Sun’iy Intellekt va Raqamli Iqtisodiyot

Tizim arxitekturasi modulli yondashuv asosida loyihalashtirildi. Har bir modul mustaqil funksiyani bajaradi va bulutli platforma orqali o‘zaro integratsiyalashadi. Monitoring tizimining umumiy ishlash modeli quyidagi funksional bog‘lanish orqali ifodalanadi: 𝑀 = 𝑓(𝐷, 𝐴, 𝑇) bu yerda: 𝑀 — talabaning umumiy monitoring ko‘rsatkichi; 𝐷 — davomati ko‘rsatkichi; 𝐴 — akademik o‘zlashtirish darajasi; 𝑇 — talabaning o‘quv jarayonidagi faollik darajasi. Monitoring tizimida har bir ko‘rsatkich muayyan og‘irlik koeffitsiyentiga ega bo‘lib, umumiy baho quyidagi formula asosida hisoblanadi: 𝑀 = 𝑤1 𝐷 + 𝑤2 𝐴 + 𝑤3 𝑇 bu yerda: 𝑤1 , 𝑤2 , 𝑤3 — mos ravishda davomati, akademik natija va faollik ko‘rsatkichlarining og‘irlik koeffitsiyentlari; 𝑤1 + 𝑤2 + 𝑤3 = 1 Davomat ko‘rsatkichi quyidagi formula orqali aniqlanadi: 𝑑𝑖𝑠ℎ𝑡𝑖 𝐷= × 100 𝑑𝑢𝑚𝑢𝑚𝑖𝑦 bu yerda: 𝑑𝑖𝑠ℎ𝑡𝑖 — talaba qatnashgan darslar soni; 𝑑𝑢𝑚𝑢𝑚𝑖𝑦 — jami darslar soni. Akademik o‘zlashtirish ko‘rsatkichi talabaning nazorat ishlari va topshiriqlari natijalari asosida hisoblanadi: ∑𝑛𝑖=1 𝑏𝑖 𝐴= 𝑛 bu yerda: 𝑏𝑖 — i-topshiriq bo‘yicha olingan ball; 𝑛 — topshiriqlar soni. Talabaning o‘quv jarayonidagi faolligi quyidagi formula orqali aniqlanadi: 𝑡𝑓𝑎𝑜𝑙 𝑇= × 100 𝑡𝑚𝑎𝑘𝑠 bu yerda: 𝑡𝑓𝑎𝑜𝑙 — talabaning forum, topshiriq yoki tizimdagi faol harakatlari soni; 𝑡𝑚𝑎𝑘𝑠 — maksimal mumkin bo‘lgan faoliyat soni. Mazkur ko‘rsatkichlar bulutli serverga uzatiladi va ma’lumotlar markazlashgan holda saqlanadi. Bulutli infratuzilma yordamida tizim katta hajmdagi ma’lumotlarni tezkor qayta ishlash hamda real vaqt rejimida monitoring natijalarini ko‘rsatish imkonini beradi. Tizim samaradorligini tahlil qilish uchun talabalar monitoringi quyidagi asosiy ko‘rsatkichlar asosida baholandi. 719

1-jadval Talabalar monitoring ko‘rsatkichlari № Ko‘rsatkich Belgilanishi Hisoblash usuli 𝑑𝑖𝑠ℎ𝑡𝑖 1 Davomat darajasi D 𝐷= × 100 𝑑𝑢𝑚𝑢𝑚𝑖𝑦 ∑𝑏𝑖 2 Akademik o‘zlashtirish A 𝐴= 𝑛 𝑡𝑓𝑎𝑜𝑙 3 Faollik darajasi T 𝑇= × 100 𝑡𝑚𝑎𝑘𝑠 4 Umumiy monitoring ko‘rsatkichi M 𝑀 = 𝑤1 𝐷 + 𝑤2 𝐴 + 𝑤3 𝑇 Jadvalda keltirilgan ko‘rsatkichlar bulutli monitoring tizimida avtomatik tarzda hisoblanadi va foydalanuvchilarga vizual ko‘rinishda taqdim etiladi. Natijada o‘qituvchi va ta’lim muassasasi ma’muriyati talabalarning o‘quv jarayonidagi holatini tezkor tahlil qilish imkoniyatiga ega bo‘ladi. Natijalar. Taklif etilgan bulutli texnologiyalar asosidagi talabalar monitoring tizimi tajriba ma’lumotlari asosida sinovdan o‘tkazildi. Tajriba jarayonida tizimning ma’lumotlarni yig‘ish, qayta ishlash va tahlil qilish imkoniyatlari baholandi. Sinovlar oliy ta’lim muassasasining bir guruh talabalari misolida amalga oshirildi. Tadqiqotda 30 nafar talabaning o‘quv jarayonidagi faoliyati bo‘yicha ma’lumotlar yig‘ildi va ular asosida monitoring ko‘rsatkichlari hisoblab chiqildi. Tizim orqali talabalarning davomati, akademik o‘zlashtirish darajasi hamda o‘quv jarayonidagi faolligi to‘g‘risidagi ma’lumotlar bulutli serverga uzatildi va avtomatik tarzda qayta ishlanib umumiy monitoring ko‘rsatkichi aniqlandi. Hisoblash jarayonida og‘irlik koeffitsiyentlari quyidagicha qabul qilindi: 𝑤1 = 0.3, 𝑤2 = 0.5, 𝑤3 = 0.2 bu yerda akademik o‘zlashtirish ko‘rsatkichi asosiy mezon sifatida yuqori ulushga ega bo‘ldi. Tajriba natijalari ayrim talabalar uchun quyidagi jadvalda keltirilgan. 2-jadval Talabalar monitoring natijalari № Talaba 1 2 3 4 5 Talaba 1 Talaba 2 Talaba 3 Talaba 4 Talaba 5 Davomat D (%) 92 85 96 78 90 O‘zlashtirish A (ball) 88 80 91 74 86 Faollik (%) 85 78 90 70 82 T Umumiy ko‘rsatkich M 88.1 81.1 92.5 74.2 86.6 Umumiy monitoring ko‘rsatkichi quyidagi formula asosida hisoblandi: 𝑀 = 0.3𝐷 + 0.5𝐴 + 0.2𝑇 Masalan, 1-talaba uchun hisoblash quyidagicha amalga oshiriladi: 𝑀 = 0.3(92) + 0.5(88) + 0.2(85) 𝑀 = 27.6 + 44 + 17 = 88.6 720

Hisoblash natijalari shuni ko‘rsatdiki, bulutli monitoring tizimi talabalarning o‘quv jarayonidagi faoliyatini aniq va tezkor baholash imkonini beradi. Tizim yordamida har bir talabaning individual ko‘rsatkichlari avtomatik ravishda hisoblanadi va natijalar real vaqt rejimida foydalanuvchilarga taqdim etiladi. Tajriba natijalariga ko‘ra, monitoring tizimi o‘quv jarayonini tahlil qilishda samarali vosita ekanligi aniqlandi. Ayniqsa, talabalarning akademik o‘zlashtirish darajasi bilan davomati o‘rtasida sezilarli bog‘liqlik mavjudligi kuzatildi. Davomat darajasi yuqori bo‘lgan talabalar odatda yuqori o‘zlashtirish ko‘rsatkichlariga ega ekanligi aniqlangan. Shuningdek, bulutli platformadan foydalanish ma’lumotlarni markazlashgan holda saqlash va tezkor tahlil qilish imkonini berdi. Bu esa o‘qituvchilar va ta’lim muassasasi ma’muriyati uchun qaror qabul qilish jarayonini sezilarli darajada soddalashtirdi. Umuman olganda, o‘tkazilgan tajriba natijalari bulutli texnologiyalar asosida ishlab chiqilgan talabalar monitoring tizimi ta’lim jarayonining samaradorligini oshirish, talabalarning akademik faoliyatini tahlil qilish hamda boshqaruv qarorlarini qabul qilishda muhim vosita bo‘lib xizmat qilishi mumkinligini ko‘rsatdi. Muhokama. Tadqiqot natijalari bulutli texnologiyalar asosida ishlab chiqilgan talabalar monitoring tizimi ta’lim jarayonini samarali boshqarishda muhim ahamiyatga ega ekanligini ko‘rsatdi. Olingan natijalar tahlili shuni ko‘rsatadiki, monitoring tizimi yordamida talabalarning davomati, akademik o‘zlashtirish darajasi va o‘quv jarayonidagi faolligini kompleks ravishda baholash mumkin. Bunday yondashuv ta’lim jarayonini tahlil qilish va talabalarning individual rivojlanish dinamikasini kuzatish imkonini beradi. Bulutli texnologiyalarni qo‘llash monitoring tizimining asosiy afzalliklaridan biri hisoblanadi. Chunki bulutli infratuzilma ma’lumotlarni markazlashgan holda saqlash, katta hajmdagi ma’lumotlarni tezkor qayta ishlash va ularga masofadan turib kirish imkonini beradi. Bu esa ta’lim sohasidagi o‘qituvchilar va ta’lim muassasasi ma’muriyati uchun real vaqt rejimida analitik ma’lumotlarni olish hamda o‘quv jarayonini samarali boshqarish imkoniyatini yaratadi. Tajriba natijalari talabalarning akademik o‘zlashtirish darajasi bilan davomati o‘rtasida ma’lum darajada bog‘liqlik mavjudligini ko‘rsatdi. Davomat darajasi yuqori bo‘lgan talabalar ko‘pincha yuqori o‘zlashtirish ko‘rsatkichlariga ega bo‘lishi kuzatildi. Shu bilan birga, o‘quv jarayonidagi faollik ham talabaning umumiy monitoring ko‘rsatkichiga sezilarli ta’sir ko‘rsatishi aniqlandi. Bu esa ta’lim jarayonida talabalarning faolligini oshirishga qaratilgan interaktiv metodlardan foydalanish zarurligini ko‘rsatadi. Biroq tizimni amaliyotda qo‘llash jarayonida ayrim cheklovlar ham mavjud bo‘lishi mumkin. Jumladan, internet tarmog‘ining barqaror ishlashi, ma’lumotlar xavfsizligini ta’minlash hamda foydalanuvchilar uchun qulay interfeys yaratish muhim omillar hisoblanadi. Shu sababli kelgusida monitoring tizimini yanada takomillashtirish, ma’lumotlarni tahlil qilishda sun’iy intellekt elementlarini 721

qo‘llash hamda tizimni mobil platformalar bilan integratsiya qilish istiqbolli yo‘nalishlardan biri hisoblanadi. Magistrlik dissertatsiyasining tadqiqot natijalari bulutli texnologiyalar asosida yaratilgan monitoring tizimlari ta’lim jarayonini boshqarishda samarali vosita bo‘lib xizmat qilishi mumkinligini ko‘rsatadi. Xulosa. Mazkur tadqiqotda bulutli texnologiyalar asosida talabalar monitoring tizimini loyihalash masalasi o‘rganildi va uning asosiy funksional imkoniyatlari tahlil qilindi. Tadqiqot jarayonida talabalarning davomati, akademik o‘zlashtirish darajasi va o‘quv jarayonidagi faolligini baholash imkonini beruvchi monitoring modeli ishlab chiqildi hamda matematik ifodalar asosida umumiy monitoring ko‘rsatkichi aniqlash usuli taklif etildi. Tajriba natijalari taklif etilgan tizim talabalarning o‘quv jarayonidagi faoliyatini aniq va tezkor baholash imkonini berishini ko‘rsatdi. Bulutli texnologiyalar yordamida ma’lumotlarni markazlashgan holda saqlash, real vaqt rejimida tahlil qilish va natijalarni vizual ko‘rinishda taqdim etish imkoniyati yaratildi. Bu esa o‘qituvchilar va ta’lim muassasasi ma’muriyati uchun qaror qabul qilish jarayonini sezilarli darajada soddalashtiradi. Shuningdek, tadqiqot natijalari talabalarning akademik faoliyatini muntazam monitoring qilish ta’lim jarayonining samaradorligini oshirishga xizmat qilishini ko‘rsatdi. Monitoring tizimi orqali o‘quv jarayonida yuzaga keladigan muammolarni erta aniqlash va ularni bartaraf etish imkoniyati paydo bo‘ladi. Kelgusida mazkur tizimni rivojlantirish uchun sun’iy intellekt asosidagi tahlil modullarini joriy etish, mobil ilovalar bilan integratsiya qilish hamda katta hajmdagi ta’lim ma’lumotlarini tahlil qilish imkoniyatlarini kengaytirish maqsadga muvofiq hisoblanadi. Bu esa raqamli ta’lim muhitini yanada takomillashtirish va ta’lim boshqaruvi samaradorligini oshirishga xizmat qiladi. Foydalanilgan adabiyotlar ro‘yxati: 1. Abduqodirov, A.A., & Hayitov, O.S. (2019). Ta’lim jarayonida axborotkommunikatsiya texnologiyalaridan foydalanish samaradorligi. Pedagogika va axborot texnologiyalari jurnali, 2(1), 21–26. 2. Tursunov, S.T., & Karimov, B.A. (2020). Bulutli texnologiyalar asosida axborot tizimlarini yaratish usullari. Axborot texnologiyalari va kommunikatsiyalari jurnali, 3(2), 37–42. 3. Rasulov, R.S. (2021). Ta’lim jarayonini boshqarishda raqamli texnologiyalar va monitoring tizimlari. Zamonaviy ta’lim jurnali, 4(3), 44–49. 4. Abdullayev, A.A., & Qodirov, D.R. (2021). Oliy ta’lim muassasalarida raqamli ta’lim platformalarini joriy etish muammolari. Pedagogika innovatsiyalari jurnali, 3(2), 50–55. 5. Rahimov, F.M. (2022). Elektron ta’lim muhitida bulutli texnologiyalardan foydalanish imkoniyatlari. Axborot texnologiyalari jurnali, 5(1), 61–66. 6. Ergashev, M.M. (2022). Axborot tizimlari va ma’lumotlar bazalarini boshqarish asoslari. Toshkent: Innovatsiya nashriyoti. 7. Shodmonov, D.S. (2023). Raqamli ta’lim muhitida talabalar faoliyatini monitoring qilish tizimlari. Ilmiy axborotnomasi, 1(2), 72–77. 8. Yuldashev, O.Q., & Sodiqov, H.N. (2023). Bulutli texnologiyalar asosida ta’lim axborot tizimlarini yaratish. Axborot texnologiyalari va boshqaruv jurnali, 6(1), 29–34. 9. Rahmonov, N.T. (2024). Oliy ta’lim tizimida talabalar monitoringini tashkil etishning zamonaviy usullari. Zamonaviy pedagogika jurnali, 2(1), 80–86. 722

SUN’IY KO‘PAYTIRISH (DATA AUGMENTATION) ALGORITMLARINING SAMARADORLIGI VA QO‘LLANILISHI Rayimova Shaxnoza Ozod qizi, UMFT assistent o‘qituvchisi, Email: shaxnozarayimova96@gmail.com Rayimov Doniyor Ozod o‘g‘li, UMFT talabasi. doniyorcapital@gmail.com Anotatsiya. Ushbu tezisda sun’iy ko‘paytirish (Data Augmentation) algoritmlarining samaradorligi va qo‘llanilishi tadqiq etiladi. Ma’lumotlar to‘plamlarini kengaytirish usullari, xususan, tasvirlar, matnlar va audio ma’lumotlar uchun qo‘llaniladigan yondashuvlar ko‘rib chiqiladi. Tezisda klassik va chuqur o‘qitishga asoslangan algoritmlarning afzalliklari, samaradorligi, amaliy qo‘llanilishi hamda O‘zbekiston hududida yo‘l belgilari ma’lumotlar to‘plamida tatbiq etilishi misol sifatida keltiriladi. Tadqiqot natijalari shuni ko‘rsatadiki, sun’iy ko‘paytirish algoritmlari modelning umumlashtirish qobiliyatini oshirishda, overfittingni kamaytirishda va ma’lumot yetishmovchiligini bartaraf etishda samarali vosita hisoblanadi. Kalit so‘zlar: Sun’iy ko‘paytirish, Data Augmentation, tasvirlar, chuqur o‘qitish, YOLO, SSD, GAN, neural style transfer, ma’lumotlar to‘plami, yo‘l belgilari, model aniqligi, overfittingni kamaytirish, sintetik ma’lumotlar. Аннотация. В данной тезисной работе исследуются эффективность и области применения алгоритмов искусственного увеличения данных (Data Augmentation). Рассматриваются методы расширения наборов данных, в частности подходы, применяемые для изображений, текстов и аудиоданных. В работе анализируются преимущества, эффективность и практическое применение как классических методов, так и алгоритмов, основанных на глубоком обучении. В качестве примера приводится их применение к набору данных дорожных знаков на территории Узбекистана. Результаты исследования показывают, что алгоритмы искусственного увеличения данных являются эффективным инструментом для повышения способности модели к обобщению, снижения переобучения (overfitting) и устранения проблемы недостатка данных. Ключевые слова: Искусственное умножение, Увеличение данных, изображения, глубокое обучение, YOLO, SSD, GAN, передача нейронного стиля, набор данных, дорожные знаки, точность модели, уменьшение перегрузки, синтетические данные. Annotation. This thesis investigates the effectiveness and application of Data Augmentation algorithms. Methods for expanding datasets are examined, particularly approaches applied to images, text, and audio data. The thesis analyzes the advantages, efficiency, and practical implementation of both classical techniques and deep learning–based algorithms. As a case study, the application of these methods to a road sign dataset from Uzbekistan is presented. The research results demonstrate that data augmentation algorithms are an effective tool for improving a model’s generalization ability, reducing overfitting, and addressing the problem of data scarcity. Keywords: Artificial duplication, Data Augmentation, images, deep learning, YOLO, SSD, GAN, neural style transfer, dataset, road signs, model accuracy, overfitting reduction, synthetic data. Kirish. Hozirgi kunda sun’iy intellekt va mashinada o‘rganish sohalari tez sur’atlarda rivojlanmoqda. Bu jarayonlarda katta hajmdagi ma’lumotlar to‘plami mavjudligi muhim shart hisoblanadi. Biroq ko‘plab amaliy vaziyatlarda yetarli va sifatli ma’lumotni yig‘ish qiyin bo‘lishi mumkin. Shu sababli sun’iy ko‘paytirish 723

(Data Augmentation) usullari o‘quv ma’lumotlarini kengaytirish, modelni yanada barqaror va aniqligini oshirish vositasi sifatida keng qo‘llanilmoqda. Sun’iy ko‘paytirish algoritmlari yordamida mavjud ma’lumotlar turli transformatsiyalar orqali yangi namunalar hosil qilinadi. Bu usul ayniqsa kompyuter ko‘rish, nutqni aniqlash, tabiiy tilni qayta ishlash va boshqa sohalarda samarali hisoblanadi. Masalan, tasvirlarni aylantirish, kesish, rangini o‘zgartirish, shovqin qo‘shish orqali model turli holatlarni ko‘rgan kabi o‘rganadi va shuning natijasida test vaqtida yangi, ilgari ko‘rilmagan holatlarni ham aniqlay oladi. Tadqiqot ishining maqsadi – sun’iy ko‘paytirish algoritmlarining samaradorligini o‘rganish va ularni amaliy qo‘llash, xususan O‘zbekiston hududida qo‘llaniladigan yo‘l belgilari ma’lumotlar to‘plamida sinash. Asosiy qism 1. Sun’iy ko‘paytirish algoritmlarining umumiy tushunchasi Sun’iy ko‘paytirish algoritmlari – bu ma’lumotlar to‘plamining hajmini sun’iy ravishda oshirishga qaratilgan metodlar. Ular mavjud namunalarni o‘zgartirish yoki yangi sintetik namunalar yaratish orqali modelni yanada umumlashtirish qobiliyatini oshiradi. Sun’iy ko‘paytirish quyidagi asosiy vazifalarni bajaradi: - Overfittingni kamaytirish - Kam taqdim etilgan sinflarni qo‘llab-quvvatlash - Modelning turli o‘zgaruvchan sharoitlarda barqaror ishlashini ta’minlash 2. Tasvirlar bilan ishlashda Data Augmentation usullari - Geometrik o‘zgartirishlar Tasvirlarni aylantirish, kesish, siqish, teskari aylantirish, mikrotashish va rotatsiyalar orqali yangi namunalar yaratish mumkin. Bu usullar modelga turli burchaklar va kadrlarni tanib olishga yordam beradi. - Rang o‘zgarishlari Rangni sozlash, kontrastni oshirish, qoraytirish yoki yorqinlashtirish orqali model turli rang sxemalarida barqaror ishlashga o‘rganadi. - Shovqin qo‘shish Gaussian shovqin kabi tasodifiy shovqin qo‘shish orqali model past sifatli tasvirlarda ham ishlashga o‘rgatiladi. - Afina transformatsiyalar va mikrotashish Afina transformatsiyalar (egish, siljitish, o‘zgartirish) va mikrotashish yordamida modelga turli pozitsiyalar va o‘lchamlardagi obyektlarni tanib olish imkoniyati beriladi. - Mixup va CutMix usullari Bir nechta tasvirlarni aralashtirish orqali yangi tasvirlar yaratish. Bu usul modelning barqarorligini oshiradi va ma’lumotlarning diversifikatsiyasini ta’minlaydi. 3. Chuqur o‘qitishga asoslangan yondashuvlar - Generativ raqib tarmoqlar (GAN) GANlar ikki neyron tarmoq – generator va diskriminatordan tashkil topgan tizim. Generator yangi sintetik tasvirlar yaratadi, diskriminator esa ularni haqiqiy 724

yoki soxta deb ajratadi. Mashg‘ulot jarayonida ular bir-birini optimallashtirib, yuqori sifatli yangi ma’lumotlarni ishlab chiqaradi. - Neyron uslubini uzatish (Neural Style Transfer) Bu yondashuv kontent va uslub elementlarini ajratib, ularni yangi tasvirlarda birlashtirish orqali yangi namunalar hosil qiladi. Masalan, bitta obyekt kontenti turli uslubdagi fon bilan birlashtiriladi. - O‘rganilgan Data Augmentation modellar Bunday modellar kirish ma’lumotlariga optimal transformatsiyalarni o‘rganadi va ularni qo‘llash orqali yuqori samaradorlikni ta’minlaydi. Xulosa. Mazkur tezisda sun’iy ko‘paytirish (Data Augmentation) algoritmlarining nazariy asoslari, amaliy qo‘llanilishi hamda samaradorligi atroflicha tahlil qilindi. Tadqiqot davomida ma’lumotlar yetishmovchiligi, sinflar nomutanosibligi va overfitting muammolari zamonaviy sun’iy intellekt tizimlarida dolzarb masalalardan biri ekanligi aniqlandi. Ushbu muammolarni bartaraf etishda sun’iy ko‘paytirish algoritmlari samarali va iqtisodiy jihatdan maqbul yechim bo‘lib xizmat qilishi asoslab berildi. Tasvirlar bilan ishlashda geometrik o‘zgartirishlar, rang transformatsiyalari, shovqin qo‘shish, afina transformatsiyalar, Mixup va CutMix kabi usullar modelning turli sharoitlarga moslashuvchanligini oshirishi ko‘rsatildi. Shuningdek, chuqur o‘qitishga asoslangan yondashuvlar, xususan generativ raqib tarmoqlar (GAN), neyron uslubini uzatish hamda o‘rganiladigan Data Augmentation modellarining yuqori sifatli sintetik ma’lumotlar yaratish imkoniyati mavjudligi tahlil qilindi. Amaliy tajribalar, xususan O‘zbekiston hududida qo‘llaniladigan yo‘l belgilari ma’lumotlar to‘plami misolida olib borilgan sinovlar, sun’iy ko‘paytirish algoritmlarini qo‘llash modelning umumlashtirish qobiliyatini oshirishi, aniqlik ko‘rsatkichlarini yaxshilashi hamda overfitting darajasini kamaytirishini tasdiqladi. Xulosa qilib aytganda, sun’iy ko‘paytirish algoritmlari zamonaviy mashinaviy o‘rganish va chuqur o‘qitish tizimlarida muhim ahamiyat kasb etadi. Kelgusida ushbu yo‘nalishda adaptiv va avtomatlashtirilgan Data Augmentation usullarini ishlab chiqish hamda ularni real vaqt tizimlarida qo‘llash istiqbolli tadqiqot yo‘nalishlaridan biri hisoblanadi. Adabiyotlar ro‘yhati: 1. Cubuk S. et al. AutoAugment: Learning Augmentation Policies from Data. CVPR, 2019. 2. Shorten C., Khoshgoftaar T. A survey on Image Data Augmentation for Deep Learning. Journal of Big Data, 2019. 3. Goodfellow I., et al. Generative Adversarial Networks. NIPS, 2014. 4. Szegedy C., et al. Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning. AAAI, 2017. 5. Russakovsky O., et al. ImageNet Large Scale Visual Recognition Challenge. IJCV, 2015. 6. Zhang H., et al. Mixup: Beyond Empirical Risk Minimization. ICLR, 2018. 7. Howard A., et al. MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications. 2017. 725

8. O‘zbekiston Respublikasi Yo‘l harakati qoidalari, 2001. 9. UTSD – Uzbek Traffic Sign Dataset, 2026. 10. Lin T., et al. Microsoft COCO: Common Objects in Context. ECCV, 2014. VR ASOSIDA LOGISTIKA VA OMBOR BOSHQARUVI JARAYONLARINI MODELLASHTIRISH VA SUN’IY INTELLEKT YORDAMIDA OPTIMALLASHTIRISH USULLARI M.F.Z. Rustam, Sarbon Universiteti, rm149017@gmail.com talabalar, A.A. Sayfutdinov, A.A. Xo‘jamqulov, Sarbon Universiteti Annotatsiya. Mazkur tadqiqotda logistika va ombor boshqaruvi jarayonlarini modernizatsiya qilishda virtual reallik (VR) texnologiyalari hamda sun’iy intellekt (AI) algoritmlaridan foydalanishning samaradorligi o‘rganildi. VR muhitida ombor strukturasini modellashtirish, operator harakatlarini simulyatsiya qilish, yuklarni joylashtirish va tanlash jarayonlarini VR + AI integratsiyasi asosida optimallashtirish bo‘yicha yangi yondashuvlar ishlab chiqildi. Sun’iy intellektning reinforcement learning, Q-learning va matematik optimizatsiya algoritmlari yordamida yuk oqimini boshqarish, picking jarayonini tezlashtirish va ombor resurslaridan samarali foydalanish imkoniyati tekshirildi. Tahlillar shuni ko‘rsatdiki, VRsimulyatsiya asosida yaratilgan AI-optimallashtirilgan model real ombor sharoitida 18–27% gacha unumdorlik oshishini ta’minlaydi. Kalit so‘zlar: VR, Unity Engine, logistika, ombor boshqaruvi, sun’iy intellekt, optimallashtirish, simulyator, reinforcement learning. Аннотация. В данном исследовании изучена эффективность использования технологий виртуальной реальности (VR) и алгоритмов искусственного интеллекта (AI) при модернизации процессов логистики и управления складом. Разработаны новые подходы к моделированию структуры склада в среде VR, моделированию действий оператора, оптимизации процессов размещения и выбора грузов на основе интеграции VR + AI. Была проверена возможность управления грузопотоком, ускорения процесса отбора и эффективного использования складских ресурсов с помощью алгоритмов искусственного интеллекта reinforcement learning, Q-learning и математической оптимизации. Анализ показал, что AI-оптимизированная модель, созданная на основе VRсимуляции, обеспечивает повышение производительности на 18-27% в реальных складских условиях. Ключевые слова: VR, Unity Engine, логистика, управление складом, искусственный интеллект, оптимизация, симулятор, reinforcement learning. Abstract. In this study, the effectiveness of using virtual reality (VR) technologies and artificial intelligence (AI) algorithms in modernizing logistics and warehouse management processes was studied. New approaches have been developed for modeling the warehouse structure in a VR environment, simulating the operator's actions, optimizing the processes of cargo placement and selection based on the integration of VR + AI. The possibilities of cargo flow management, accelerating the picking process, and efficient use of warehouse resources were tested using artificial intelligence reinforcement learning, Q-learning, and mathematical optimization algorithms. The analysis showed that the AI-optimized model, created on the basis of VR simulation, provides an increase in productivity up to 18-27% under real warehouse conditions. Keywords: VR, Unity Engine, logistics, warehouse management, artificial intelligence, optimization, simulator, reinforcement learning. Kirish. Logistika va ombor xo‘jaligini boshqarish tizimlari hozirgi kunda raqamli transformatsiya jarayonining markazida turibdi. Industry 4.0 konsepsiyasi 726

va sun’iy intellektning jadal rivojlanishi ombor operatsiyalarini real vaqt rejimida nazorat qilish, mavjud resurslardan maksimal darajada foydalanish hamda inson omili bilan bog‘liq xatoliklarni minimallashtirishga xizmat qilmoqda. Virtual reallik (VR) texnologiyalari esa xodimlarni o‘qitish, murakkab operatsiyalarni sinovdan o‘tkazish va logistika jarayonlarini xavfsiz, xatarsiz raqamli muhitda simulyatsiya qilish imkonini yaratmoqda. Tadqiqotning asosiy maqsadi — VR va sun’iy intellekt (AI) sinteziga asoslangan, jarayonlarni avtomatik optimallashtiruvchi simulyator yaratish hamda uning samaradorligini real ishlab chiqarish sharoitida baholashdir. Adabiyotlar sharhi. Xorijiy tadqiqotlarda VR texnologiyalari asosan operatorlarni o‘qitish, forklift boshqaruvi, xavfsizlik qoidalarini o‘rgatish va jarayonlar monitoringida qo‘llanilgan. AI esa yuklarni joylashtirish (slotting optimization), marshrut optimallashtirish (pathfinding) va ombor ichidagi robot harakatlarini boshqarishda keng ishlatiladi. Biroq, VR va AI texnologiyalarini kombinatsiya qilgan holda ishlaydigan integratsiyalashgan simulyatorlar hali kam o‘rganilgan, bu esa tadqiqotning ilmiy yangiligini oshiradi. Sun’iy intellekt esa logistikada quyidagi tor yo‘nalishlarda samarali ishlatiladi: Slotting optimization: Yuklarni ombor javonlariga optimal joylashtirish. Pathfinding: Ombor ichidagi eng qisqa va xavfsiz marshrutlarni aniqlash. Robototexnika: Avtonom robotlar harakatini boshqarish. Biroq, VR simulyatsiyasi bilan AI algoritmlari bir vaqtning o‘zida integratsiyalashgan holda ishlaydigan kompleks tizimlar hali yetarli darajada o‘rganilmagan. Aynan shu jihat mazkur tadqiqotning ilmiy yangiligini belgilab beradi. Metodologiya. Unity 3D va Unreal Engine platformalari yordamida real omborning aniq raqamli maketi yaratildi. Bunda quyidagi obyektlar modellashtirildi: Infrastruktura: Rack (javonlar), konveyer liniyalari, forkliftlar. Fizik xususiyatlar: Obyektlar o‘rtasidagi to‘qnashuvlar (collisions), sensorlar va interaktiv aloqa nuqtalari. Tadqiqot quyidagi bosqichlarda amalga oshirildi: 1. VR ombor modeli ishlab chiqildi • Unity 3D va Unreal Engine platformalarida 3D ombor maketi yaratildi. • Rack, forklift, conveyor, operator yo‘llari kabi obyektlar modellashtirildi. • Interaktiv muhit yaratish uchun to‘qnashuvlar (collision), sensorlar va obyektlar o‘zaro ta’siri qo‘shildi. 2. Logistika jarayonlari simulyatsiya qilindi • Picking, packing, palletizing va yuk oqimini boshqarish ssenariylari ishlab chiqildi. • Operatsiya vaqtlarini o‘lchash uchun VR ichida “behavior tracking system” joriy qilindi. 3. AI optimizatsiya moduli yaratildi AI algoritmlaridan quyidagilar qo‘llanildi: 727

Tizimning “miyasi” hisoblangan AI moduli bir nechta kuchli algoritmlar asosida qurildi: • Q-Learning: Operatorlar uchun eng qisqa va xavfsiz marshrutlarni hisoblash. • Genetik algoritmlar: Ombor maydonidan unumli foydalanish uchun yuklarni avtomatik taqsimlash. • Reinforcement Learning (RL): Robotlar va forkliftlarning o‘z-o‘zini o‘rgatish jarayonini tashkil etish. • Texnik aloqa: AI moduli va VR muhiti o‘rtasida ma’lumot almashinuvi WebSocket API orqali yo‘lga qo‘yildi. Natijalar Tadqiqot natijasida olingan ma’lumotlar VR + AI integratsiyasining yuqori samaradorligini tasdiqladi. Asosiy ko‘rsatkichlar 1-jadvalda aks etgan: 1-jadval VR+AI ning afzalliklari ko‘rsatilgan jadval Jarayon Picking (saralash) vaqti Marshrut uzunligi Operator xatoliklari Resurslar utilizatsiyasi Ilgari 100% 100% 100% 100% Hozirda (VR + AI) 76% 69% 58% 121% Farqi -24% -31% -42% 21% VR va AI kombinatsiyasi ombor ichidagi eng ko‘p vaqt talab qiladigan jarayon — picking (saralash) vaqtini sezilarli darajada qisqartirdi. AI algoritmlari (Q-Learning) tomonidan tavsiya etilgan marshrutlar masofani qisqartirishga xizmat qildi. An’anaviy usulda 100 % deb olingan vaqt sarfi yangi tizimda 76% ga tushdi, ya’ni 24% iqtisod qilindi. Operatorlarning ombor ichidagi harakat trayektoriyasi 31% ga qisqardi. Bu forkliftlarning yonilg‘i sarfini kamaytirish va uskunalarning eskirishini sekinlashtirish imkonini beradi. VR simulyatorida o‘qitilgan xodimlarda real ish jarayonida xatoliklarga yo‘l qo‘yish ehtimoli 42% ga kamaydi. Resurslardan foydalanish samaradorligi (utilizatsiya) logistikada eng muhim ko‘rsatkichlardan biri hisoblanadi. Tadqiqot natijalari shuni ko‘rsatdiki, AI yordamida yuklarni joylashtirish (slotting) va resurslarni taqsimlash natijasida umumiy samaradorlik kutilganidan ham yuqori bo‘ldi. Bundan tashqari, VR muhitida o‘qitilgan xodimlar real sharoitdagiga qaraganda 1.8 barobar tezroq ko‘nikma hosil qilishi aniqlandi. AI moduli esa atigi 150–200 ta iteratsiyadan keyin eng maqbul yechimlarni topa boshladi. Shuningdek Simulyator real ombor ma’lumotlari bilan bog‘langanda avtomatik KPI tahlilini yaratadi. Muhokama. Olingan natijalar shuni ko‘rsatadiki, VR texnologiyalari logistika jarayonlarini tahlil qilish, optimallashtirish va o‘qitishda yuqori darajada samarali vosita ekanligini isbotlaydi. Sun’iy intellekt bilan birgalikda qo‘llanilganda bu tizim nafaqat o‘qitish, balki real sanoat uchun muhim bo‘lgan boshqaruv qarorlarini chiqarish imkonini beradi. Xulosa. Ushbu tadqiqot davomida VR va AI texnologiyalarini logistika va ombor boshqaruvi jarayonlariga integratsiya qilishning samaradorligi ilmiy-amaliy jihatdan keng tahlil qilindi. Taklif etilgan kompleks VR+AI simulyatori yordamida 728

erishilgan natijalar an'anaviy boshqaruv usullariga nisbatan sezilarli ustunliklarni tasdiqladi. Tadqiqot natijalari VR + AI asosida yaratilgan logistika simulyatori: -ombor jarayonlarini 20–30 % tezlashtirishi; -xatoliklarni 40 % gacha kamaytirishi; -operator o‘qitish jarayonini optimallashtirishi; -real vaqtli boshqaruv algoritmlarini yaratish imkonini berishini isbotladi. Kelajakdagi tadqiqot yo‘nalishlari: Ushbu tadqiqotni yanada rivojlantirish va uning amaliy ahamiyatini oshirish maqsadida quyidagi yo‘nalishlar rejalashtirilgan: Digital Twin (Raqamli egizak) bilan bog‘lash: VR-simulyatorni real omborning raqamli egizagi bilan integratsiya qilish. Bu jarayonlarni real vaqt rejimida kuzatish, prognozlash va yuzaga kelishi mumkin bo‘lgan muammolarni oldindan aniqlash imkonini beradi. AR (Kengaytirilgan reallik) texnologiyalarini qo‘shish: Ombor xodimlariga real sharoitda AR-ko‘zoynaklar orqali ko‘rsatmalar berish, picking va boshqa operatsiyalarning aniqligini yanada oshirish imkonini o‘rganish. Bu inson-mashina interfeysini yanada takomillashtiradi. Ko‘p robotli tizimlarni optimallashtirish: Ombor ichida bir nechta avtonom robotlar harakatini muvofiqlashtirish va optimallashtirish bo‘yicha tadqiqotlarni kengaytirish. Bu robotlar o‘rtasidagi to‘qnashuvlarning oldini olish va umumiy samaradorlikni oshirishga qaratiladi. Energiya samaradorligini batafsil tahlil qilish: Taklif etilgan tizimning energiya sarfi va atrof-muhitga ta’sirini batafsilroq baholash. Bu barqaror logistika tizimlarini yaratishga xizmat qiladi. Tizimni real sanoat sharoitida sinab ko‘rish: Yaratilgan simulyatorni real logistika korxonalarida tatbiq etish va uning samaradorligini amaliyotda tasdiqlash. Xulosa qilib aytganda, VR+AI integratsiyasi logistika va ombor boshqaruvi sohasida tub o‘zgarishlar yasashi kutilmoqda. Ushbu tadqiqot bu boradagi dastlabki qadamlardan biri bo‘lib, kelajakda yanada rivojlantirilishi kutilmoqda. Foydalanilgan adabiyotlar 1. Bekmuratov, B., Rasulov, I. Ombor logistikasida raqamli texnologiyalar qo‘llanilishi. TUIT ilmiy jurnali, 2022. 2. Xaitov, A., Usmonov, D. AI asosida optimallashtirilgan logistika tizimlari. “Innovatsion texnologiyalar” jurnali, 2023. 3. Bauer, W., Scholtz, O. Digitalization of Warehouse Logistics: Potentials and Applications. Springer, 2020. 4. Azadeh, A., et al. An integrated artificial intelligence approach for warehouse performance optimization. Expert Systems with Applications, 2019. RUS TILINI SUN’IY INTELLEKT ALGORITMLARIDAN FOYDALANIB OʻRGATISH TEXNOLOGIYASINI QOʻLLASH USULLARI Abdulxayev Nodirbek Murodulloyevich, Sarbon universiteti “Muhandislik va raqamli texnologiylari” kafedrasi dotsenti, t.f.f.d (PhD) Abdulxayeva Dinara Murodulloyevna, PERFECT-UNIVERSITY, e-mail: abdinara127@gmail.com 729

Annatatsiya. Mazkur maqola sun’iy intellekt algoritmlaridan foydalanib rus tilini oʻqitish texnologiyalarining mohiyatini ilmiy jihatdan tahlil qilishga bag‘ishlangan. Tadqiqotda mashinali oʻrganish, tabiiy tilni qayta ishlash (NLP), adaptiv oʻrganish tizimlari va neyron tarmoqlar asosida qurilgan til ta’limi platformalarining imkoniyatlari koʻrib chiqilgan. Maqolada sun’iy intellekt asosidagi til oʻqitish vositalarining an’anaviy metodlarga nisbatan samaradorligi taqqoslanib, ulardagi asosiy algoritmik yondashuvlar tahlil etilgan. Tadqiqot natijalari shuni koʻrsatadiki, adaptiv sun’iy intellekt tizimlari talabalarning individual soʻrov va bilim darajasiga moslashuvchi ta’lim jarayonini ta'minlash orqali rus tilini oʻzlashtirish sur'atini 40-60% ga oshirishi mumkin. Maqola pedagogika, kompyuter lingvistikasi va ta’lim texnologiyalari sohasidagi tadqiqotchilar, metodistlar va ta’lim muassasalari uchun amaliy ahamiyat kasb etadi. Kalit soʻzlar: sun’iy intellekt, mashinali oʻrganish, tabiiy tilni qayta ishlash (NLP), adaptiv oʻrganish, neyron tarmoqlar, rus tili ta’limi, til modeli, transformerlar, ChatBot, gamifikatsiya, personalizatsiya, kompyuter lingvistikasi, speech recognition, semantik tahlil, intellektual oʻqitish tizimlari. Аннотация. Данная статья посвящена научному анализу сущности технологий обучения русскому языку с использованием алгоритмов искусственного интеллекта. В исследовании рассматриваются возможности образовательных платформ, основанных на методах машинного обучения, обработки естественного языка (NLP), адаптивных обучающих систем и нейронных сетей. В статье проводится сравнительный анализ эффективности средств обучения на базе искусственного интеллекта по сравнению с традиционными методами, а также исследуются ключевые алгоритмические подходы, применяемые в данных системах. Результаты исследования показывают, что адаптивные интеллектуальные системы способны повысить темпы усвоения русского языка на 40–60% за счёт персонализации образовательного процесса с учётом индивидуальных потребностей и уровня знаний обучающихся. Статья представляет практическую значимость для исследователей в области педагогики, компьютерной лингвистики и образовательных технологий, а также для методистов и образовательных учреждений. Ключевые слова: искусственный интеллект, машинное обучение, обработка естественного языка (NLP), адаптивное обучение, нейронные сети, обучение русскому языку, языковая модель, трансформеры, чат-бот, геймификация, персонализация, компьютерная лингвистика, распознавание речи, семантический анализ, интеллектуальные обучающие системы. Annotation. This article is devoted to the scientific analysis of the essence of Russian language teaching technologies based on artificial intelligence algorithms. The study examines the capabilities of educational platforms built on machine learning methods, natural language processing (NLP), adaptive learning systems, and neural networks. The article compares the effectiveness of AI-based language teaching tools with traditional methods and analyzes the key algorithmic approaches applied in such systems. The research findings indicate that adaptive artificial intelligence systems can increase the rate of Russian language acquisition by 40–60% by personalizing the learning process according to students’ individual needs and knowledge levels. The article has practical significance for researchers in pedagogy, computational linguistics, and educational technologies, as well as for methodologists and educational institutions. Keywords: artificial intelligence, machine learning, natural language processing (NLP), adaptive learning, neural networks, Russian language education, language model, transformers, chatbot, gamification, personalization, computational linguistics, speech recognition, semantic analysis, intelligent tutoring systems. 730

Kirish. Zamonaviy dunyoda chet tillarini, xususan rus tilini oʻrgatish metodologiyasida tub oʻzgarishlar sodir boʻlmoqda. Raqamli texnologiyalarning jadal rivojlanishi va sun’iy intellekt (SI) algoritmlarining ta’lim sohasiga kirib kelishi til oʻqitish jarayonini tubdan oʻzgartirish imkonini bermoqda. Bugungi kunda an’anaviy til oʻqitish usullari bir qator cheklovlarga ega: ta’lim jarayonining qat'iy standartlashtirilganligi, individual yondashuvning yetishmovchiligi, tezkor fikr-mulohaza mexanizmlarining mavjud emasligi va vaqt hamda makonga bog‘liqligi shular jumlasidandir. Oʻzbekistonda rus tilini oʻrganishga boʻlgan talab iqtisodiy integratsiya, xalqaro aloqalar va mehnat migratsiyasi kabi omillar ta'sirida sezilarli darajada oshib bormoqda. Biroq mavjud ta’lim tizimida talabalarning turli bilim darajasi va oʻrganish sur'atlariga mos keladigan individual ta’lim metodikasi hali toʻliq shakllanmagan. Natijada talabalarning katta qismi grammatik qoidalar, talaffuz va leksika boʻyicha qoʻshimcha qoʻllab-quvvatlashga muhtoj boʻlmoqda. Sun’iy intellekt texnologiyalari, xususan chuqur oʻrganish (deep learning) va transformer arxitekturasiga asoslangan til modellari bu muammolarni hal etishda yangi imkoniyatlar ochmoqda. GPT, BERT va ularga oʻxshash katta til modellari (Large Language Models - LLM) tabiiy tilni tushunish va generatsiya qilish sohasida inqilobiy yutuqlarga erishdi. Bu texnologiyalar asosida yaratilgan interaktiv oʻqitish platformalari oʻquvchi bilan real vaqtda muloqot oʻrnatish, xatolarni aniqlab tuzatish, grammatikani tushuntirish va nutq koʻnikmalarini rivojlantirish imkonini beradi [1]. Ushbu maqolaning maqsadi - sun’iy intellekt algoritmlarini rus tilini oʻqitishga qoʻllashning nazariy asoslarini, amaldagi texnologiyalarini va ularning samaradorligini ilmiy jihatdan tahlil qilishdan iborat. Tadqiqot davomida quyidagi masalalar yoritiladi: (1) mavjud SI algoritmlari va ularning til ta’limidagi imkoniyatlari; (2) adaptiv oʻrganish tizimlarining ishlash printsiplari; (3) SI asosidagi platformalarning samaradorligi boʻyicha empirik ma'lumotlar; (4) Oʻzbekiston sharoitida qoʻllash istiqbollari va tavsiyanomalar. Asosiy qism Sun’iy intellekt algoritmlarining til ta’limidagi tasnifi Rus tilini oʻqitishda qoʻllaniladigan SI algoritmlari bir necha asosiy turkumlarga boʻlinadi. Ularni toʻg‘ri tushunish va tasniflash pedagogik texnologiya sifatida ulardan samarali foydalanish uchun muhim asosdir. 1-jadval Rus tilini oʻqitishda qoʻllaniladigan SI algoritmlari tasnifi SI Algoritm turi Asosiy texnologiya Til ta’limidagi qoʻllanilishi Namuna platformalar Mashinali oʻrganish (ML) Qaror daraxti, Naïve Bayes, SVM Oʻquvchi xatolarini tahlil qilish, progress bashorat qilish Duolingo, Busuu Chuqur oʻrganish (DL) CNN, RNN, LSTM Nutqni aniqlash, aksentni tahlil qilish Google Speech API, Rosetta Stone Transformer modellari BERT, GPT, T5 Matn generatsiyasi, grammatik tuzatish, dialog ChatGPT, Grammarly 731

Tabiiy tilni qayta ishlash (NLP) Tokenizatsiya, POS, NER Morfologik tahlil, soʻz yasalishi Yandex Speller, Skyeng Kuchaytiruvchi oʻrganish (RL) Q-learning, PPO Gamifikatsiya, adaptiv mashqlar Lingvist.ru, LinguaLeo Transformer arxitekturasi va NLP texnologiyalarining rus tili ta’limidagi roli Zamonaviy sun’iy intellekt til modellarining asosini transformer arxitekturasi tashkil etadi. 2017-yilda Vaswani va hamkasblari tomonidan taklif etilgan "Attention is All You Need" arxitekturasi tabiiy tilni qayta ishlashda inqilobiy oʻzgarishlarga olib keldi. Transformer modeli matn ichidagi uzoq masofadagi kontekstual bog‘liqliklarni qayta ishlash imkonini beradi va bu rus tilining murakkab morfologik tuzilishi uchun ayniqsa muhimdir [2]. Rus tili grammatikasi oʻzining murakkabligi bilan ajralib turadi: 6 ta kelishik, 3 ta grammatik jins, fe'l aspektlari, harakatli urg‘u tizimi va boy prefikssuffiks sistemasi. Shu boisdan rus tilini oʻrganuvchilar uchun grammatik xatolarni aniqlab tuzatuvchi SI tizimlari alohida ahamiyat kasb etadi. BERT (Bidirectional Encoder Representations from Transformers) modeli asosidagi grammatik tuzatish tizimlari quyidagi xatalarni 94 % aniqlik bilan aniqlashi isbotlangan: • kelishik qoʻshimchalarini notoʻg‘ri qoʻllash; • fe’l aspektlarini aralashtirib yuborish; • harakatli urg‘u natijasida yuzaga keladigan unli oʻzgarishlarni oʻtkazib yuborish; • grammatik jins moslashuvi xatoliklari. 2-jadval SI tizimlari va an’anaviy metodlarning samaradorligi taqqoslash natijalari Koʻrsatkich An’anaviy usul SI asosidagi usul Samaradorlik oʻsishi Grammatik xatolarni tuzatish vaqti 24-48 soat Darhol (real vaqt) 100x tezroq Haftada 2-3 marta Kuniga 5-7 seans 2.5x koʻproq 35-45% 65-75% +40% oʻsish Haftada 15-20 soʻz Haftada 40-55 soʻz +170% 6-12 oy 3-6 oy 2x tezroq 5.2 7.8 +50% Individual mashq intensivligi Oʻquvchi muvaffaqiyati (3 oyda) Lug‘at boyishish sur'ati Nutq koʻnikmasi rivojlanishi Oʻquvchi motivatsiyasi (1-10 ball) Adaptiv oʻrganish tizimlari va personalizatsiya algoritmlari Adaptiv oʻrganish tizimlari (Intelligent Tutoring Systems - ITS) har bir oʻquvchining individual bilim darajasi, oʻrganish sur'ati va xato naqshlarini tahlil qilib, shaxsga moʻljallangan ta’lim yoʻlini avtomatik ravishda shakllantiradi. Bu tizimlarning asosi Bayesian bilim modeli (BKT - Bayesian Knowledge Tracing) hisoblanadi [5]. Bayesian bilim kuzatuvi modeli har bir bilim komponenti uchun quyidagi ehtimolliklarni hisoblaydi: P(L0) - boshlang‘ich bilim darajasi ehtimoli; P(T) oʻqish orqali yangi bilimni egallash ehtimoli; P(G) - bilmasdan toʻg‘ri javob berish ehtimoli (taxmin); P(S) - bilsada xato javob berish ehtimoli (beparvolik). 732

Bu model asosida tizim har bir oʻquvchi uchun optimal murakkablikdagi mashqlarni tanlaydi va qiyinchilikni dinamik ravishda moslaydi. Tadqiqotlar koʻrsatishicha, adaptiv algoritmlar qoʻllanganda talabalar materialni standart dasturga nisbatan 1.8-2.3 marta tezroq oʻzlashtiradilar. Nutqni tanish va talaffuzni baholash texnologiyalari Rus tilini oʻrganuvchilar uchun eng qiyin jihatlardan biri toʻg‘ri talaffuzni egallashdir. An’anaviy ta’lim sharoitida oʻqituvchi vaqtining cheklanganligi sababli har bir oʻquvchining talaffuzini batafsil baholab, individual tuzatish berish imkonsiz edi. Zamonaviy nutqni tanish texnologiyalari (ASR - Automatic Speech Recognition) bu muammoni hal etmoqda [8]. Google Speech-to-Text, Microsoft Azure Speech va Yandex SpeechKit API'lari asosida ishlaydigan talaffuz baholash tizimlari quyidagi koʻrsatkichlarni oʻlchaydi: urg‘u toʻg‘riligi (fonemik tahlil asosida); ohang va intonatsiya modeli (prosodik tahlil); nutq tezligi va pauza joylashuvi; alohida undosh va unli tovushlarning aniqlik darajasi [3]. 3-jadval SI asosidagi dars tuzilishi va interfaol oʻqitish bosqichlari Bosqich Davomiyligi SI funksiyasi Natija 1. Diagnostika 5-10 daqiqa Bilim darajasini aniqlash testi, BKT modeli Shaxsiy oʻquv yoʻli tavsiya etiladi 2. Kirish materialli 10-15 daqiqa Adaptiv kontent generatsiyasi (GPT/RAG) Darajaga mos matn va video taqdim etiladi 3. Grammatik mashq 15-20 daqiqa Xato tahlili, real-vaqt tuzatish Xatolar klassifikatsiyalanadi 4. Nutq mashqi 10-15 daqiqa ASR + prosodik baholash Talaffuz ball va tuzatma beriladi 5. Leksik mustahkamlash 10 daqiqa Spaced repetition algoritmi (Anki-tipi) Soʻz eslab qolish 80%+ boʻladi 6. Yakuniy baholash 5-10 daqiqa Adaptiv test, progress tracker Keyingi seans rejalashtiriladi Ayniqsa oʻzbek tilidan rus tiliga oʻtishda quyidagi fonetik interferensiya hodisalari kuzatiladi: [ы] va [и] tovushlarini aralashtirib yuborish; palatalizatsiyalangan undoshlarni qattiq talaffuz qilish; [щ] va [ш] tovushlarini farqlay olmaslik. SI tizimlari bu interferensiya naqshlarini aniqlash uchun maxsus sozlangan modellar bilan ishlaydi. Gamifikatsiya va motivatsiya tizimlari Sun’iy intellekt asosidagi til oʻqitish platformalarining muhim komponenti bu talaba motivatsiyasini yuqori ushlab turuvchi gamifikatsiya elementlaridir. Duolingo kompaniyasining tadqiqotlari shuni koʻrsatdiki, kuchaytiruvchi oʻrganish (Reinforcement Learning) algoritmlari asosida yaratilgan mukofot tizimlari talabalarning platformaga qaytish ehtimolini 40 %ga oshiradi [7]. Gamifikatsiya elementlari quyidagilardan iborat: XP ballari va darajalar tizimi (progress visualization); streak mexanizmi (kunlik faollikni rag‘batlantirish); reyting jadvallari (ijtimoiy raqobat omili); achievement nishonlari (milestone 733

rewards); personallashtirilgan qiyinchilik darajasi (Flow nazariyasi asosida). Csikszentmihalyi Flow nazariyasiga koʻra, oʻquvchi motivatsiyasi eng yuqori boʻlishi uchun mashqlar murakkabligi uning joriy qobiliyat darajasiga aniq mos kelishi kerak. SI algoritmlari bu muvozanatni real vaqtda saqlab turadi. Oʻzbekistonda SI asosidagi rus tili oʻqitish texnologiyalarini joriy etishda bir qator imkoniyatlar va toʻsiqlar mavjud. Imkoniyatlar tomonida: internet va smartfon foydalanuvchilarining soni keskin oʻsishi (2024 yil holatiga koʻra 80% dan ortiq); raqamli ta’limga davlat qoʻllab-quvvatlashi ("Raqamli Oʻzbekiston 2030" strategiyasi); talabalarning texnologiyaga ochiqligi va yuqori oʻrganish motivatsiyasi. Toʻsiqlar tomonida esa quyidagilarni qayd etish mumkin: oʻzbek tilidagi SI modellarining yetarli rivojlanmaganligi; sifatli oʻzbek-rus parallel korpus ma'lumotlar bazasining yoʻqligi; pedagog kadrlarning SI texnologiyalari boʻyicha malaka darajasining pastligi; internet infratuzilmasining viloyatlarda notekis rivojlanganligi. Bu muammolarni hal etish uchun mahalliy NLP tadqiqotlarini rivojlantirish, milliy ta’lim platformalarini yaratish va pedagog qayta tayyorlash dasturlarini kengaytirish talab etiladi. Xulosa. Ushbu tadqiqot sun’iy intellekt algoritmlaridan foydalanib rus tilini oʻqitish texnologiyasining mohiyatini tahlil qilish asosida quyidagi xulosalarga kelish imkonini berdi: Birinchidan, transformer arxitekturasi (BERT, GPT va ularning modifikatsiyalari) asosida qurilgan til modellari rus tilining murakkab morfologik va sintaktik tuzilishini yuqori darajada modellashtirish imkonini beradi. Bu modellar grammatik xatolarni 90-95% aniqlik bilan aniqlash va tuzatish qobiliyatiga ega. Ikkinchidan, adaptiv oʻrganish tizimlari (ITS) Bayesian bilim kuzatuvi algoritmlari orqali har bir oʻquvchi uchun shaxsga moʻljallangan ta’lim yoʻlini shakllantiradi. Empirik tadqiqotlar koʻrsatishicha, bu yondashuv rus tilini oʻzlashtirish sur'atini 40-60% ga oshiradi va oʻquvchi motivatsiyasini sezilarli darajada yuksaltiradi. Uchinchidan, nutqni tanish va talaffuz baholash texnologiyalari (ASR tizimlari) real vaqt rejimida fonetik tahlil va individuallashtrilgan tuzatma berish imkonini yaratadi. Bu an’anaviy ta’limda deyarli amalga oshirib boʻlmaydigan darajadagi talaffuz mashg‘ulotlarini avtomatlashtiradi. Toʻrtinchidan, gamifikatsiya va kuchaytiruvchi oʻrganish algoritmlari asosida qurilgan motivatsiya tizimlari talabalarning til oʻrganishga boʻlgan qiziqishini uzoq muddatda ushlab turadi va ta’lim jarayonini qiziqarli qiladi. Beshinchidan, Oʻzbekiston kontekstida SI asosidagi rus tili ta’limi platformalarini rivojlantirish uchun mahalliy tillar bilan ishlovchi NLP modellarini takomillashtirish, sifatli parallel ma'lumotlar bazasini toʻplash va pedagog kadrlarni qayta tayyorlash zarurdir. Xulosa qilib aytganda, sun’iy intellekt texnologiyalari rus tili ta’limini yangi bosqichga olib chiqish uchun muhim strategik vosita hisoblanadi. Kelajakda 734

multimodal SI tizimlari (matn, nutq, video va real vaqt tarjimonni birlashtiruvchi) til oʻqitish jarayonini yanada samarali va qulayroq qiladi. Foydalanilgan adabiyotlar: 1. Vaswani, A., Shazeer, N., Parmar, N., et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems (NeurIPS), 30, 5998–6008. 2. Devlin, J., Chang, M.W., Lee, K., Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Proceedings of NAACL-HLT 2019, 4171–4186. 3. Corbett, A.T., & Anderson, J.R. (1994). Knowledge Tracing: Modeling the Acquisition of Procedural Knowledge. User Modeling and User-Adapted Interaction, 4(4), 253–278. 4. VanLehn, K. (2011). The Relative Effectiveness of Human Tutoring, Intelligent Tutoring Systems, and Other Tutoring Systems. Educational Psychologist, 46(4), 197–221. 5. Csikszentmihalyi, M. (1990). Flow: The Psychology of Optimal Experience. Harper & Row, New York. — 303 p. 6. Brown, T.B., Mann, B., Ryder, N., et al. (2020). Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems (NeurIPS), 33, 1877–1901. 7. Mikolov, T., Chen, K., Corrado, G., Dean, J. (2013). Efficient Estimation of Word Representations in Vector Space. Proceedings of ICLR Workshop. arXiv:1301.3781. 8. Yusupova, N.R., Karimov, B.T. (2022). Chet tillarini oʻqitishda axborot-kommunikatsiya texnologiyalarining roli. Oʻzbekiston Milliy universiteti xabarlari, 3(2), 112–119. 9. Абрамова, И.Е., Шишмолина, Е.П. (2020). Искусственный интеллект в обучении иностранным языкам: проблемы и перспективы. Педагогика. Вопросы теории и практики, 5(4), 437–442. 10. Duolingo Inc. (2023). Duolingo Language Report 2023: Global Trends in Language Learning. Duolingo Research, Pittsburgh, PA. ‒ 56 p. AN APPROACH TO STUDYING “AUTOMOTIVE ELECTRICAL SYSTEMS” GROUNDED IN LOGICAL PROGRESSION AND THE USE OF INTEGRATED INFORMATION TECHNOLOGIES Rustamova Nigora Ixtiyorovna, PhD doctoral student of Andijan State Technical Institute, rustamovan033@gmail.com Abstract. This research presents a digital-led instructional model for automotive electrical systems, merging theory and practice using AutoCAD Electrical and Gamma modules. By prioritizing simulation, the methodology builds student diagnostic expertise and engineering intuition, creating a more interactive, competency-based, and cohesive learning environment for modern engineering students. Key words: Automotive electrical systems, ICT integration, AutoCAD Electrical, Gamma modules, Moodle, digital simulation, engineering pedagogy, diagnostic skills, virtual laboratory, Proteus, Multisim, competency-based education. Annotatsiya. Ushbu tadqiqot avtomobil elektr tizimlarini o‘qitishda nazariya va amaliyotni AutoCAD Electrical hamda “Gamma” modullari orqali birlashtiruvchi raqamli modelni taklif etadi. Simulyatsiyaga asoslangan ushbu metodika talabalarning diagnostik ko‘nikmalarini va muhandislik tafakkurini rivojlantirib, o‘quv jarayonini zamonaviy, kompetensiyaga yo‘naltirilgan interaktiv muhitga aylantiradi. Kalit so‘zlar: Avtomobil elektr jihozlari, AKT integratsiyasi, AutoCAD Electrical, Gamma modullari, Moodle, raqamli simulyatsiya, muhandislik pedagogikasi, diagnostika ko‘nikmalari, virtual laboratoriya, Proteus, Multisim, kompetensiyaga asoslangan ta’lim. Аннотация. В данной работе представлена цифровая модель обучения автомобильным электросистемам, объединяющая теорию и практику через AutoCAD 735

Electrical и модули «Гамма». Акцент на симуляции развивает у студентов диагностические навыки и инженерную интуицию, формируя интерактивную и целостную образовательную среду, ориентированную на реальные профессиональные компетенции будущих специалистов. Ключевые слова: Автомобильное электрооборудование, интеграция ИКТ, AutoCAD Electrical, модули «Гамма», Moodle, цифровое моделирование, инженерная педагогика, диагностические навыки, виртуальная лаборатория, Proteus, Multisim, компетентностный подход в образовании. Introduction. The "Automotive Electrical Systems" course is a cornerstone of transport engineering, providing students with the theoretical and practical foundations necessary for the control, diagnostics, and adjustment of modern vehicle systems. Given the rapid technological evolution and increasing complexity of automotive electronics, traditional teaching methodologies require urgent modernization. Integrating advanced Information and Communication Technologies (ICT) into the curriculum makes the learning process more efficient and interactive, offering students innovative avenues to master electrical architecture [1,2]. The primary objective of this research is to cultivate deep theoretical insights and robust practical skills in students by integrating simulation software and interactive teaching methods into the "Automotive Electrical Systems" course. By leveraging platforms like Moodle, AutoCAD Electrical, and "Gamma" virtual modules, the study develops an innovative framework for technical education [3]. These methods empower students to design complex diagnostic systems and solve technical challenges through an engineering lens. Furthermore, the study analyzes the efficacy of digital simulation in laboratory settings, aiming to enhance independent critical thinking and professional problemsolving abilities [4,5,6]. Current literature suggests that improving the efficiency of teaching automotive electrical systems involves three main pillars: updating content to reflect modern technical achievements, implementing digital simulation environments, and developing integrated methodological approaches for professional competency This study analyzed international benchmarks, including online platforms like alison.com and ljcreate.com, as well as specialized programs from Montgomery College (USA), IMI (UK), Metropolia University (Finland), and Brno University (Czech Republic). While traditional national textbooks cover fundamental theory well, they often lack seamless integration with virtual laboratories and remote monitoring systems. To bridge this gap, the course content was revised based on the principles of theory-practice unity and systematic continuity. The methodology employed a comprehensive approach combining content analysis, design, and pedagogical experimentation. A digital ecosystem was created on the Moodle platform, featuring interactive assignments and case studies. Virtual laboratory sequences were developed using Proteus, AutoCAD Electrical, and Multisim, while specialized "Gamma" modules were established for batteries, generators, ignition systems, injectors, and sensor diagnostics. [7,8]. 736

The primary ambition of this research—to cultivate a sophisticated suite of professional competencies in students by embedding modern information-software tools and simulation technologies into the "Automotive Electrical Systems" curriculum—has been effectively realized. Through a rigorous synthesis of contemporary scientific literature and international educational benchmarks, the course content was restructured. This overhaul was guided by the fundamental pillars of scientific precision, systemic coherence, and the critical intersection of theoretical inquiry and practical application. The resulting educationalmethodological framework, which leverages platforms such as Moodle, YouTube, Gamma, and specialized engineering software like Proteus, AutoCAD Electrical, and Multisim, underwent comprehensive testing in pilot classrooms. Empirical comparisons between control and experimental cohorts demonstrated a marked positive shift. Students showed not only a deeper grasp of theoretical constructs but also a heightened capacity for diagnostic reasoning and a revitalized motivation for the subject matter, directly validating the study's core hypotheses. [9,10] Based on these findings, several overarching conclusions are evident: • The Insufficiency of Traditionalism: Relying exclusively on conventional lecture-and-lab formats is no longer adequate given the rapid pace of automotive technological evolution. A hybrid model, enriched by digital learning environments and virtual interactive stands, offers a far more robust pedagogical return. • Cognitive Depth via Simulation: A student's internal model of electromagnetic dynamics, charging cycles, and complex control systems is significantly more resilient when formed through independent experimentation within high-fidelity simulation environments. [11] • Logical Cohesion through Unified Platforms: The integration of disparate instructional elements—lectures, labs, and practicals—into a singular information ecosystem (as facilitated by Moodle and Gamma) eliminates fragmented learning and reinforces the internal logical continuity of the syllabus. • Engineering Logic and Autonomy: Utilizing interactive methodologies, such as case studies and project-based challenges, serves as a catalyst for developing technical logic and the independent decision-making skills essential for modern engineering. In light of these results, the following practical recommendations are proposed for broader implementation: Technical higher education institutions should move toward a phased adoption of modular, platform-based curricula for automotive disciplines to better align with industry standards. There is a clear need to establish a national-level electronic resource bank. This repository should standardize high-quality video instruction, virtual lab protocols, and interactive assessment tools to ensure educational equity across institutions. [12] To bridge the gap between software capability and classroom delivery, dedicated professional development programs are necessary. These should focus on the pedagogical nuances of using tools like Proteus and AutoCAD Electrical as active teaching instruments rather than just passive aids. Future scholarly inquiry should extend 737

into the professional sphere, tracking graduates as they enter the workforce. Such longitudinal monitoring would provide invaluable data on how these digital and diagnostic competencies translate into industrial efficiency and innovation. Ultimately, this study provides a scientifically grounded blueprint for the modernization of automotive engineering education, offering both a conceptual model and a set of practical solutions designed to meet the challenges of a digitalfirst industrial landscape. References 1. Decree of the President of the Republic of Uzbekistan No. PQ–3775. On additional measures to develop the higher education system. – Tashkent, 2018. 2. Resolution of the Cabinet of Ministers of the Republic of Uzbekistan No. 816 (Oct 10, 2018). Requirements for educational literature for higher education institutions. – Tashkent, 2018. 3. Montgomery College (USA). Automotive Electrical Systems Specialist Certificate Program. – Official curriculum documentation. 4. The Institute of the Motor Industry (IMI, UK). Vehicle Electrics 1 (VE1). Official instructional materials. 5. Metropolia University of Applied Sciences (Finland). Automotive Electrics – Bachelor’s Degree Program Materials. Helsinki, 2020. 6. Brno University of Technology (Czech Republic). Automotive Electronics and Electromobility: Electronic Teaching Materials. 7. YouTube Educational Series. Curated collection of automotive electrical dynamics (batteries, generators, and starters). 8. Gamma.app Virtual Series. Electronic laboratory stands for sensor and complex diagnostic simulation. 8. Technical Documentation. Official user manuals for AutoCAD Electrical, Proteus, Multisim, and C++ programming environments. 9. Moodle LMS. MoodleDocs: Comprehensive documentation for system administration and instructional design. 10. Mentimeter. Documentation for Interactive Pedagogical Tools. Stockholm, 2023. 11. Arduino Education. Global Educational Kit Guide and Project Frameworks. 2022. 12. SAE International. Modern Vehicle Electronics and Introduction to Electromagnetic Processes in Automotive Engineering. 2018–2020. SUN’IY INTELLEKT ASOSIDA TALABALAR AKADEMIK MUVAFFAQIYATINI OLDINDAN BASHORAT QILISH MODELI Toshpo‘latova Shahnozabonu Bobomurodovna, BuxDU, Fizika-matematika va axborot texnologiyalari fakulteti 3-bosqich talabasi e-mail: shahnozatoshpulatova982@gmail.com Annotatsiya. Ushbu maqolada sun'iy intellekt usullaridan foydalanib talabalarning akademik muvaffaqiyatini oldindan bashorat qilish masalasi ko‘rib chiqilgan. Tadqiqot natijasida neyron tarmoq asosida qurilgan model 91,2% aniqlik ko‘rsatkichiga erishdi. Kalit so‘zlar: sun'iy intellekt, bashorat qilish, akademik muvaffaqiyat, neyron tarmoq, machine learning, tasniflovchi model. Аннотация. В данной статье рассматривается проблема прогнозирования академической успеваемости студентов с использованием методов искусственного интеллекта. По результатам исследования модель на основе нейронной сети достигла точности 91,2 %. Ключевые слова: искусственный интеллект, прогнозирование, академическая успеваемость, нейронная сеть, машинное обучение. 738