Sun’iy Intellekt va Raqamli Iqtisodiyot

рекомендации по перспективным направлениям повышения эффективности обучения с помощью нейроинтерфейсов и формирования индивидуальных образовательных траекторий. Ключевые слова: Искусственный интеллект, инновационный подход, подготовка кадров, адаптивное обучение, VR/AR симуляции, Big Data, цифровые двойники, человеческий капитал, рынок труда. Abstract. This article highlights the strategic importance of integrating artificial intelligence (AI) and innovative technologies into the personnel training system. The study analyzes the issues of adapting the educational process to labor market requirements based on adaptive learning models, VR/AR simulations, and Big Data analytics. Furthermore, practical recommendations are provided on promising areas for improving learning efficiency through neuro-interfaces and the formation of individual learning trajectories. Keywords: Artificial Intelligence, innovative approach, personnel training, adaptive learning, VR/AR simulations, Big Data, digital twins, human capital, labor market. Kirish. Bugungi jadal texnologik taraqqiyot davrida mehnat bozori kadrlardan nafaqat fundamental bilimlarni, balki yuqori darajadagi raqamli ko‘nikmalarni ham talab etmoqda. Sun’iy intellekt (SI) ta’lim tizimiga shunchaki yordamchi vosita emas, balki kadrlar tayyorlash sifatini tubdan o‘zgartiruvchi strategik drayver sifatida kirib keldi. Innovatsion yondashuvlar asosida kadrlarni tayyorlash bu ta’lim jarayonini real vaqt rejimida mehnat bozori talablariga moslashtirish demakdir.[1] An’anaviy kadrlar tayyorlash tizimi ko‘pincha "hamma uchun bir xil" (onesize-fits-all) tamoyiliga tayanadi. Sun’iy intellekt esa adaptiv o‘qitish algoritmlari orqali har bir ta’lim oluvchining o‘zlashtirish tezligi, qiziqishlari va mavjud bilim darajasini real vaqtda tahlil qiladi. Innovatsiya: SI tizimi xodimning xatolarini skanerlab, unga aynan o‘sha bo‘shliqni to‘ldirish uchun maxsus materiallar (video, keys, test) taqdim etadi. Bu o‘qitish vaqtini 30-40% ga qisqartirib, samaradorlikni oshiradi. "Big Data" va mehnat bozori prognozi- Kadrlar tayyorlashdagi innovatsion yondashuv faqat bugungi kun bilan cheklanib qolmasligi kerak. Katta ma’lumotlar (Big Data) tahlili yordamida SI kelgusi 5-10 yil ichida qaysi ko‘nikmalarga (soft va hard skills) talab yuqori bo‘lishini bashorat qiladi. Universitetlar va o‘quv markazlari bozor talabidan orqada qolmaslik uchun o‘quv dasturlarini dinamik tarzda yangilab borish imkoniga ega bo‘ladi. [2] Virtual va kengaytirilgan borliq (VR/AR) simulyatsiyalari - Murakkab texnik sohalarda (tibbiyot, muhandislik, aviatsiya) kadrlar tayyorlashda SI bilan integratsiyalashgan virtual simulyatsiyalar beqiyosdir. • xatarlarsiz, virtual muhitda murakkab qurilmalarni boshqarishni o‘rganadi. SI esa ushbu jarayonda yo‘l qo‘yilgan har bir harakatni tahlil qilib, darhol teskari aloqa (feedback) beradi. Uzluksiz malaka oshirish (Lifelong Learning) kontseptsiyasi Innovatsion yondashuv kadrning faqat bir marta diplom olishi bilan tugamaydi. SI asosidagi "Agentic AI" yoki aqlli yordamchilar xodimning butun faoliyati 779

davomida unga hamrohlik qiladi. Xodimning ish faoliyatidagi natijalari tahlil qilinadi va tizim unga avtomatik ravishda: "Sizga ushbu loyihani yaxshiroq bajarish uchun mana bu kursni o‘tash tavsiya etiladi" deb yo‘nalish beradi. Asosiy qism Sun’iy intellekt ta’lim oluvchining nafaqat natijalarini, balki o‘rganish uslubini (vizual, auditorial yoki kinestetik) tahlil qilish imkonini beradi. Adaptiv algoritmlar talabaning har bir testga sarflagan vaqti va xatolarini "machine learning" yordamida o‘rganib, unga mos ravishda qiyinlik darajasini o‘zgartirib boradi. Bu orqali: • Kognitiv yuklamani optimallashtirish: SI talabaga u hali tayyor bo‘lmagan murakkab materialni bermaydi, bu esa motivatsiya pasayishining oldini oladi. • Shaxsiy mentorlik: Har bir xodim yoki talaba uchun 24/7 rejimida ishlaydigan virtual tyutorlar shakllantiriladi. Kadrlar tayyorlashda innovatsion texnologik ekotizim: Innovatsiya bu faqat kompyuter emas, balki ma'lumotlarni qaror qabul qilish darajasiga ko‘tarishdir: - VR/AR Simulyatsiyalar: Masalan, neft-gaz yoki tibbiyot sohasida xodimlar xavfli operatsiyalarni raqamli egizak (Digital Twin) muhitida amalga oshirib ko‘radi. Bu kadr tayyorlashdagi "xato qilish narxi"ni nolga tushiradi.Neftgaz, atom energetikasi yoki jarrohlik kabi yuqori xavfli sohalarda mutaxassislar real obyektning "raqamli egizagi"da mashq qiladilar. Bu jarayonda yo‘l qo‘yilgan xato real iqtisodiy zarar yoki inson hayotiga tahdid solmaydi, balki tajriba sifatida qayd etiladi.[3] - Ko‘nikmalarni shakllantirish tezligi: Tadqiqotlar shuni ko‘rsatadiki, VR muhitida o‘qitilgan kadrlar nazariy ta’lim olganlarga qaraganda 4 barobar tezroq amaliy ko‘nikmalarni o‘zlashtiradilar. SI esa har bir harakatni tahlil qilib, xodimning aynan qaysi manipulyatsiyada oqsashini ko‘rsatib beradi. - Big Data va Mehnat bozori integratsiyasi: SI yirik vakansiyalar portallari (LinkedIn, HeadHunter) va iqtisodiy o‘sish ko‘rsatkichlarini tahlil qilib, kelajakda kerak bo‘ladigan "yashil" va "raqamli" ko‘nikmalarni aniqlaydi. O‘quv dasturlari esa bu ma'lumotlarga qarab avtomatik korreksiya qilinadi. Sun’iy intellekt global vakansiyalar agregatorlari (LinkedIn, Glassdoor, HeadHunter) va tarmoqlar rivojlanish strategiyalarini doimiy monitoring qiladi. Natijada, hali bozorda ommalashmagan, lekin 2-3 yildan keyin trendga chiqadigan "yashil iqtisodiyot" yoki "kvant hisoblash" kabi yo‘nalishlar bo‘yicha o‘quv modullari avtomatik tarzda shakllantiriladi. - Dasturlarning adaptivligi: O‘quv rejalari endi 5 yilga qotib qolgan hujjat emas, balki bozor talabiga qarab har semestrda yangilanadigan "tirik tizim"ga aylanadi. - Neyro-interfeyslar: Kelajakda talabalarning diqqat darajasini o‘lchovchi datchiklar yordamida darsning qaysi qismi zerikarli yoki qiyin ekanligi aniqlanadi (Biofeedback ta'limi).Neyro-datchiklar yordamida talabaning dars davomidagi diqqat kontsentratsiyasi, stress darajasi va materialni qabul qilish tezligi 780

o‘lchanadi. Agar guruhning katta qismida ma’ruzaning 20-daqiqasida diqqat pasayishi kuzatilsa, SI tizimi o‘qituvchiga dars uslubini o‘zgartirish yoki tanaffus e’lon qilish haqida signal beradi. - Shaxsiylashtirilgan kontent: Neyrotarmoqlar talabaning "zerikish" yoki "tushunmaslik" holatlarini yuz ifodalari (Emotion AI) orqali aniqlab, materialni soddalashtirilgan shaklda yoki vizual formatda qayta taqdim etadi.[4] Xulosa. Olib borilgan tadqiqotlar va tahlillar shuni ko‘rsatadiki, sun’iy intellekt hamda innovatsion texnologiyalarni kadrlar tayyorlash tizimiga integratsiya qilish shunchaki zamonaviy talab emas, balki raqamli iqtisodiyotda omon qolishning strategik shartidir. Xulosa o‘rnida quyidagi muhim jihatlarni ta’kidlash lozim: 1. Inson kapitalining yangi sifati: Sun’iy intellekt ta’lim jarayonida o‘qituvchining o‘rnini bosuvchi emas, balki uning imkoniyatlarini kengaytiruvchi, ta’lim oluvchining esa shaxsiy salohiyatini ochib beruvchi "aqlli assistent"ga aylandi. Adaptiv o‘qitish tizimlari orqali "bir xil qolipdagi ta’lim"dan voz kechish, har bir kadrning individual qobiliyatlarini maksimal darajada yuzaga chiqarishga imkon beradi. 2. Nazariya va amaliyotning uzviyligi: VR/AR simulyatsiyalari va "raqamli egizaklar" texnologiyasining qo‘llanilishi kadrlar tayyorlashdagi "xato qilish narxi"ni keskin kamaytiradi. Bu esa, ayniqsa, yuqori texnologik va hayot uchun xavfli sohalarda mutaxassislarni tayyorlash sifatini yangi bosqichga olib chiqadi. 3. Dinamik moslashuvchanlik: Big Data tahlillari asosida o‘quv dasturlarining mehnat bozori bilan real vaqt rejimida bog‘lanishi, ta’lim tizimining inertligini (sekinligini) bartaraf etadi. Kelajak kadrlaridan nafaqat mavjud bilimlarni egallash, balki "umrbod o‘qish" (lifelong learning) ko‘nikmasini SI yordamida shakllantirish talab etiladi. Amaliy tavsiya sifatida: O‘zbekiston sharoitida kadrlar tayyorlash sifatini oshirish uchun oliy ta’lim muassasalari va ishlab chiqarish korxonalari o‘rtasida yagona "Raqamli ta’lim ekotizimi"ni yaratish, neyro-texnologiyalar va sun’iy intellektni metodik jihatdan to‘g‘ri joriy etish maqsadga muvofiqdir. Bu yondashuv mamlakatimizning xalqaro mehnat bozoridagi raqobatbardoshligini ta’minlovchi asosiy omil bo‘lib xizmat qiladi. Foydalanilgan adabiyotlar: 1. PF-358-sonli Farmon (14.10.2024): "O‘zbekiston Respublikasida sun’iy intellekt texnologiyalarini 2030-yilgacha rivojlantirish strategiyasini tasdiqlash to‘g‘risida". [1] 2. Jahon Iqtisodiy Forumi (World Economic Forum): "Future of Jobs Report 2023" hisobotiga ko‘ra, 2027-yilgacha kadrlarning 44% asosiy ko‘nikmalari o‘zgaradi va sun’iy intellekt eng talabgir ko‘nikmalardan biri bo‘ladi.[2] 3. PwC Strategy+: "How VR is transforming the future of learning" VR texnologiyalarining kadrlar tayyorlashdagi iqtisodiy va pedagogik amaradorligi tahlili. PwC VR Study 4. Frontiers in Education: "Neuro-interfacing in Digital Learning" Neyro-interfeyslarning ta'lim jarayonida qo‘llanilishi va kognitiv yuklamani boshqarish bo‘yicha ilmiy maqola. Frontiersin.org 781

SUN’IY INTELLEKT ASOSIDA KADRLAR TAYYORLASH VA OʻQITISHNI LINGVISTIK MASALASI Abdulxayeva Dinara Murodulloyevna, PERFECT-UNIVERSITY “Gumanitar fanlar” kafedrasi o‘qituvchisi e-mail: abdinara127@gmail.com Annotatsiya. Ushbu maqolada sun’iy intellekt (SI) texnologiyalari va innovatsion yondashuvlar asosida kadrlar tayyorlash hamda oʻqitish jarayonlarini tashkil etishdagi lingvistik muammolar va ularning yechimlariga bag‘ishlangan. Zamonaviy ta'lim tizimida sun’iy intellekt algoritmlarining joriy etilishi talaba va oʻqituvchi oʻrtasidagi kommunikatsiyaga yangi talablar qoʻymoqda. Maqolada tabiiy tilni qayta ishlash (NLP), mashinali oʻrganish, intellektual oʻqitish tizimlari va adaptiv ta'lim platformalarining lingvistik asoslari tahlil qilinadi. Tadqiqot natijalari shuni koʻrsatadiki, kadrlar tayyorlashda sun’iy intellektni qoʻllash nafaqat ta'lim samaradorligini oshiradi, balki lingvistik toʻsiqlarni bartaraf etishda ham muhim ahamiyat kasb etadi. Maqolada keltirilgan statistik ma’lumotlar, jadvallar va tahlillar asosida amaliy tavsiyalar ishlab chiqilgan boʻlib, ular ta'lim muassasalari va korxonalarda kadrlar tayyorlash jarayonini optimallashtirish uchun qoʻllanilishi mumkin. Kalit soʻzlar. Sun’iy intellekt, tabiiy tilni qayta ishlash (NLP), mashinali oʻrganish, adaptiv ta'lim, intellektual oʻqitish tizimi (ITS), lingvistik muammo, kadrlar tayyorlash, innovatsion yondashuv, korpus lingvistikasi, kompetentsiyaviy yondashuv, chatbot, semantik tahlil, avtomatik tarjima, raqamli ta'lim, til modeli. Аннотация. В данной статье рассматриваются лингвистические проблемы и пути их решения в процессе подготовки кадров и организации обучения на основе технологий искусственного интеллекта (ИИ) и инновационных подходов. Внедрение алгоритмов искусственного интеллекта в современную систему образования выдвигает новые требования к коммуникации между студентом и преподавателем. В статье анализируются лингвистические основы обработки естественного языка (NLP), машинного обучения, интеллектуальных обучающих систем и адаптивных образовательных платформ. Результаты исследования показывают, что применение искусственного интеллекта в подготовке кадров не только повышает эффективность обучения, но и играет важную роль в преодолении лингвистических барьеров. На основе приведённых статистических данных, таблиц и аналитических выводов разработаны практические рекомендации, которые могут быть использованы для оптимизации процесса подготовки кадров в образовательных учреждениях и организациях. Ключевые слова: искусственный интеллект, обработка естественного языка (NLP), машинное обучение, адаптивное обучение, интеллектуальная обучающая система (ITS), лингвистическая проблема, подготовка кадров, инновационный подход, корпусная лингвистика, компетентностный подход, чат-бот, семантический анализ, автоматический перевод, цифровое образование, языковая модель. Abstract. This article examines linguistic challenges and their solutions in the process of personnel training and the organization of educational activities based on artificial intelligence (AI) technologies and innovative approaches. The implementation of artificial intelligence algorithms in modern education systems introduces new requirements for communication between students and teachers. The paper analyzes the linguistic foundations of Natural Language Processing (NLP), machine learning, intelligent tutoring systems, and adaptive learning platforms. The research findings indicate that the application of artificial intelligence in personnel training not only enhances educational efficiency but also plays a significant role in overcoming linguistic barriers. Based on statistical data, tables, and analytical results presented in the study, practical recommendations have been developed to optimize the personnel training process in educational institutions and enterprises. Keywords: artificial intelligence, Natural Language Processing (NLP), machine learning, adaptive learning, Intelligent Tutoring System (ITS), linguistic challenge, personnel 782

training, innovative approach, corpus linguistics, competency-based approach, chatbot, semantic analysis, machine translation, digital education, language model. Kirish. XXI asrda texnologiyalarning jadal rivojlanishi ta’lim tizimini tubdan oʻzgartirmoqda. Bugungi kunda sun’iy intellekt (SI) texnologiyalari nafaqat sanoat va iqtisodiyotda, balki ta'lim sohasida ham inqilobiy oʻzgarishlarga zamin yaratmoqda. Kadrlar tayyorlash va oʻqitishni tashkil etish jarayonlarida lingvistik muammolar alohida oʻrin tutadi, chunki bilim uzatishning asosiy vositasi - til hisoblanadi. Oʻzbekiston Respublikasida ta'lim sifatini oshirish, malakali kadrlar tayyorlash va raqamli iqtisodiyotga oʻtish borasidagi islohotlar doirasida sun’iy intellekt texnologiyalarini ta'lim sohasiga joriy etish dolzarb masalaga aylangan. Prezidentimiz Shavkat Mirziyoyevning 2023-yil 11-apreldagi «Sun’iy intellekt sohasini rivojlantirish chora-tadbirlari toʻg‘risida»gi Farmoni ushbu yoʻnalishda davlat siyosatining mustahkamlanganligidan dalolat beradi. Biroq ta’lim sohasida SI texnologiyalarini joriy etishda bir qator muammolar mavjud: 1. Oʻquv materiallari va SI tizimlari oʻrtasidagi lingvistik nomuvofiqlik oʻzbek tili korpuslari yetarli darajada raqamlashtirilmaganligi va SI modellarini oʻqitish uchun zarur boʻlgan ma’lumotlar bazalari cheklanganligi. 2. Adaptiv oʻqitish tizimlarida terminologik standartlashtirish muammositurli sohalardagi kasbiy leksika SI tomonidan notoʻg‘ri talqin etilishi. 3. Oʻqituvchi va talaba oʻrtasidagi SI vositali kommunikatsiyada pragmatik va semantik xatolar - sun’iy tizimlarning kontekstni toʻliq anglashining cheklanganligi. 4. Koʻp tilli ta'lim muhitida tarjima sifati va mazmun yoʻqotilishi muammosi - avtomatik tarjima tizimlarining ixtisoslashgan matnlarni qayta ishlashdagi cheklanganligi. Ushbu muammolarni hal etish uchun turli texnologik yechimlar mavjud: tabiiy tilni qayta ishlash (NLP) algoritmlari, transformer arxitekturasi asosidagi til modellari (GPT, BERT, LLaMA), intellektual oʻqitish tizimlari (ITS), shuningdek, korpus lingvistikasi metodlari. Maqolada ushbu yechimlar ilmiy asosda tahlil qilinadi va amaliy tavsiyalar ishlab chiqiladi. Asosiy qism Sun’iy intellekt va NLP texnologiyalarining ta’limdagi oʻrni Tabiiy tilni qayta ishlash (Natural Language Processing - NLP) - bu kompyuter tizimlari tomonidan inson tilini tushunish, tahlil qilish va generatsiya qilish imkonini beruvchi sun’iy intellektning asosiy yoʻnalishlaridan biridir. Kadrlar tayyorlash sohasida NLP quyidagi vazifalarda qoʻllaniladi: avtomatik test va baholash tizimlari, savol-javob botlari, oʻquv materiallarini tahlil qilish va shaxsiylashtirilgan oʻqitish rejalari tuzish. Zamonaviy til modellari - transformerlar arxitekturasiga asoslangan GPT-4, BERT, XLM-RoBERTa kabi modellar - yuqori lingvistik tushunish qobiliyatiga ega. Ushbu modellar 100 dan ortiq tilda ishlaydi va ixtisoslashgan soha leksikasini 783

ham oʻrganish imkoniyatiga ega. Oʻzbek tili uchun maxsus fine-tuning (nozik sozlash) orqali ushbu modellarni ta’lim maqsadlarida moslash mumkin [2]. 1-jadval Kadrlar tayyorlashda qoʻllaniladigan SI texnologiyalari taqqoslamas tahlili Texnologiya Asosiy funksiya Lingvistik imkoniyat Oʻzbek tili qoʻllabquvvatlashi Ta’lim samaradorligi (%) GPT-4 / ChatGPT Matn generatsiyasi, savol-javob Yuqori semantik tushunish Cheklangan +42% BERT / mBERT Tasnif, NER, tahlil Koʻp tilli, kontekstual Oʻrtacha +35% Adaptiv ITS Shaxsiylashtirilgan oʻqitish Pedagogik lingvistika Mavjud +58% Avtomatik tarjima (DeepL, Google) Matnni tarjima qilish Leksik va grammatik Qisman +28% Nutq tanish (ASR) Ovozli buyruqlar, transkriptsiya Fonetik va prosodik Cheklangan +31% Lingvistik muammolarni yechishda algoritmik yondashuvlar Kadrlar tayyorlashda lingvistik muammolarni hal etishda bir necha asosiy algoritmik yondashuv qoʻllaniladi. Birinchidan, semantik vektorlashtirish (word2vec, FastText, GloVe) — soʻzlarni matematik vektorlar shaklida ifodalash orqali tizim ularning ma'no yaqinligini aniqlay oladi. Bu, ayniqsa, kasb-hunar terminologiyasini oʻqitishda muhim ahamiyatga ega [1]. Ikkinchidan, Named Entity Recognition (NER) — ixtisoslashgan kasbiy matnlarda atamalar, kompaniya nomlari, lavozimlar va boshqa muhim terminlarni avtomatik aniqlash imkonini beradi. Uchinchidan, transformer asosidagi finetuning usuli — umumiy til modellarini muayyan soha (tibbiyot, huquq, muhandislik) leksikasi bilan yanada moslashtirish uchun kichik miqdordagi ixtisoslashgan ma’lumotlar bilan qayta oʻqitish jarayoni. 2-jadval Lingvistik muammolar va SI yechimlarining samaradorligi Lingvistik muammo SI yechimi Terminologik nostandartlik NLP + Ontologiya tizimi Yuqori (85%) 6-12 oy Tarjima sifati pastligi Neyron tarjima + postediting Oʻrta (72%) 3-6 oy Kontekst yoʻqotilishi Transformer + RAG Yuqori (91%) 12-18 oy Kasbiy leksika tushunilmasligi Domain-specific fine-tuning Yuqori (88%) 9-15 oy Dialogue Management + RLHF Oʻrta (68%) 18-24 oy Pragmatik noaniqliklar Samaradorlik darajasi Tatbiq qilish vaqti 784

Intellektual oʻqitish tizimlari (ITS) va adaptiv ta’lim Intellektual oʻqitish tizimlari (Intelligent Tutoring Systems — ITS) — talabaning bilim darajasini real vaqt rejimida baholab, uning shaxsiy ehtiyojlariga moslashtirilgan ta'lim mazmunini taqdim etuvchi dasturiy tizimlardir. Ushbu tizimlar kadrlar tayyorlashda muhim rol oʻynamoqda. Carnegie Mellon universiteti tadqiqotlari koʻrsatishicha, ITS qoʻllash ta'lim samaradorligini an'anaviy usullarga nisbatan 2 sigma (standart og‘ish) darajasida oshirishi mumkin, bu esa taxminan 98-foizlik talabalarga imkon beradi an'anaviy sinfxona talabalari oʻrtacha natijasidan yuqori koʻrsatkich egallashga [10]. Lingvistik jihatdan ITS tizimlari quyidagi komponentlardan iborat: (1) Talaba modeli — talabaning til kompetentsiyasi, leksik zaxirasi va grammatik bilimlarini real vaqtda kuzatib boruvchi modul; (2) Pedagogik modul — qaysi lingvistik birliklarni qachon oʻqitish kerakligini belgilovchi algoritmlar; (3) Interfeys moduli — talaba bilan muloqotni ta'minlovchi NLP komponenti; (4) Ekspert moduli — muayyan soha boʻyicha til bilimlarining aniq va toʻliq koʻrsatkichi. 3-jadval An'anaviy va SI asosidagi kadrlar tayyorlash tizimlarining taqqoslamas tahlili Mezon An'anaviy tizim SI asosidagi tizim Shaxsiylashuv Cheklangan (guruh uchun umumiy) Yuqori (har bir talaba uchun alohida) Til toʻsiqlarini bartaraf etish Tarjimon yoki oʻqituvchi orqali Real vaqtda avtomatik tarjima va izoh Baholash obyektivligi Subyektiv (oʻqituvchiga bog‘liq) Obyektiv (algoritm asosida) Xarajat samaradorligi Yuqori (inson resurslari) Oʻrta (dastlabki investitsiya kerak) Kengaytirilishi (scalability) Cheklangan Yuqori (millionlab foydalanuvchi) Til korpuslari yangilanishi Sekin (yillik yangilanish) Tez (real vaqtda oʻrganish) Oʻzbek tili agglutinativ tuzilishga ega boʻlib, bu SI modellarini oʻqitishda oʻziga xos qiyinchiliklarni keltirib chiqaradi. Soʻz yasalishining murakkabligi, koʻp ma’noli affiks tizimi va arabcha, forscha, ruscha hamda inglizcha soʻz oʻzlashmalarining yuqori ulushi NLP algoritmlarini sozlashda maxsus yondashuvni talab etadi [3]. Hozirgi vaqtda oʻzbek tili uchun quyidagi lingvistik resurslar mavjud: UzBERT (Oʻzbekiston AI tadqiqotchilar jamoasi), UzSQuAD (Savol-javob ma’lumotlar bazasi), OʻzMorph (morfologik tahlil tizimi). Biroq bu resurslar hali ham yetarli darajada boy emas. Xalqaro tajriba shuni koʻrsatadiki, kuchli korpus resurslariga ega tillar (ingliz, xitoy, ispan) uchun NLP tizimlari ancha yuqori aniqlik koʻrsatkichlariga ega [9]. 785

UNESCO 2022-yilgi ma’lumotlariga koʻra, dunyo tillarining atigi 7 foizi raqamli ta'lim resurslarida yetarli darajada ifodalangan. Bu koʻrsatkich oʻzbek tili uchun ham muhim chaqiriqni belgilab bermoqda. Kadrlar tayyorlash tizimida SI ni joriy etish uchun dastlab milliy lingvistik korpusni kengaytirish, ixtisoslashgan soha terminologiyasi ma’lumotlar bazalarini yaratish va mavjud SI modellarini oʻzbek tili grammatikasi va leksikasiga moslashtirish zarur. 4-jadval SI asosidagi ta'lim tizimlarini joriy etish samaradorligi koʻrsatkichlari (global tadqiqotlar asosida) Koʻrsatkich 2018 2020 2022 2024 Oʻquv natijalarini yaxshilash (%) 18% 27% 38% 52% Lingvistik xatolarni kamaytirish (%) 12% 23% 41% 63% Oʻqitish vaqtini qisqartirish (%) 8% 19% 31% 44% SI joriy etgan muassasalar ulushi (%) 11% 24% 47% 71% Innovatsion yondashuv: Retrieval-Augmented Generation (RAG) va ta'limdagi qoʻllanilishi Retrieval-Augmented Generation (RAG) - zamonaviy SI arxitekturasi boʻlib, u til modellarini tashqi bilim bazalari bilan integratsiyalash orqali aniqroq va dolzarb javoblar generatsiya qilishga imkon beradi. Kadrlar tayyorlash sohasida RAG ning qoʻllanilishi ayniqsa muhim, chunki u oʻquv materiallarini dinamik ravishda yangilash va soha ma’lumotlarini real vaqtda integratsiya qilish imkonini beradi. RAG arxitekturasi uch asosiy komponentdan iborat: (1) Retriever - soʻrovga mos keladigan hujjat yoki matn boʻlaklarini ma’lumotlar bazasidan topib beruvchi modul; (2) Augmenter - topilgan ma’lumotlarni til modeli kirishiga qoʻshuvchi qatlam; (3) Generator - boyitilgan kontekst asosida javob yaratuvchi transformerga asoslangan til modeli. Kadrlar tayyorlash tizimlarida RAG ning tatbiq etilishi talabaga har doim dolzarb, soha boʻyicha aniq va lingvistik jihatdan toʻg‘ri ma’lumot olish imkonini beradi [8]. Empirik tadqiqotlar natijalariga koʻra, RAG asosidagi ta'lim tizimlari standart LLM tizimlariga nisbatan faktik aniqlik boʻyicha 23-31 foizga yuqori koʻrsatkichlarni namoyish etadi. Bu, ayniqsa, tez oʻzgaruvchan sanoat standartlari va texnologiyalar boʻyicha kadrlar tayyorlashda muhim ahamiyatga ega [5]. Xulosa. Ushbu maqolada sun’iy intellekt va innovatsion yondashuvlar asosida kadrlar tayyorlash hamda oʻqitishni tashkil etishdagi lingvistik muammolar va yechimlar keng qamrovli tahlil qilindi. Tadqiqot natijalari asosida quyidagi xulosalarga kelish mumkin: 1. Sun’iy intellekt texnologiyalari, ayniqsa NLP va adaptiv ITS tizimlari, kadrlar tayyorlash jarayonidagi lingvistik toʻsiqlarni bartaraf etishda yuqori samaradorlik koʻrsatmoqda. Tadqiqotlar ta'lim natijalarini oʻrtacha 35-58 foizga yaxshilash imkonini beradi. 786

2. Oʻzbek tili lingvistik resurslari - korpuslar, terminologik ma’lumotlar bazalari va morfologik tahlilchilar - hali yetarli darajada rivojlanmagan boʻlib, ularni kengaytirish milliy ta'lim tizimida SI ni samarali joriy etishning asosiy sharti hisoblanadi. 3. RAG va fine-tuning kabi zamonaviy arxitektura yondashuvlari ixtisoslashgan soha kadrlarini tayyorlashda til modellarining samaradorligini sezilarli darajada oshirishi isbotlangan. Bu yondashuvlar Oʻzbekiston ta'lim muassasalarida ham tatbiq etilishi zarur. 4. SI asosidagi kadrlar tayyorlash tizimlarini joriy etishda kompleks yondashuv - texnologik, lingvistik va pedagogik komponentlarning uyg‘unlashuvi - muvaffaqiyatning asosiy omili boʻlib qoladi. 5. Kelajakda oʻzbek tili uchun maxsus LLM modellarini yaratish va ta'lim platformalariga integratsiya qilish davlat va xususiy sektor hamkorligida amalga oshirilishi zarur boʻlgan strategik vazifa hisoblanadi. Umuman olganda, sun’iy intellekt va lingvistik innovatsiyalar kadrlar tayyorlash tizimini yangi sifat darajasiga olib chiqishning asosiy omili ekanligi isbotlangan. Ushbu maqolada taklif qilingan yechimlar va tavsiyalar Oʻzbekiston ta'lim muassasalari va korxonalari uchun amaliy qoʻllanma boʻlib xizmat qilishi mumkin. Foydalanilgan adabiyotlar 1. Vaswani, A., Shazeer, N., Parmar, N., et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems, 30, 5998–6008. Google Research. 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. Google AI Language. 3. Graesser, A.C., Hu, X., & McNamara, D. S. (2005). Computerized Learning Environments that Incorporate Research in Discourse Psychology, Cognitive Science, and Computational Linguistics. In A. F. Healy (Ed.), Experimental Cognitive Psychology and Its Applications (pp. 383–400). American Psychological Association. 4. Lewis, P., Perez, E., Piktus, A., et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems, 33, 9459–9474. 5. Koedinger, K. R., Anderson, J. R., Hadley, W. H., & Mark, M. A. (1997). Intelligent tutoring goes to school in the big city. International Journal of Artificial Intelligence in Education, 8(1), 30–43. 6. Mirziyoyev, Sh. M. (2023). Oʻzbekiston Respublikasi Prezidentining «Sun’iy intellekt sohasini rivojlantirish chora-tadbirlari toʻg‘risida» Farmoni. PF-74. Oʻzbekiston Respublikasi qonun hujjatlari ma’lumotlar bazasi. 7. Manning, C.D., Raghavan, P., & Schütze, H. (2008). Introduction to Information Retrieval. Cambridge University Press. DOI: 10.1017/CBO9780511809071. 8. Rusell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson Education. ISBN: 978-0-13-461099-3. 9. Yusupova, N., & Tursunov, F. (2022). Oʻzbek tili uchun NLP resurslarini yaratish: Muammolar va istiqbollar. Toshkent axborot texnologiyalari universiteti ilmiy jurnali, 3(2), 45–58. 10. UNESCO. (2022). Reimagining our futures together: A new social contract for education. UNESCO Publishing. ISBN: 978-92-3-100478-4. 787

SUN’IY INTELLEKT VA RAQAMLI IQTISODIYOT Xushboqov Qobilbek, Toshboboyeva Iroda, Denov tadbirkorlik va pedagogika instituti, Filologiya fakulteti o‘zbek tili va adabiyoti yo‘nalishi talabasi, @toshboboyevairoda942@gmail.com Annotatsiya. Ushbu maqolada sun’iy intellekt texnologiyalarining rivojlanishi va ularning raqamli iqtisodiyot shakllanishidagi o‘rni tahlil qilinadi. Shuningdek, sun’iy intellekt asosida yaratilayotgan innovatsion yechimlar, ishlab chiqarish va xizmat ko‘rsatish sohalarida samaradorlikni oshirish imkoniyatlari hamda iqtisodiy jarayonlarni raqamlashtirishdagi ahamiyati yoritiladi. Maqolada raqamli iqtisodiyot sharoitida sun’iy intellektdan foydalanishning afzalliklari, muammolari va istiqbollari ilmiy nuqtai nazardan ko‘rib chiqiladi. Kalit so‘zlar: Sun’iy intellekt, raqamli iqtisodiyot, raqamlashtirish, innovatsiya, axborot texnologiyalari, avtomatlashtirish, katta ma’lumotlar (Big Data), raqamli transformatsiya, iqtisodiy rivojlanish, texnologik taraqqiyot. Аннотация. В данной статье анализируется развитие технологий искусственного интеллекта и их роль в формировании цифровой экономики. Также освещаются инновационные решения, созданные на основе искусственного интеллекта, возможности повышения эффективности в производстве и сфере услуг, а также их значение в цифровизации экономических процессов. В статье рассматриваются с научной точки зрения преимущества, проблемы и перспективы использования искусственного интеллекта в условиях цифровой экономики. Ключевые слова: Искусственный интеллект, цифровая экономика, цифровизация, инновации, информационные технологии, автоматизация, большие данные, цифровая трансформация, экономическое развитие, технологический прогресс. Abstract. This article analyzes the development of artificial intelligence technologies and their role in the formation of the digital economy. It also highlights the innovative solutions created on the basis of artificial intelligence, the possibilities of increasing efficiency in the production and service sectors, and their importance in the digitalization of economic processes. The article examines the advantages, problems, and prospects of using artificial intelligence in the digital economy from a scientific point of view. Keywords: Artificial intelligence, digital economy, digitalization, innovation, information technology, automation, big data, digital transformation, economic development, technological progress. Kirish. Bugungi kunda raqamli texnologiyalar rivojlanib, sun’iy intelektga nisbatan ehtiyoj kuchaygan. Buning bir qancha sabablari mavjud. Asosiy sabablardan biri sifatida internet bilan butun dunyo bog‘langanini keltirish mumkin, natijada, ommaviy axbarot resurslariga bo‘lgan talab yuqori bo‘ladi, bir qancha platformalar, jumladan twitter, telegram, AI insonlarga yanada qulaylik olib keladi. Ayniqsa, raqamli iqtisodiyot an‘anaviy hayotdan zamonaviy hayotga o‘tishini ta‘minlab berdi. Raqamli transformatsiya jarayonlari an’anaviy bozor munosabatlarini chetga surib, ma’lumotlarga asoslangan yangi tizimni qaror toptirdi. Bu tizimning markaziy drayveri esa — Sun’iy intellektdir. SI nafaqat ishlab chiqarish samaradorligini oshiruvchi vosita, balki iqtisodiy o‘sishning mutlaqo yangi manbaiga aylandi. 788

Insoniyat tarixi davomida iqtisodiy taraqqiyot bir necha bor tubdan o‘zgargan. Bugun biz guvohi bo‘layotgan jarayon esa sanoat inqilobi yoki internetning kashf etilishidan ham kuchliroq ta’sirga ega. Raqamli iqtisodiyot endi shunchaki "onlayn xaridlar" yoki "elektron hamyonlar" degani emas. Bu — ma’lumotlarning intellektual boshqaruvi davridir. Yangi iqtisodiy reallik.Ilgari iqtisodiyotning asosiy resurslari yer, mehnat va kapital bo‘lgan bo‘lsa, raqamli asrda bu rolni ma’lumot (data) egalladi. Biroq, trillionlab gigabayt ma’lumotlarning o‘zi boylik keltirmaydi. Ularni qayta ishlash, mantiqiy bog‘liqliklarni topish va kelajakni bashorat qilish uchun bizga "aqlli mexanizm" kerak edi. Aynan shu yerda Sun’iy intellekt (SI) sahnaga chiqdi.SI raqamli iqtisodiyotning "miyasiga" aylandi. U iqtisodiy jarayonlarni quyidagi uchta yo‘nalishda o‘zgartirmoqda: Tezlik va Aniq tahlil: Inson oylar davomida tahlil qiladigan bozordagi o‘zgarishlarni SI algoritmlari soniyalar ichida hisoblab chiqadi. Bu esa xatolar ehtimolini deyarli nolga tushiradi. Giper-shaxsiylashtirish: Raqamli iqtisodiyot har bir mijozga alohida yondashuvni talab qiladi. SI sizning nima sotib olmoqchi ekanligingizni siz hali o‘ylamasdan turib biladi. Bu esa savdo va xizmat ko‘rsatish samaradorligini o‘n barobarga oshiradi. Resurslarni optimallashtirish: Elektr energiyasidan tortib logistika yo‘nalishlarigacha — SI ortiqcha sarf-xarajatlarni qisqartirib, "yashil" va tejamkor iqtisodiyotni shakllantirmoqda. Inqilobiy burilish: Algoritmlar boshqaruvi bugungi raqamli iqtisodiyotda raqobatbardoshlik kompaniyaning hajmi bilan emas, balki uning texnologik moslashuvchanligi bilan o‘lchanmoqda. Kichik bir startap SI yordamida gigant korporatsiyalarni ortda qoldirishi mumkin bo‘lgan davr keldi. Bu — demokratik iqtisodiyot sari tashlangan qadamdir. Biroq, bu yangi davr faqat imkoniyatlardan iborat emas. U bizdan yangi ko‘nikmalar, yangi qonunchilik va eng muhimi — texnologiyalarga nisbatan yangicha dunyoqarashni talab qilmoqda. Biz endi texnologiyadan shunchaki foydalanuvchi emas, balki u bilan hamkorlik qiluvchi sherikmiz1. Kembridj universiteti tadqiqotlariga ko‘ra, kriptovalyutalardan foydalanuvchilar umumiy soni so‘nggi uch yil ichida to‘rt baravar- 2013 yildagi 8,2 milliondan 2018-yilga kelib taxminan 50 milliongacha o‘sdi. Ta‘kidlash joizki, raqamli iqtisodiyotga o‘tilish bilan iqtisodiy o‘sish tendensiyalari yanada faol o‘sish tomon o‘zgarishi mumkin. Bir tomondan, yaqin yillarda kripoiqtisodiyotiyot umumiy hajmi mamlakatlar byudjeti bilan taqqoslanadigan darajaga yetdi.Boshqa tomondan, ushbu iqtisodiy faollik butun dunyo bo‘ylab (eng katta qizg‘inlik Xitoy, Yaponiya, Evropa Ittifoqi davlatlari, Skandinaviya davlatlari, AQSH, Janubiy Koreya ava Afrikaning bir qator mamlakatlarida kuzatildi)tarqalgan, ammo uning ko‘lami bir alohida mamlakat iqtisodiyoti umumiy hajmida va jahon miqyosida u qadar sezilarli miqdorda emas2. 1 2 World economic Forum(WEF)B-45-60 Ayupov R.H., Boltaboyeva G.R. Raqamli iqtisodiyot asoslari. B-152-153 789

Sun’iy intellekt (SI) tushunchasi bugungi kunda ko‘p tilga olinsa-da, uning iqtisodiy mohiyati ko‘pincha e’tibordan chetda qoladi. Iqtisodiy nuqtayi nazardan, SI — bu nafaqat inson ongiga taqlid qiluvchi texnologiya, balki bashorat qilish xarajatlarini keskin kamaytiruvchi vositadir. Ma’lumotlar — Yangi iqtisodiy aktiv. Agar sanoat inqilobi davrida ko‘mir va po‘lat asosiy resurs bo‘lgan bo‘lsa, raqamli iqtisodiyotda bu o‘rinni "Big Data" (Katta ma’lumotlar) egalladi. Biroq, xomashyo kabi, ishlov berilmagan ma’lumotlarning qiymati past. SI aynan shu "xomashyo"ni qayta ishlab, undan iqtisodiy foyda — aniq qarorlar, samarali strategiyalar va yangi mahsulotlar yaratadi. Iqtisodiy qarorlar qabul qilish doimo noaniqlik bilan bog‘liq. SI o‘tmishdagi ma’lumotlarga tayanib, kelajakdagi talabni, narxlar o‘zgarishini yoki xavf-xatarlarni (risk) bashorat qiladi. Bashorat qilish xarajatlarining arzonlashishi korxonalarga resurslarni aniqroq yo‘naltirish imkonini beradi. Vaqtni kapitalga aylantirish: An’anaviy iqtisodiyotda ma’lumot yig‘ish va tahlil qilish haftalab vaqt olgan. SI esa real vaqt (real-time) rejimida ishlaydi. Bu esa tranzaksiya xarajatlarini (transaction costs) kamaytiradi va aylanma mablag‘larning harakat tezligini oshiradi. Inson kapitalining transformatsiyasi: SI iqtisodiy tabiatiga ko‘ra "to‘ldiruvchi" (complementary) xususiyatga ega. U insonning rutinga aylangan ishlarini o‘z zimmasiga oladi va inson kapitalini ijodiy, strategik va murakkab muammolarni hal qilishga yo‘naltiradi. Bu esa mehnat unumdorligining eksponentsial o‘sishiga olib keladi. Ilgari korxonalar o‘z aktivlarini binolar va uskunalar bilan o‘lchagan bo‘lsa, hozirda SI algoritmlari va ularni o‘rgatuvchi ma’lumotlar bazasi kompaniyaning eng qimmatli aktivi hisoblanadi. Masalan, Alphabet (Google) yoki Meta kabi gigantlarning bozor qiymati ularning jismoniy aktivlaridan ko‘ra, ulardagi SI tizimlarining intellektual salohiyatiga tayanadi3. Ammo sodil tilda sun‘iy intelekt deb kompyuterlarning an’anavi ravishda insonlar bajaradigan aqliy va ijodiy ishlarni bajara olish qobiliyatiga tushuniladi.Yana ushbu atama bilan intelektual mashinalar yaratish ilmi va texnologiyasini ham tushuniladilar. Sun’iy intelektning bunday aniqlanuvi 1956yilda Amerikalik informatik Djon Makkarti tomonidan kiritilgan. Ingliz tilida artificial intelligence so‘z birikmasi bizda “sun‘iy intellect “ma‘nosini bildirsa, intelligence so‘zi inlizchada “aqlli fikrlash qobiliyati” deb tushuniladi. Sun‘iy intellektni aniqlashning empiric testini 1950-yilda Alan T’yuring taklif qilgan. Unga ko‘ra, fikrlovchi mashina deb, inson u bilan so‘zlashganda uni inson sifatida qabul qilinishi tushunilishi lozim. Sun’iy intellect tizimlarini yaratish bo‘yicha bir qancha yondoshuvlar mavjud. Ular ichida eng ommabopi evristik yondoshuv bo‘lib, bunda mashina o‘zini o‘rab turgan dunyoni sinab ko‘rish va xatolar tahlili usuli bilan o‘rganadi. “O‘qituvchisiz o‘qish jarayoni” deb nomlangan extimollik mashinasi g‘oyasini ilk bora 1956 yilda Dartmund konferentsiyasida Rey Solomonoff aytib o‘tgan. Hozirgi davrda sun’iy intellect bo‘yicha juda ko‘p 3 Varian, Hal, R. (google bosh iqtisodchisi maqolasi) Nomi:Artificial intelligence, econics and Industrial Organization.B-5-12 790

sohalarda ilmiy izlanishlar olib borilayotganida qaramay, biror bir inson yoki ilmiy guruh to‘laqonli sun‘iy intellect tizimini yarata olmagan.4 Sun’iy intellektning iqtisodiyotdagi amaliy ta’siri eng avvalo ishlab chiqarish (sanoat 4.0) va xizmat ko‘rsatish sohalarida yaqqol namoyon bo‘lmoqda. Bu yerda SI shunchaki yordamchi emas, balki butun boshli texnologik zanjirni boshqaruvchi "virtual injener" vazifasini bajarmoqda. 1. Sanoatda "Aqlli" ishlab chiqarish (Industry 4.0)An’anaviy zavodlarda uskunaning buzilishi ishlab chiqarishning to‘xtashiga va katta iqtisodiy zararga olib keladi. SI yordamida esa "Bashoratli texnik xizmat" (Predictive Maintenance) tizimi joriy etilmoqda. Samaradorlik: Datchiklar orqali yig‘ilgan ma’lumotlar asosida SI uskunaning qachon buzilishini oldindan aytib beradi. Bu texnik to‘xtalishlarni 3050% ga kamaytiradi. Resurslarni tejash: Algoritmlar xomashyodan foydalanishni optimallashtirib, chiqindilar miqdorini minimal darajaga tushiradi. 2. Xizmat ko‘rsatish: Mijoz bilan "aqlli" muloqot xizmat ko‘rsatish sohasida SI inson mehnatini o‘rnini bosish bilan birga, xizmat sifatini yangi bosqichga olib chiqdi. Chat-botlar va virtual assistentlar: Mijozlarning standart savollariga 24/7 rejimida javob berish orqali operatsion xarajatlarni 30% gacha qisqartiradi. Logistika va yetkazib berish: Uber yoki Yandex Go kabi platformalar SI algoritmlari orqali marshrutlarni optimallashtiradi, bu esa yoqilg‘i sarfini kamaytiradi va yetkazib berish tezligini oshiradi. 3. Iqtisodiy samaradorlik ko‘rsatkichlariSI joriy etilgan korxonalarda mehnat unumdorligi o‘rtacha 40% ga oshishi kuzatilmoqda. Bu esa mahsulot tannarxining pasayishiga va iste’molchilar uchun hamyonbop narxlarning shakllanishiga xizmat qiladi. McKinsey tahlillariga ko‘ra, ishlab chiqarishda SI texnologiyalaridan foydalanish korxonaning operatsion foydasini (EBIT) 10-20% gacha oshirish imkonini beradi (McKinsey, 2023, 22-bet)."5 Xulosa: Raqamli iqtisodiyotda g‘olib bo‘lish uchun eng zamonaviy kompyuterlarga ega bo‘lish yetarli emas. Eng muhimi — moslashuvchanlik. Sun’iy intellekt insonni almashtirmaydi, aksincha, SI bilan ishlashni biladigan inson — SI dan foydalanmaydigan insonning o‘rnini egallaydi. Bizning oldimizda turgan asosiy vazifa — bu texnologiyadan qo‘rqish emas, balki uni jilovlash, etika qoidalariga amal qilish va raqamli dunyoda insoniy qadriyatlarni saqlab qolishdir. Kelajak iqtisodiyoti — bu "aqlli mashinalar" va "ijodkor insonlar"ning eng mukammal simbiozi bo‘ladi. Foydalanilgan adabiyotlar: 1.World Economic Forum(WeF)-The Future of Jobs Report. 2023-2024.60bet 2. Ayupov R.H., Boltaboyeva G.R. Raqamli iqtisodiyot asoslari darslik Toshkent2020.575bet 4 5 Ayupov R.H., Boltaboyeva G.R. Raqamli iqtisodiyot asoslari.B-232-233 McKinsey Global Institute(MGE)Report.Nomi Smartening up with ARticial Intellegence(AI)B-18 791

3.Varian.Hal.R. (Google bosh iqtisodchisi maqolasi)Nomi:Artificial Intellegence, Economicsand Industrial Organization.Nashr:National BUREAU of Economic Reserch. 12bet 4. McKinsey Global Institute(MGI)Report.Nomi: Smartening up with Artificial Intellegence(AI).35bet SUN’IY INTELLEKT VA RAQAMLI TEXNOLOGIYALARNING MATEMATIK MODELLASHTIRISH MUAMMOLARI VA YECHIMLARI Ergashev Izzatbek Nodirbek o‘g‘li, FarDTU, Axborot tizimlari va texnalogiyalari yo‘nalishi 2-kurs talabasi e-mail:zztbkergashev@gmail.com Annotatsiya. Ushbu maqolada sun’iy intellekt va raqamli texnologiyalarni yaratish hamda rivojlantirish jarayonida matematik modellashtirishning o‘rni, asosiy muammolari va ularni hal qilish usullari tahlil qilinadi. Zamonaviy axborot texnologiyalarining rivojlanishi bilan birga murakkab tizimlarni matematik modellar yordamida tasvirlash, tahlil qilish va optimallashtirish zarurati ortib bormoqda. Maqolada sun’iy intellekt algoritmlari, ma’lumotlar tahlili, optimallashtirish usullari hamda raqamli tizimlarda matematik modellashtirish jarayonining nazariy va amaliy jihatlari yoritilgan. Kalit so‘zlar: sun’iy intellekt, matematik modellashtirish, raqamli texnologiyalar, algoritmlar, optimallashtirish, neyron tarmoqlar. Аннотация. В данной статье рассматривается роль математического моделирования в развитии искусственного интеллекта и цифровых технологий, а также основные проблемы и пути их решения. В условиях стремительного развития информационных технологий возрастает необходимость описания, анализа и оптимизации сложных систем с помощью математических моделей. В статье освещаются алгоритмы искусственного интеллекта, методы анализа данных, способы оптимизации и теоретические аспекты математического моделирования в цифровых системах. Ключевые слова: искусственный интеллект, математическое моделирование, цифровые технологии, алгоритмы, оптимизация, нейронные сети. Annotation. This article analyzes the role of mathematical modeling in the development of artificial intelligence and digital technologies, as well as the main problems and their possible solutions. With the rapid development of modern information technologies, the need to describe, analyze, and optimize complex systems using mathematical models has significantly increased. The paper discusses artificial intelligence algorithms, data analysis methods, optimization techniques, and theoretical as well as practical aspects of mathematical modeling in digital systems. Keywords: artificial intelligence, mathematical modeling, digital technologies, algorithms, optimization, neural networks. Kirish. XXI asr axborot texnologiyalari asri hisoblanadi. Zamonaviy jamiyatda raqamli texnologiyalar va sun’iy intellekt tizimlari iqtisodiyot, sanoat, tibbiyot, transport, ta’lim va boshqa ko‘plab sohalarda keng qo‘llanilmoqda. Bu texnologiyalar murakkab jarayonlarni avtomatlashtirish, katta hajmdagi ma’lumotlarni tahlil qilish va tezkor qaror qabul qilish imkonini beradi. Sun’iy intellekt tizimlarining samarali ishlashi ko‘p jihatdan matematik modellashtirishga bog‘liq. Matematik modellashtirish real jarayonlarni matematik formulalar, tenglamalar va algoritmlar yordamida ifodalash jarayonidir. Bu usul yordamida murakkab tizimlarni o‘rganish, tahlil qilish va prognoz qilish mumkin. Hozirgi kunda sun’iy intellektni rivojlantirish jarayonida bir qator ilmiy va amaliy 792

muammolar mavjud. Ular orasida katta hajmdagi ma’lumotlarni qayta ishlash, model aniqligini oshirish, algoritmlarni optimallashtirish va hisoblash resurslaridan samarali foydalanish muhim o‘rin tutadi. Shu sababli matematik modellashtirish usullarini takomillashtirish zamonaviy ilmiy tadqiqotlarning dolzarb yo‘nalishlaridan biri hisoblanadi. Ushbu maqolaning maqsadi sun’iy intellekt va raqamli texnologiyalar sohasida matematik modellashtirishning ahamiyati, mavjud muammolari va ularni hal etish usullarini tahlil qilishdan iborat. Sun’iy intellekt tushunchasi va uning rivojlanish bosqichlari. Sun’iy intellekt – bu kompyuter tizimlarining inson intellektiga xos bo‘lgan fikrlash, o‘rganish, muammo yechish va qaror qabul qilish qobiliyatlarini taqlid qilishidir. Sun’iy intellekt g‘oyasi XX asr o‘rtalarida paydo bo‘lgan bo‘lib, hozirgi kunda axborot texnologiyalarining eng tez rivojlanayotgan sohalaridan biri hisoblanadi. Sun’iy intellekt tizimlari quyidagi asosiy yo‘nalishlarni o‘z ichiga oladi: mashinali o‘qitish (Machine Learning), chuqur o‘qitish (Deep Learning), tabiiy tilni qayta ishlash, kompyuter ko‘rish tizimlari, ekspert tizimlari. Sun’iy intellekt tizimlari turli yo‘nalishlarni o‘z ichiga oladi va ularning har biri muayyan matematik modellar hamda algoritmlar asosida ishlaydi. Ushbu yo‘nalishlar zamonaviy axborot texnologiyalarining eng muhim tarkibiy qismlaridan biri hisoblanadi. Birinchi muhim yo‘nalish — mashinali o‘qitish (Machine Learning) hisoblanadi. Mashinali o‘qitish — bu kompyuter tizimlarining ma’lumotlar asosida o‘z tajribasini oshirishi va oldindan aniq dasturlanmagan holda muayyan vazifalarni bajarishni o‘rganish jarayonidir. Bu usulda kompyuter tizimlari katta hajmdagi ma’lumotlarni tahlil qilib, ular orasidagi qonuniyatlarni aniqlaydi va shu asosda prognozlar yoki qarorlar qabul qiladi. Mashinali o‘qitish algoritmlariga regressiya, klassifikatsiya, klasterlash, qaror daraxtlari va qo‘llabquvvatlovchi vektor mashinalari (SVM) kiradi. Ushbu algoritmlar statistik usullar va ehtimollar nazariyasiga asoslanadi. Ikkinchi muhim yo‘nalish — chuqur o‘qitish (Deep Learning) hisoblanadi. Chuqur o‘qitish mashinali o‘qitishning rivojlangan shakli bo‘lib, u ko‘p qatlamli sun’iy neyron tarmoqlari yordamida ishlaydi. Chuqur o‘qitish tizimlari murakkab ma’lumotlarni, masalan tasvirlar, ovoz yoki matnlarni tahlil qilishda juda samarali hisoblanadi. Ushbu texnologiya yordamida yuzni tanib olish, nutqni avtomatik aniqlash, avtomatik tarjima qilish kabi tizimlar yaratiladi. Chuqur o‘qitish algoritmlarining ishlashi gradient tushish (gradient descent), optimallashtirish usullari va chiziqli algebra asosida amalga oshiriladi. Sun’iy intellektning yana bir muhim yo‘nalishi — tabiiy tilni qayta ishlash (Natural Language Processing — NLP) hisoblanadi. Tabiiy tilni qayta ishlash kompyuterlarning inson tilini tushunishi, tahlil qilishi va qayta ishlashini ta’minlaydigan texnologiyalar majmuasidir. Bu yo‘nalish matnlarni tahlil qilish, avtomatik tarjima qilish, chat-botlar yaratish, nutqni matnga aylantirish kabi vazifalarni bajaradi. Tabiiy tilni qayta ishlashda matematik modellashtirish, ehtimollar nazariyasi, statistik usullar hamda neyron tarmoqlar keng qo‘llaniladi. 793

Keyingi yo‘nalish — kompyuter ko‘rish tizimlari (Computer Vision) hisoblanadi. Kompyuter ko‘rish tizimlari kompyuterlarning tasvirlar va videolarni tahlil qilishi hamda ulardagi obyektlarni aniqlash imkonini beradi. Bu texnologiya tibbiyotda diagnostika qilish, sanoatda sifat nazorati, transport tizimlarida yo‘l belgilarini aniqlash va xavfsizlik tizimlarida yuzni tanib olish kabi sohalarda qo‘llaniladi. Kompyuter ko‘rish tizimlari tasvirlarni qayta ishlash algoritmlari, matritsalar, konvolyutsion neyron tarmoqlari (CNN) kabi matematik modellar asosida ishlaydi. Sun’iy intellektning dastlabki yo‘nalishlaridan biri — ekspert tizimlari hisoblanadi. Ekspert tizimlari ma’lum bir sohada mutaxassis bilimlarini kompyuter tizimiga kiritish orqali qaror qabul qilish jarayonini avtomatlashtirishga xizmat qiladi. Bu tizimlar bilimlar bazasi va mantiqiy qoidalar asosida ishlaydi. Masalan, tibbiyotda kasalliklarni aniqlash, texnik tizimlarda nosozliklarni topish yoki moliyaviy tahlil qilishda ekspert tizimlaridan foydalaniladi. Umuman olganda, yuqoridagi barcha sun’iy intellekt yo‘nalishlarining samarali ishlashi matematik modellar, statistik tahlil usullari va optimallashtirish algoritmlariga asoslanadi. Matematik modellashtirish yordamida murakkab jarayonlar soddalashtiriladi, algoritmlar ishlab chiqiladi va kompyuter tizimlarining samaradorligi oshiriladi. Shu sababli matematik modellashtirish sun’iy intellekt tizimlarini yaratish va rivojlantirishda muhim ilmiy asos bo‘lib xizmat qiladi. Bu tizimlarning ishlashi matematik modellar va algoritmlar asosida amalga oshiriladi. Raqamli texnologiyalar va ularning zamonaviy jamiyatdagi o‘rni. Raqamli texnologiyalar axborotni raqamli shaklda qayta ishlash, saqlash va uzatishga asoslangan texnologiyalar majmuasidir. Ular zamonaviy jamiyatda iqtisodiy rivojlanishning asosiy omillaridan biri hisoblanadi. Raqamli texnologiyalar quyidagi sohalarda keng qo‘llanilmoqda: elektron hukumat tizimlari, raqamli iqtisodiyot, aqlli shahar (Smart City) texnologiyalari, sanoatda avtomatlashtirilgan boshqaruv tizimlari, masofaviy ta’lim tizimlari. Bu tizimlarning samarali ishlashi uchun matematik modellashtirish muhim rol o‘ynaydi. Matematik modellashtirishning nazariy asoslari. Matematik modellashtirish – bu real obyekt yoki jarayonni matematik tenglamalar va algoritmlar yordamida ifodalash jarayonidir. Matematik modellar yordamida murakkab tizimlarni o‘rganish va tahlil qilish mumkin. Matematik modellashtirish quyidagi bosqichlardan iborat: muammoni aniqlash, matematik modelni yaratish, modelni hisoblash usullari yordamida yechish, natijalarni tahlil qilish, modelni takomillashtirish. Sun’iy intellekt tizimlarida matematik modellar ko‘pincha statistik va ehtimollik usullariga asoslanadi. Matematik modellashtirishdagi asosiy muammolar. Sun’iy intellekt va raqamli texnologiyalarni yaratishda quyidagi muammolar uchraydi: -Ma’lumotlarning yetarli emasligi. Sun’iy intellekt tizimlari katta hajmdagi ma’lumotlarga asoslanadi. Agar ma’lumotlar yetarli bo‘lmasa yoki sifatsiz bo‘lsa, model natijalari ham aniq bo‘lmaydi. -Hisoblash murakkabligi. Ba’zi matematik modellar juda katta hisoblash resurslarini talab qiladi. Bu esa tizim samaradorligini pasaytirishi mumkin. 794

-Modelning aniqligi. Ba’zi hollarda matematik modellar real jarayonlarni to‘liq aks ettira olmaydi. Bu esa natijalarning xatolik darajasini oshiradi. -Overfitting muammosi. Model o‘qitilgan ma’lumotlarga juda moslashib qolib, yangi ma’lumotlarda xato qilishi mumkin. -Muammolarni hal qilish usullari. Matematik modellashtirish muammolarini hal qilish uchun quyidagi yondashuvlar qo‘llaniladi: katta ma’lumotlar texnologiyalaridan foydalanish, optimallashtirish algoritmlarini qo‘llash, neyron tarmoqlar asosidagi modellarni ishlab chiqish, parallel hisoblash texnologiyalaridan foydalanish, bulutli hisoblash tizimlaridan foydalanish. -Sun’iy intellekt modellarining amaliy qo‘llanilishi. Sun’iy intellekt asosidagi matematik modellar quyidagi sohalarda keng qo‘llanilmoqda. Tibbiyotda: kasalliklarni erta aniqlash, diagnostika tizimlari. Sanoatda: ishlab chiqarish jarayonlarini optimallashtirish, robotlashtirilgan tizimlar. Transportda: aqlli transport tizimlari, yo‘l harakatini boshqarish. Ta’limda: intellektual o‘qitish tizimlari, avtomatik baholash tizimlari. Xulosa. Sun’iy intellekt va raqamli texnologiyalar zamonaviy jamiyat taraqqiyotida muhim o‘rin egallaydi. Ularning samarali ishlashi matematik modellashtirish usullariga bevosita bog‘liq. Matematik modellar yordamida murakkab jarayonlarni tahlil qilish, prognozlash va optimallashtirish mumkin. Shu bilan birga, ma’lumotlarning yetarli emasligi, hisoblash murakkabligi va model aniqligi bilan bog‘liq muammolar mavjud. Zamonaviy algoritmlar, katta ma’lumotlar texnologiyalari va yuqori hisoblash quvvatiga ega kompyuter tizimlari bu muammolarni bosqichma-bosqich hal qilish imkonini bermoqda. Foydalanilgan adabiyotlar: 1. Russell S., Norvig P. Artificial Intelligence: A Modern Approach. – New Jersey: Prentice Hall, 2021. 2. Goodfellow I., Bengio Y., Courville A. Deep Learning. – Cambridge: MIT Press, 2016. 3. Bishop C. Pattern Recognition and Machine Learning. – New York: Springer, 2006. 4. Haykin S. Neural Networks and Learning Machines. – New York: Pearson Education, 2009. 5. Mitchell T. Machine Learning. – New York: McGraw-Hill, 1997. 6. Karimov I.A., Yusupov M. Axborot texnologiyalari va tizimlari. – T.: O‘zbekiston, 2018. 7. Abduqodirov A.A. Sun’iy intellekt asoslari. – T.: Fan va texnologiya, 2020. 8. To‘rayev B., Qodirov A. Matematik modellashtirish asoslari. – T.: Fan, 2017. 9. Jurayev R.X. Raqamli texnologiyalar va ularning rivojlanish istiqbollari. – T.: Innovatsiya, 2021. 10. O‘zbekiston Respublikasi Prezidentining “Raqamli O‘zbekiston – 2030” strategiyasi to‘g‘risidagi qarori, 2020. 11. Chollet F. Deep Learning with Python. – New York: Manning Publications, 2018. 12. Nilsson N. Artificial Intelligence: A New Synthesis. – San Francisco: Morgan Kaufmann, 1998. 795

TELEKOMMUNIKATSIYA TARMOQLARDA KIBERXAVFSIZLIK VA MA'LUMOTLARNI SHIFRLASH MEXANIZMLARI Abdulxayev N.M., “Sarbon” universiteti“ Muhandislik va raqamli texnologiylari” kafedrasi dotsenti, t.f.f.d (PhD) Annotatsiya. Ushbu maqolada telekommunikatsiya tarmoqlarida kiberxavfsizlikning dolzarb muammolari va ma'lumotlarni shifrlashning zamonaviy mexanizmlari tahlil qilinadi. Raqamli transformatsiya davrida telekommunikatsiya infratuzilmasi tobora murakkab va koʻp qirrali tahdidlarga duch kelmoqda. Maqolada DDoS hujumlari, Man-in-the-Middle (MITM) atakalari, protokol zaifliklariga qarshi kurashning algoritmik va kriptografik yondashuvlari koʻrib chiqilgan. Xususan, sun’iy intellektga asoslangan anomaliyalarni aniqlash tizimlari, chuqur oʻrganish (Deep Learning) algoritmlari va kvantga chidamli kriptografiya usullarining telekommunikatsiya tarmoqlari xavfsizligini ta'minlashdagi roli oʻrganilgan. Olingan natijalar shifrlash algoritmlarini optimallashtirish, real vaqt rejimida tahdidlarni monitoring qilish hamda 5G va IoT tarmoqlarida xavfsizlik arxitekturasini loyihalash uchun amaliy tavsiyalar beradi. Maqola telekommunikatsiya muhandislari, kiberhavfsizlik mutaxassislari va raqamli iqtisodiyot sohasidagi tadqiqotchilar uchun ilmiy ahamiyatga ega. Kalit soʻzlar: kiberxavfsizlik, shifrlash algoritmlari, telekom-munikatsiya tarmoqlari, kriptografiya, AES-256, TLS/SSL protokoli, sun’iy intellekt, anomaliyalarni aniqlash, Deep Learning, 5G xavfsizligi, IoT tarmoqlari, kvant kriptografiyasi, DDoS himoyasi, PKI infratuzilmasi, Zero Trust arxitekturasi. Аннотация. В данной статье анализируются актуальные проблемы кибербезопасности в телекоммуникационных сетях и современные механизмы шифрования данных. В эпоху цифровой трансформации телекоммуникационная инфраструктура сталкивается со всё более сложными и многоуровневыми угрозами. В статье рассматриваются алгоритмические и криптографические подходы к противодействию таким атакам, как DDoS-атаки, атаки типа Man-in-the-Middle (MITM), а также уязвимости сетевых протоколов. Особое внимание уделяется системам обнаружения аномалий на основе искусственного интеллекта, алгоритмам глубокого обучения (Deep Learning) и методам квантово-устойчивой криптографии, а также их роли в обеспечении безопасности телекоммуникационных сетей. Полученные результаты предоставляют практические рекомендации по оптимизации алгоритмов шифрования, мониторингу угроз в режиме реального времени и проектированию архитектуры безопасности для сетей 5G и IoT. Статья имеет научную значимость для телекоммуникационных инженеров, специалистов по кибербезопасности и исследователей в области цифровой экономики. Ключевые слова: кибербезопасность, алгоритмы шифрования, телекоммуникационные сети, криптография, AES-256, протокол TLS/SSL, искусственный интеллект, обнаружение аномалий, Deep Learning, безопасность 5G, сети IoT, квантовая криптография, защита от DDoS, инфраструктура PKI, архитектура Zero Trust. Abstract. This article analyzes current cybersecurity challenges in telecommunication networks and modern data encryption mechanisms. In the era of digital transformation, telecommunication infrastructure is facing increasingly complex and multidimensional threats. The paper examines algorithmic and cryptographic approaches to counteracting attacks such as Distributed Denial of Service (DDoS), Man-in-the-Middle (MITM) attacks, and vulnerabilities in communication protocols. Particular attention is given to artificial intelligence-based anomaly detection systems, Deep Learning algorithms, and quantum-resistant cryptography methods, as well as their role in ensuring the security of telecommunication networks. The obtained results provide practical recommendations for optimizing encryption algorithms, monitoring threats in real time, and designing security architectures for 5G and IoT networks. The article is of 796

scientific importance for telecommunication engineers, cybersecurity specialists, and researchers in the field of the digital economy. Keywords: cybersecurity, encryption algorithms, telecommunication networks, cryptography, AES-256, TLS/SSL protocol, artificial intelligence, anomaly detection, Deep Learning, 5G security, IoT networks, quantum cryptography, DDoS protection, PKI infrastructure, Zero Trust architecture. Kirish. Zamonaviy axborot jamiyatida telekommunikatsiya tarmoqlari iqtisodiy, ijtimoiy va davlat boshqaruvi tizimlarining asosiy ustuni hisoblanadi. Dunyo boʻyicha 5 milliarddan ortiq foydalanuvchi internet orqali oʻzaro bog‘langan boʻlib, bu raqamli koʻrsatkich yildan-yilga oʻsib bormoqda. Ayni paytda bu integratsiya kiberxavfsizlik muammolarini ham misli koʻrilmagan darajada kuchaytirmoqda. Cybersecurity Ventures kompaniyasining 2024-yildagi ma'ruzasiga koʻra, kiberhujumlardan yetkazilgan global zarar yillik 9,5 trillion dollardan oshib ketdi va ushbu koʻrsatkich 2025-yilga kelib 10,5 trillion dollarga yetishi kutilmoqda. Telekommunikatsiya tarmoqlarining oʻziga xos xususiyati shundaki, ular yagona markazlashgan nazorat mexanizmiga ega boʻlmasdan, koʻplab turli protokollar, texnologiyalar va infratuzilma komponentlarini oʻz ichiga oladi. Bu holat, bir tomondan, tarmoqning mustahkamligini ta'minlasa, ikkinchi tomondan, xavfsizlik zaifliklarining manbai sifatida namoyon boʻladi. Ayniqsa, 4G/5G simsiz tarmoqlar, optik tolali magistral yoʻnalishlar, bulutli hisoblash platformalari va IoT qurilmalarining uyg‘unlashishi yangi tahdid vektorlarini vujudga keltirdi. Mavjud muammolar sirasida eng koʻp uchraydigan tahdidlar quyidagilardir: birinchidan, tarmoq infratuzilmasiga yoʻnaltirilgan DDoS (Distributed Denial-ofService) hujumlari boʻlib, ular provayderlarning xizmat koʻrsatish qobiliyatini toʻliq falaj qilishi mumkin; ikkinchidan, Man-in-the-Middle (MITM) atakalari orqali foydalanuvchilar ma'lumotlarini tutib olish va oʻzgartirish; uchinchidan, shifrlash protokollarining zaif tomonlaridan foydalanib, maxfiy aloqa kanallarini ochish; toʻrtinchidan, zero-day zaifliklardan foydalangan holda tarmoq uskunalariga kirish. Bu muammolarni hal etishda an'anaviy usullar yetarli boʻlmay, sun’iy intellekt va chuqur oʻrganish algoritmlariga asoslangan yangi yondashuvlar talab etilmoqda [10]. Ushbu maqolaning maqsadi telekommunikatsiya tarmoqlarida kiberxavfsizlikni ta'minlashning zamonaviy yechimlarini tizimli tahlil qilish, shifrlash algoritmlarining samaradorligini baholash va sun’iy intellekt texnologiyalarining ushbu sohada qoʻllanilishi boʻyicha amaliy tavsiyalar ishlab chiqishdan iborat. Asosiy qism. Telekommunikatsiya tarmoqlaridagi asosiy kiberxavfsizlik tahdidlari. Zamonaviy telekommunikatsiya tizimlarida kiberxavfsizlik tahdidlarini uch asosiy kategoriyaga ajratish mumkin: tashqi hujumlar, ichki xavflar va protokol darajasidagi zaifliklar. Tashqi hujumlar ichida DDoS atakalari eng keng tarqalgan va eng koʻp zarar yetkazuvchi hisoblanadi. Netscout Systems tadqiqotiga koʻra, 2024-yilda dunyo boʻyicha 17 milliondan ortiq DDoS hujumi qayd etildi, ularning oʻrtacha kuchi esa 2019-yilga nisbatan 200% ga oshdi. 797

Quyidagi 1-jadvalda telekommunikatsiya tarmoqlarida eng koʻp uchraydigan tahdid turlari, ularning tarqalish darajasi va mos himoya mexanizmlari koʻrsatilgan: 1-jadval Telekommunikatsiya tarmoqlarida asosiy kiberxavfsizlik tahdidlari Tahdid turi Tarqalish darajasi Himoya mexanizmi DDoS hujumlari Yuqori (38%) Traffic filtration, CDN Man-in-the-Middle Oʻrta (24%) TLS/SSL, sertifikatlash Zararli dasturlar Oʻrta (19%) IDS/IPS, sandboxing Fishingga asoslangan Past (12%) AI-filter, 2FA Zero-day exploit Past (7%) Patch management, AI Jadvaldan koʻrinadiki, DDoS hujumlari eng yuqori tarqalish darajasiga (38%) ega boʻlib, traffic filtration va CDN (Content Delivery Network) texnologiyalari orqali kamaytirish mumkin. Man-in-the-Middle hujumlari (24%) esa TLS/SSL protokollarini toʻg‘ri qoʻllash va raqamli sertifikatlashtirish orqali oldini olish imkoniyati mavjud [6]. Shifrlash algoritmlarining taqqosiy tahlili Ma'lumotlarni shifrlash telekommunikatsiya xavfsizligining asosiy qatlami hisoblanadi. Hozirgi kunda bir nechta zamonaviy shifrlash algoritmlari amaliyotda qoʻllanilmoqda. Ularning samaradorligi va xavfsizlik darajasini toʻg‘ri tanlash uchun quyidagi parametrlar muhim ahamiyat kasb etadi: kalit uzunligi, hisoblash murakkabligi, tarmoq kengligi va energiya sarfi [3]. 2-jadvalda zamonaviy shifrlash algoritmlarining asosiy texnik parametrlari boʻyicha taqqosiy tahlil keltirilgan: 2-jadval Zamonaviy shifrlash algoritmlarining taqqosiy tahlili Algoritm Kalit uzunligi (bit) Xavfsizlik darajasi Tezligi (Mbps) AES-256 256 Juda yuqori 1200–2400 RSA-2048 2048 Yuqori 100–300 ChaCha20 256 Juda yuqori 2500–5000 ECC-384 384 Maksimal 800–1600 3DES 112/168 Oʻrta 50–150 Jadval tahlili shuni koʻrsatadiki, ChaCha20 algoritmi eng yuqori tezlikka (2500–5000 Mbps) ega boʻlib, u ayniqsa mobil qurilmalar va IoT sensorlar uchun maqbul hisoblanadi. AES-256 esa universallik va xavfsizlik jihatidan optimal muvozanatni ta'minlaydi. ECC-384 kalitlarining kichik oʻlchami tufayli tarmoq yuklamasini kamaytirish imkoniyati mavjud. Kvant hisoblash texnologiyalarining rivojlanishini hisobga olgan holda NIST 2024-yilda CRYSTALS-Kyber va CRYSTALS-Dilithium kabi kvantga chidamli algoritmlarni standartlashtirdi. 798