment outcome. Finally, defuzzification methods are used to obtain a crisp knowledge 293

score. This approach enables transparent reasoning and interpretability of assessment decisions (figure 1) [4]. Denote the set of input indicators, where 𝑥1 represents task complexity, 𝑥2 differentiation index, 𝑥3 response value, and 𝑥4 response weight. Each indicator is mapped to a fuzzy set using a membership function 𝜇𝐴𝑖 (𝑥𝑖 ). Figure 1. Fuzzy Inference-Based Assessment Model structure [6] 𝑋 = {𝑥1 , 𝑥2 , … , 𝑥𝑛 } A commonly used triangular membership function is defined as: 0, 𝑥 ≤ 𝑎, 𝑥−𝑎 , 𝑎 < 𝑥 ≤ 𝑏, 𝑏 − 𝑎 𝜇𝐴 (𝑥) = 𝑐 − 𝑥 , 𝑏 < 𝑥 < 𝑐, 𝑐−𝑏 { 0, 𝑥 ≥ 𝑐, The inference process is performed using a rule base of the form: IF 𝑥1 is 𝐴1 AND 𝑥2 is 𝐴2 THEN 𝑦 is 𝐵 where the firing strength of the rule is computed using a 𝑡-norm operator: 𝑤𝑘 = min (𝜇𝐴1 (𝑥1 ), 𝜇𝐴2 (𝑥2 ), … ) The final crisp assessment score is obtained by centroid defuzzification: ∫ 𝑦 𝜇𝐵 (𝑦) 𝑑𝑦 𝑦∗ = ∫ 𝜇𝐵 (𝑦) 𝑑𝑦 Adaptive Neuro-Fuzzy Assessment Model (ANFIS). The second methodology employs an adaptive neuro-fuzzy inference system (ANFIS), which integrates fuzzy logic with neural network learning mechanisms. In this model, fuzzy rules and membership function parameters are automatically optimized using training data. A hybrid learning algorithm combining least squares estimation and gradient-based optimization is applied to improve assessment accuracy [8]. This methodology allows the model to adapt to changes in learner behavior while preserving fuzzy interpretability. 294

Figure 2. Neuro-Fuzzy Assessment Model structure ANFIS combines fuzzy inference with neural network learning capabilities. In a first-order Sugeno-type ANFIS, each rule is expressed as: Rule𝑖 :IF 𝑥 is 𝐴𝑖 AND 𝑦 is 𝐵𝑖 THEN 𝑓𝑖 = 𝑝𝑖 𝑥 + 𝑞𝑖 𝑦 + 𝑟𝑖 The firing strength of each rule is given by: 𝑤𝑖 = 𝜇𝐴𝑖 (𝑥) ⋅ 𝜇𝐵𝑖 (𝑦) and normalized as: 𝑤𝑖 𝑤ˉ𝑖 = 𝑁 ∑ 𝑤𝑗 𝑗=1 The ANFIS output is calculated as: 𝑁 𝑦̂ = ∑ 𝑤ˉ𝑖 𝑓𝑖 𝑖=1 Model parameters (𝑝𝑖 , 𝑞𝑖 , 𝑟𝑖 )and membership function parameters are optimized using a hybrid learning algorithm that combines least squares estimation and gradient descent [7]. Fuzzy Multi-Criteria Decision-Making Model (Fuzzy AHP). The third methodology utilizes fuzzy multi-criteria decision-making techniques, such as fuzzy AHP or fuzzy TOPSIS, to evaluate students’ knowledge levels. Assessment indicators are represented as fuzzy numbers, and their relative importance is determined through fuzzy pairwise comparisons. The final assessment is obtained by aggregating weighted criteria, enabling a structured and consistent evaluation process under uncertainty [9]. Conclusion This research analyzed fuzzy inference, neuro-fuzzy, and fuzzy multi-criteria models for knowledge assessment in digital education systems. The results indicate that while FIS ensures transparency, ANFIS provides adaptability, and fuzzy AHP/TOPSIS offers structured decision support. Hybrid approaches are recommended for improved assessment effectiveness (Table 1). 295

Table 1 Comparative table of assessment models Criterion FIS ANFIS Fuzzy AHP / TOPSIS Uncertainty handling Interpretability Linguistic variables, rule-based inference Explicit IF–THEN rules Adaptability Static, no learning Computational complexity Low inference cost Fuzzy logic with adaptive learning Partially interpretable Data-driven parameter learning High training cost Fuzzy numbers, pairwise comparison Clear weighting and ranking Static decision structure Moderate matrix operations References: 1. Zimmermann, H. J. (2020). Fuzzy set theory-and its applications. Springer Science & Business Media. 2. Romero, C., Ventura, S., Pechenizkiy, M., & Baker, R. S. (2021). Handbook of Educational Data Mining. CRC Press. 3. Rahimov Nodir, Khasanov Dilmurod. (2022). The Mathematical Essence Of Logistic Regression For Machine Learning. https://doi.org/10.5281/zenodo.7239169 4. N.Raximov, J.Kuvandikov, D.Khasanov, “The importance of loss function in artificial intelligence”, International Conference on Information Science and Communications Technologies (ICISCT 20222), DOI: 10.1109/ICISCT55600.2022.10146883 5. Raximov N., Xasanov D. (2023). Data preprocessing techniques in machine learning. Информатика и инженерные технологии, 1(2), 27–31. извлечено от https://inlibrary.uz/index.php/computer-engineering/article/view/24959 AXBOROT TIZIMLARIDA SO‘ROVLAR OQIMINI NORAVSHAN MANTIQ MODELI ASOSIDA BOSHQARISH VA TEGISHLILIK FUNKSIYALARI SEZUVCHANLIGINI OPTIMALLASHTIRISH Kenjayev Sanjar Sobirovich, SamDU, tayanch doktorant s.kenjayev22@gmail.com Annotatsiya. Zamonaviy taqsimlangan va bulutli tizimlarda so‘rovlarni samarali taqsimlash muhim hisoblanadi. An’anaviy yuk balanslash usullari dinamik o‘zgarishlarni to‘liq hisobga olmaydi. Tadqiqotda noravshan mantiqqa asoslangan tizimlar uchun tegishlilik funksiyalari sezuvchanligini optimallashtirish modeli taklif etiladi. Kalit so‘zlar: noravshan mantiq, so‘rovlarni taqsimlash, tegishlilik funksiyasi, sezuvchanlik, yuk balanslash. Аннотация. Эффективное распределение запросов имеет важное значение в современных распределенных и облачных системах. Традиционные методы балансировки нагрузки не в полной мере учитывают динамические изменения. В исследовании предлагается модель для оптимизации чувствительности функций принадлежности для систем, основанных на нечеткой логике. Ключевые слова: нечеткая логика, распределение запросов, функция принадлежности, чувствительность, балансировка нагрузки. Abstract. Efficient request distribution is essential in modern distributed and cloud systems. Traditional load balancing methods do not fully account for dynamic changes. The study proposes a model for optimizing the sensitivity of membership functions for fuzzy logicbased systems. 296

Keywords: fuzzy logic, request distribution, membership function, sensitivity, load balancing. Kirish. Hozirgi kunda bulutli hisoblash, real vaqt xizmatlari va ko‘p foydalanuvchili platformalarning jadal rivojlanishi server infratuzilmalarini murakkab va dinamik muhitga aylantirmoqda. Bunday sharoitda so‘rovlarni samarali taqsimlash tizimning uzluksiz va barqaror ishlashi uchun muhim hisoblanadi [1]. An’anaviy yuk balanslash algoritmlari (Round Robin, Least Connection va boshqalar) qat’iy chegaraviy qoidalarga asoslanganligi sababli noaniqliklarni yetarli darajada hisobga olmaydi [2]. Shu sababli noravshan mantiq asosidagi yondashuvlar so‘nggi yillarda keng qo‘llanilmoqda. Noravshan tizimlarning asosiy ustunligi -server holatini “past yuk”, “o‘rta yuk”, “yuqori yuk” kabi lingvistik qiymatlar orqali baholash imkoniyati hisoblanadi [3]. Biroq amaliyot shuni ko‘rsatadiki, ko‘plab ishlarda barcha lingvistik qiymatlar uchun bir xil shakldagi tegishlilik funksiyalaridan foydalaniladi. Bu esa tizim sezuvchanligini pasaytirishi va qaror aniqligiga salbiy ta’sir ko‘rsatishi mumkin [4,5]. Metodologiya Tadqiqot davomida quyidagi muammolar kuzatildi: - ayrim serverlarda ortiqcha yuklanish paydo bo‘lishi; - tanlangan serverning real holatiga moslik aniqligining pasayishi; - turli shakldagi tegishlilik funksiyalari qo‘llanganda natijalarda sezilarli farqlar paydo bo‘lishi. Asosiy gipoteza shundan iboratki, har bir lingvistik holat o‘zining semantik tabiatiga ega bo‘lib, unga mos matematik funksiya tanlanishi kerak. Taklif etilayotgan yondashuv: Taklif etilgan modelda parametr semantikasiga qarab quyidagi moslik qo‘llanildi: - Past yuklanish → uchburchak funksiya - O‘rta yuklanish → trapetsiya funksiya - Yuqori yuklanish → Gauss funksiya Bu yondashuv har bir holatda optimal sezuvchanlikni ta’minlashga qaratilgan (1 rasm). 1- rasm. Server yukini tahlil qilishda tegishlilik funktsiyalarining sezgirlik xususiyatlarini optimallashtirish modeli Sezuvchanlik metrikalari: Har bir yuk holati uchun alohida sezuvchanlik mezoni qo‘llandi: Yuk holati Funksiya Metrika 297

Yuk holati Funksiya Metrika Past Triangular Maksimal sezuvchanlik O‘rta Trapezoidal Integral sezuvchanlik Yuqori Gaussian RMS sezuvchanlik Umumiy Normallashtirilgan Balanslangan Bu yondashuv tizim xatti-harakatini nozikroq boshqarish imkonini beradi. Eksperimental natijalar Tajriba natijalari quyidagilarni ko‘rsatdi(jadval 1): Past yuklanish - Uchburchak funksiya eng yuqori sezuvchanlikni berdi; - Tezkor javob va aniqlik oshdi. O‘rta yuklanish - Trapetsiya funksiya eng barqaror natija ko‘rsatdi; - Tizim tebranishlari kamaydi. Yuqori yuklanish - Gauss funksiya eng past RMS sezuvchanlikni berdi; - Prognoz aniqligi 93 %ga yetdi. Jadval 1. Turli xil sezuvchanlik darajalari va normallashtirilgan sezuvchanlik indeksi. 𝑺norm Yondashuv Low Average High Triangular 0.92 0.65 0.58 0.717 Gauss 0.61 0.72 0.91 0.747 Kombinatsion 0.95 0.88 0.93 0.920 Kombinatsion model samaradorligi Normallashtirilgan sezuvchanlik indeksi bo‘yicha: - faqat triangular → 0.717 - faqat Gauss → 0.747 - kombinatsion yondashuv → 0.920 Bu natija taklif etilgan model umumiy sezuvchanlik balansini sezilarli yaxshilashini ko‘rsatadi (2 rasm). 298