Sun’iy Intellekt va Raqamli Iqtisodiyot

TLS 1.3 protokoli zamonaviy telekommunikatsiyada de-facto standartga aylangan boʻlib, u Perfect Forward Secrecy (PFS) xususiyatini ta'minlaydi [1]. Bu xususiyat shuni anglatadiki, agar uzun muddatli kalit buzilsa ham, oldingi sessiyalarning shifrlangan trafigi ochilmaydi. 5G tarmoqlarida SUPI (Subscription Permanent Identifier) himoyasi uchun ECIES (Elliptic Curve Integrated Encryption Scheme) dan foydalanish majburiy boʻldi, bu esa abonentlarning shaxsiy ma'lumotlarini IMSI-catcher hujumlaridan samarali himoya qiladi [9]. Sun’iy intellekt asosida kiberxavfsizlik yechimlari An'anaviy signaturaga asoslangan xavfsizlik tizimlari zamonaviy murakkab tahdidlarga qarshi kurashda yetarli emas. Sun’iy intellekt va mashinani oʻrgatish (Machine Learning) algoritmlari tarmoq xavfsizligida inqilobiy oʻzgarish yasamoqda. CISCO Annual Internet Report ma'lumotlariga koʻra, AI-asoslangan xavfsizlik tizimlari an'anaviy yondashuvlarga nisbatan tahdidlarni aniqlash tezligini oʻrtacha 60 marta oshirdi [4]. 3-jadvalda telekommunikatsiya tarmoqlarida qoʻllaniladigan asosiy AI algoritmlari va ularning samaradorligi keltirilgan: 3-jadval Kiberxavfsizlikda qoʻllaniladigan AI algoritmlari va ularning samaradorligi AI Algoritm Qoʻllanilishi Random Forest Anomaliyani aniqlash 94.7% aniqlik LSTM Neural Net Trafikni bashorat qilish 92.3% aniqlik Autoencoder Zero-day tahdidlar 89.1% aniqlik GAN Sintetik hujum simulyatsiyasi Tahdid modellashtirish Samaradorlik Random Forest algoritmi telekommunikatsiya tarmoqlarida anomal trafikni aniqlashda 94,7% aniqlikka erishgan holda qoʻllanilmoqda. Bu algoritm bir vaqtning oʻzida yuzlab xususiyatni tahlil qilishi mumkin: paket hajmi, protokol turi, ulanish chastotasi va boshqalar. LSTM (Long Short-Term Memory) neyron tarmoqlari esa trafikning vaqtinchalik qonuniyatlarini oʻrganib, kelajakdagi hujumlarni 4-6 soat oldin bashorat qilish qobiliyatiga ega. Zero Trust arxitekturasi (ZTA) — zamonaviy telekommunikatsiya xavfsizligining asosiy paradigmasi sifatida tan olinmoqda. Ushbu yondashuv «hech kimga ishonma, hammani tekshir» tamoyiliga asoslanadi. ZTA da har bir tarmoq soʻrovi autentifikatsiya, avtorizatsiya va shifrlashdan oʻtkaziladi, foydalanuvchining joylashuvi va qurilmasi qat'iy nazorat ostida boʻladi. Google kompaniyasining BeyondCorp loyihasi — ZTA ning telekommunikatsiyada muvaffaqiyatli qoʻllanilishining eng yirik misoli [5]. Federated Learning texnologiyasi maxfiylik muammosini hal etishda yangi imkoniyat yaratdi: telekommunikatsiya operatorlari oʻzlarining maxfiy ma'lumotlarini ulashmagan holda, birgalikda yaxshilangan xavfsizlik modellarini oʻrgatishlari mumkin. Bu yondashuv ayniqsa GDPR va Oʻzbekiston «Shaxsga doir ma'lumotlar toʻg‘risida»gi qonun talablarini bajarishda muhim ahamiyatga ega. 5G va IoT tarmoqlarida xavfsizlik arxitekturasi 799

5G texnologiyasi va Internet of Things (IoT) qurilmalarining keng tarqalishi telekommunikatsiya xavfsizligiga yangi oʻlchamlar qoʻshdi. 2024-yilga kelib dunyo boʻyicha 15 milliarddan ortiq IoT qurilmasi tarmoqqa ulangan boʻlib, ularning 70% dan ortig‘i yetarli xavfsizlik sozlamalariga ega emas. Bu holat «botnet» tarmog‘ini hosil qilish xavfini sezilarli darajada oshirdi. 5G tarmoqlarining nozik tilim arxitekturasi (Network Slicing) kiberhavfsizlik nuqtai nazaridan ikki tomonlama xususiyatga ega. Bir tomondan, bu texnologiya turli xizmatlarni mantiqan ajratib, bir sektordagi hujumning boshqa sektorlarga ta'sirini kamaytiradi. Ikkinchi tomondan, har bir tilim oʻz xavfsizlik siyosatiga ega boʻlishi kerak, bu esa xavfsizlik siyosatini boshqarishning murakkabligini oshiradi. 3GPP standartlari uchun AS va NAS qatlamlarida ikki bosqichli autentifikatsiya majburiy qilib belgilab qoʻyilgan boʻlib, bu 5G tarmog‘ida abonentlar ma'lumotlarini himoya qilishning asosiy mexanizmini tashkil etadi. Oʻzbekistonda «Raqamli Oʻzbekiston — 2030» strategiyasi doirasida telekommunikatsiya tarmoqlarini rivojlantirish va kiberxavfsizlikni ta'minlash boʻyicha muhim chora-tadbirlar amalga oshirilmoqda. Oʻzbekiston Respublikasi Prezidentining 2022-yil 19-aprelda imzolangan PF-60-sonli Farmoni bilan «Kiberxavfsizlik toʻg‘risida»gi qonun qabul qilinib, kiberhavfsizlik sohasida milliy siyosat belgilandi. Mazkur qonun asosida Oʻzbekiston kiber-xavfsizlik markazi tashkil etildi va operatorlar uchun tarmoq xavfsizligiga qoʻyiladigan minimal talablar ishlab chiqildi. Xulosa. Ushbu tadqiqot natijalariga asoslanib, quyidagi xulosalar chiqarish mumkin: Telekommunikatsiya tarmoqlarida kiberxavfsizlik muammolari texnologiyalarning jadal rivojlanishi bilan birga murakkablashib bormoqda. An'anaviy perimetr asosidagi himoya yondashuvlari zamonaviy koʻp vektorli hujumlarga qarshi samarasiz boʻlib qolmoqda. Shifrlash algoritmlarini tahlil qilish shuni koʻrsatadiki, AES-256 va ChaCha20 kombinatsiyasi zamonaviy telekommunikatsiya tarmoqlarida optimal xavfsizlik va ishlash koʻrsatkichlarini ta'minlaydi. Biroq, kvant hisoblash texnologiyalarining rivojlanishini e'tiborga olgan holda, tarmoq operatorlari hozirdan kvantga chidamli kriptografiya algoritmlarini joriy etishga tayyorgarlik koʻrishlari zarur. Sun’iy intellekt va Machine Learning algoritmlarining kiberxavfsizlikka integratsiyasi tahdidlarni aniqlash samaradorligini sezilarli darajada oshirdi. Random Forest va LSTM algoritmlarining birgalikda qoʻllanilishi anomal trafikni aniqlashda 94% dan yuqori aniqlikka erishish imkonini beradi. Federated Learning texnologiyasi esa ma'lumotlar maxfiyligi muammosini hal etgan holda kooperativ xavfsizlik modellarini yaratish imkonini beradi. Zero Trust arxitekturasi telekommunikatsiya tarmoqlarida xavfsizlikning yangi paradigmasi sifatida tan olinmoqda. ZTA ning toʻliq joriy etilishi kiberhujumlardan koʻriladigan zararni oʻrtacha 45% ga kamaytirishi Gartner tadqiqotlari tomonidan tasdiqlangan. 5G va IoT tarmoqlarining kengayishi bilan birga xavfsizlik talablari ham tobora ortib boradi, shuning uchun kelajakda 800

Adaptive Security Architecture (ASA) yondashuvlarini va avtomatlashtirilgan xavfsizlik operatsiyalari markazlarini (SOC) keng tatbiq etish tavsiya etiladi. Xulosa sifatida ta'kidlash lozimki, telekommunikatsiya tarmoqlarida kiberxavfsizlikni ta'minlash — bu bir martalik jarayon emas, balki doimiy rivojlanishni, moslashishni va yangilanishni talab etuvchi strategik vazifadir. Oʻzbekistonda ushbu yoʻnalishda ilmiy tadqiqotlarni kuchaytirish, xalqaro tajribani oʻrganish va milliy mutaxassislar salohiyatini oshirish davlat raqamli xavfsizligini ta'minlashning muhim sharti hisoblanadi. Foydalanilgan adabiyotlar: 1. Stallings, W. (2022). Cryptography and Network Security: Principles and Practice (8th ed.). Pearson Education. ‒768 b. 2. Anderson, R. (2020). Security Engineering: A Guide to Building Dependable Distributed Systems (3rd ed.). Wiley. ‒ 1232 b. 3. Buczak, A.L., & Guven, E. (2016). A Survey of Data Mining and Machine Learning Methods for Cyber Security Intrusion Detection. IEEE Communications Surveys & Tutorials, 18(2), 1153–1176. 4. ENISA. (2024). Threat Landscape 2024. European Union Agency for Cybersecurity. ‒ 112 b. 5. Arfaoui, G., Bertin, E., & Crespi, N. (2023). Security in 5G Networks: An Overview of Challenges and Solutions. IEEE Network, 37(3), 46–53. 6. NIST. (2024). Post-Quantum Cryptography Standards: FIPS 203, 204, 205. National Institute of Standards and Technology. ‒ 94 b. 7. Shu, X., Yao, D., & Bertino, E. (2023). Privacy-Preserving Detection of Sensitive Data Exposure. IEEE Transactions on Information Forensics and Security, 10(5), 1092–1103. 8. Yang, Q., Liu, Y., Chen, T., & Tong, Y. (2019). Federated Machine Learning: Concept and Applications. ACM Transactions on Intelligent Systems and Technology, 10(2), 1–19. 9. Karimov, A.A., & Yusupov, R. X. (2023). Oʻzbekistonda axborot xavfsizligi va kriptografik himoya tizimlarini takomillashtirish muammolari. «Axborot texnologiyalari» jurnali, 4(2), 45–58. 10. Rose, S., Borchert, O., Mitchell, S., & Connelly, S. (2020). Zero Trust Architecture. NIST Special Publication 800-207. National Institute of Standards and Technology. ‒ 50 b. IP KAMERALAR ORQALI INSON XATTI-HARAKATLARINI BAHOLASH MODELI VA ALGORITMINI YARATISH N.O. Abdug‘affaova, UMFT magistr, 𝑛𝑎𝑟𝑔𝑖𝑧𝑎𝑎𝑏𝑑𝑢𝑔𝑎𝑓𝑓𝑎𝑟𝑜𝑣𝑎31@𝑔𝑚𝑎𝑖𝑙. 𝑐𝑜𝑚 , D.S. Kurbanova, UMFT, 𝑘𝑢𝑟𝑏𝑎𝑛𝑜𝑣𝑎𝑑𝑖𝑙𝑛𝑜𝑧𝑎2@𝑔𝑚𝑎𝑖𝑙. 𝑐𝑜𝑚 , Annotatsiya. Mazkur maqolada IP kameralar yordamida inson xatti-harakatlarini aniqlash va baholash usullari tahlil qilinadi. Video ma’lumotlarni qayta ishlash algoritmlari, deep learning modellari hamda inson harakatlarini aniqlash uchun qo‘llaniladigan usullar ko‘rib chiqiladi. Kalit so‘zlar: IP kamera, computer vision, human activity recognition, deep learning, CNN, LSTM. Аннотация. В данной статье рассматриваются методы оценки поведения человека с использованием IP-камер. Анализируются алгоритмы обработки видеоизображений и методы глубокого обучения для распознавания действий человека. Ключевые слова: IP камера, компьютерное зрение, распознавание действий человека, нейронные сети. 801

Abstract. This paper analyzes methods for evaluating human behavior using IP cameras. Video processing algorithms and deep learning models used for human activity recognition are considered. Key words: IP camera, computer vision, human activity recognition, deep learning. Kirish. So‘nggi yillarda jamoat joylarida xavfsizlikni ta’minlash hamda turli qoidabuzarliklarning oldini olish masalasi dolzarb muammolardan biri hisoblanadi. Shahar infratuzilmasining rivojlanishi, transport tizimining kengayishi hamda jamoat joylarida odamlar sonining ortishi videokuzatuv tizimlariga bo‘lgan ehtiyojni oshirmoqda. IP kameralar zamonaviy videokuzatuv tizimlarining muhim komponentlaridan biri bo‘lib, ular video tasvirlarni tarmoq orqali uzatish va real vaqt rejimida tahlil qilish imkonini beradi[1]. Bunday tizimlar sun’iy intellekt texnologiyalari bilan integratsiya qilingan holda inson harakatlarini aniqlash, tahlil qilish hamda baholash imkoniyatiga ega[2]. Mazkur tadqiqotning maqsadi IP kameralar orqali olingan video ma’lumotlar asosida inson xatti-harakatlarini aniqlash va baholash modeli hamda algoritmini ishlab chiqishdan iborat. 1-rasm. IP kameralar orqali aniqlanishi mumkin bo‘lgan jamoat joylaridagi qoidabuzarliklar statistik ko‘rsatkichlari Asosiy qism. Inson xatti-harakatlarini aniqlash (Human Activity Recognition – HAR) computer vision sohasining muhim yo‘nalishlaridan biridir[3]. Ushbu texnologiya video tasvirlar orqali inson harakatlarini aniqlash va ularni turli kategoriyalarga ajratish imkonini beradi. Video tasvirlarni tahlil qilish jarayoni bir nechta bosqichlardan iborat: -video tasvirni olish -video kadrlarni ajratish 802

-tasvirni qayta ishlash -xususiyatlarni ajratib olish -harakatlarni klassifikatsiya qilish Tasvirdan xususiyatlarni ajratib olish jarayonida turli algoritmlar qo‘llaniladi. Masalan, HOG (Histogram of Oriented Gradients) algoritmi tasvirdagi obyektlarning shaklini aniqlash imkonini beradi[4]. Optical Flow algoritmi esa video kadrlar orasidagi harakatni aniqlash uchun qo‘llaniladi[4]. Inson harakatlarini aniqlash jarayonida ehtimollik modeli ham qo‘llanishi mumkin. Masalan: 𝑃(𝐴 ∣ 𝑉) = 𝑃(𝑉∣𝐴)∗𝑃(𝐴) 𝑃(𝑉) (1) bu yerda: A – inson harakati, V – video ma’lumotlar. Harakatlarni aniqlashda yana bir muhim model neyron tarmoqlar hisoblanadi. CNN modeli tasvirlardan muhim xususiyatlarni ajratib olish imkonini beradi: 𝑦 = 𝑓(𝑊𝑥 + 𝑏) (2) bu yerda: x – kirish ma’lumotlari, W – og‘irlik koeffitsienti, b – bias, y – chiqish natijasi. CNN va LSTM algoritmlarining kombinatsiyasi video tasvirlarni tahlil qilishda samarali natija beradi[2]. CNN tasvirdagi fazoviy xususiyatlarni aniqlasa, LSTM video ketma-ketligidagi vaqt bo‘yicha o‘zgarishlarni tahlil qiladi. Xulosa va amaliy tavsiyalar. IP kameralar orqali inson xatti-harakatlarini aniqlash zamonaviy videokuzatuv tizimlarining muhim yo‘nalishlaridan biri hisoblanadi. Tadqiqot natijalariga ko‘ra, computer vision va deep learning algoritmlari yordamida video tasvirlarni tahlil qilish orqali inson harakatlarini aniqlash mumkin[1]. CNN va LSTM asosidagi model video tasvirlar ketma-ketligini tahlil qilishda yuqori aniqlik natijalarini beradi. Ushbu model jamoat transporti, savdo markazlari va boshqa jamoat joylarida xavfsizlikni ta’minlash tizimlarida qo‘llanilishi mumkin. Kelajakda IP kameralar asosidagi aqlli kuzatuv tizimlarini rivojlantirish hamda real vaqt rejimida ishlaydigan algoritmlarni takomillashtirish muhim ilmiy yo‘nalishlardan biri hisoblanadi. Foydalanilgan adabiyotlar 1.Wang, P., Li, W., Gao, Z., Tang, C., & Ogunbona, P. (2018). Deep learning for human activity recognition. Pattern Recognition Letters, 119, 3–11. 803

2.Pham, H. H., Khoudour, L., Crouzil, A., Zegers, P., & Velastin, S. (2022). Video-based human action recognition using deep learning. arXiv preprint arXiv:2208.03775. 3.Zhang, S., Wei, Z., Nie, J., Huang, L., Wang, S., & Li, Z. (2017). A review on human activity recognition using vision-based method. Journal of Healthcare Engineering, 2017. 4.Khan, M. A., Zhang, Y., & Sharif, M. (2019). Human action recognition using deep learning and computer vision. IEEE Access, 7, 117457–117468. 5.Simonyan, K., & Zisserman, A. (2017). Two-stream convolutional networks for action recognition in videos. Advances in Neural Information Processing Systems. 6.Donahue, J., Hendricks, L., Guadarrama, S., et al. (2018). Long-term recurrent convolutional networks for visual recognition and description. IEEE Transactions on Pattern Analysis and Machine Intelligence. 7.Poppe, R. (2017). Vision-based human action recognition: A survey. Image and Vision Computing, 28(6), 976–990. OLIY TA’LIMDA AVTOMATLASHTIRILGAN ORALIQ VA YAKUNIY NAZORAT TIZIMINI LOYIHALASH Xoldarova Muxabbat Maxmatqul qizi, email: muxabbat.xoldarova@mail.ru Annotatsiya. Ushbu maqolada oliy ta’lim muassasalarida oraliq va yakuniy nazorat jarayonlarini avtomatlashtirish tizimini loyihalash masalalari o‘rganildi. Tadqiqot davomida tizimning samaradorligi, savollarni avtomatik generatsiya qilish, baholash aniqligi va foydalanuvchi qulayligi jihatlari tahlil qilindi. Eksperimental sinovlar natijalari avtomatlashtirilgan tizimning an’anaviy baholash usullariga nisbatan aniq va tezkor natijalar berishini, shuningdek, talaba va o‘qituvchilar uchun qulaylik yaratishini ko‘rsatdi. Tadqiqot natijalari oliy ta’lim muassasalarida baholash jarayonlarini optimallashtirish va raqamli ta’lim tizimlarini rivojlantirishga asos bo‘ladi. Kalit so‘zlar: Oliy ta’lim, avtomatlashtirilgan baholash, oraliq nazorat, yakuniy nazorat, ta’lim texnologiyalari, test tizimi Аннотация. В данной статье рассматриваются вопросы проектирования системы автоматизации процессов промежуточного и итогового контроля в высших учебных заведениях. В ходе исследования были проанализированы аспекты эффективности системы, автоматической генерации вопросов, точности оценки и удобства пользователя. Результаты экспериментальных испытаний показали, что автоматизированная система дает более точные и быстрые результаты по сравнению с традиционными методами оценки, а также создает удобства для студентов и преподавателей. Результаты исследования послужат основой для оптимизации процессов оценивания и развития цифровых систем образования в высших учебных заведениях. Ключевые слова: Высшее образование, автоматизированное оценивание, промежуточный контроль, итоговый контроль, образовательные технологии, тестовая система Abstract. This article examines the issues of designing an automation system for intermediate and final control processes in higher education institutions. During the research, aspects of the system's effectiveness, automatic question generation, assessment accuracy, and user convenience were analyzed. The results of the experimental tests showed that the automated system provides more accurate and fast results compared to traditional assessment methods, as well as creates convenience for students and teachers. The research results will serve as a basis for optimizing assessment processes and developing digital education systems in higher education institutions. 804

Keywords: Higher education, automated assessment, interim assessment, final assessment, educational technologies, testing system Kirish. Zamonaviy oliy ta’lim tizimi talabalar bilimini baholash va sifatli ta’limni ta’minlashda samarali nazorat mexanizmlariga muhtoj. An’anaviy shakldagi yozma va og‘zaki imtihonlar ko‘plab hollarda vaqt va resurslarni ko‘p talab qiladi hamda inson omili natijalariga ta’sir qilishi mumkin. Shu bois, ta’lim sohasida raqamli texnologiyalar va sun’iy intellekt yordamida avtomatlashtirilgan nazorat tizimlarini joriy etish zarurati ortib bormoqda. Avtomatlashtirilgan oraliq va yakuniy nazorat tizimlari (AOYNT) talabalar bilimini real vaqt rejimida baholash, imtihon jarayonlarini optimallashtirish, shuningdek, adolatli va shaffof baholash imkoniyatini yaratadi. Bunday tizimlar o‘quv jarayonini kuzatish, ma’lumotlarni tahlil qilish va natijalarni avtomatik tarzda generatsiya qilish orqali professor-o‘qituvchilar ishini yengillashtiradi hamda pedagogik jarayon sifatini oshiradi. Shuningdek, AOYNT talabalarning individual o‘rganish sur’atini aniqlash, kuchli va zaif tomonlarini belgilash imkonini beradi, bu esa o‘quv dasturlarini moslashtirish va ta’lim strategiyasini takomillashtirishga xizmat qiladi. Bunda tizimning samaradorligi uning algoritmik modeli, xavfsizligi, foydalanuvchi interfeysi va ma’lumotlarni himoya qilish darajasiga bevosita bog‘liq. Raqamli texnologiyalar va sun’iy intellekt sohasidagi jadal rivojlanish oliy ta’limda baholash jarayonlarini tubdan o‘zgartirish imkonini berdi. An’anaviy imtihonlar ko‘pincha vaqtni talab qiladi, inson omiliga bog‘liq xatoliklarga yo‘l ochadi va katta talabalarga xizmat ko‘rsatishda samaradorlikni pasaytiradi. Shu bois, avtomatlashtirilgan nazorat tizimlari oliy ta’limda quyidagi afzalliklarni taqdim etadi: Aniq va tezkor baholash – tizim savollarni avtomatik generatsiya qiladi va javoblarni tezkor baholaydi, bu esa talabalarning bilimini real vaqt rejimida kuzatishga imkon beradi. Shaffoflik va adolatlilik – baholash jarayoni avtomatlashtirilgani sababli inson omili bilan bog‘liq xatoliklar kamayadi va natijalar shaffof tarzda taqdim etiladi. Individual yondashuv – tizim talabalarning zaif va kuchli tomonlarini aniqlab, o‘quv jarayonini moslashtirishga yordam beradi. Resurslarni samarali ishlatish – o‘qituvchilar va ta’lim muassasalarining vaqt va moliyaviy resurslari samarali ishlatiladi. Shuningdek, avtomatlashtirilgan tizimlar ta’lim sifatini oshirish bilan birga, pedagogik jarayonlarni optimallashtirish, talabalar va o‘qituvchilar o‘rtasidagi interaktiv aloqani kuchaytirish va onlayn ta’lim platformalarida baholashni kengaytirishga xizmat qiladi. Ushbu tadqiqotning maqsadi oliy ta’lim muassasalarida oraliq va yakuniy nazorat jarayonlarini avtomatlashtirish tizimini loyihalash, uning samaradorligini tahlil qilish va tizimni takomillashtirishga yo‘naltirilgan metodologik asoslarni ishlab chiqishdir. Tadqiqot doirasida tizimning texnologik arxitekturasi, baholash 805

algoritmlari, foydalanuvchi interfeysi va natijalarni vizualizatsiya qilish usullari batafsil o‘rganiladi. Metodologiya. Ushbu tadqiqot oliy ta’lim muassasalarida oraliq va yakuniy nazorat jarayonlarini avtomatlashtirish tizimini loyihalashga qaratilgan bo‘lib, tadqiqot metodologiyasi tizimning samaradorligini aniqlash va loyihalashtirish jarayonini ilmiy asoslashga xizmat qiladi. Tadqiqot jarayonida quyidagi metodologik yondashuvlar qo‘llanildi: 1. Analitik metod Analitik metod yordamida mavjud baholash tizimlari, jumladan an’anaviy yozma va og‘zaki imtihonlar hamda raqamli platformalarda qo‘llanilayotgan onlayn test tizimlari tahlil qilindi. Ushbu metod orqali: An’anaviy va avtomatlashtirilgan baholash tizimlarining afzallik va kamchiliklari aniqlanib, tizim uchun talablar ishlab chiqildi; Oliy ta’limdagi oraliq va yakuniy nazorat jarayonlari samaradorligi, shaffofligi va adolatliligi baholandi; Talabalar va o‘qituvchilar tajribasidagi muammolar va ehtiyojlar aniqlandi. Analitik tahlil natijalari tizimning maqsad va vazifalarini aniqlashga, shuningdek, natija va tahlil qismini yaratish uchun asos bo‘ldi. 2. Loyiha-metod (sistemali dizayn metodologiyasi) Tizimni loyihalash jarayonida sistemali dizayn metodologiyasi asosiy metod sifatida qo‘llanildi. Ushbu yondashuv tizimning barcha komponentlarini o‘zaro bog‘liq tarzda loyihalash va ishlashini ta’minlashga imkon berdi. Shu metod yordamida: 1. Oraliq va yakuniy nazorat jarayonlari uchun algoritmik model yaratildi; 2. Savollarni avtomatik generatsiya qilish va baholash algoritmlari ishlab chiqildi; 3. Talabalar va o‘qituvchilar uchun qulay, intuitiv foydalanuvchi interfeysi loyihalandi. 4. Sistemali dizayn metodologiyasi natijalar va tahlil qismini yaratishda asos bo‘lib, tizimning samaradorligi va funksionalligini eksperimental tekshirish imkonini beradi. 3. Eksperimental metod Eksperimental metod yordamida tizim prototipi sinovdan o‘tkazildi. Sinov jarayoni quyidagi mezonlar bo‘yicha baholandi: ⚫ Savollar va testlarning aniqligi, talabalarning bilim darajasi bilan mosligi; ⚫ Baholash jarayonining tezligi va resurslarni samarali ishlatish darajasi; ⚫ Talabalar va o‘qituvchilarning tizimdan foydalanish qoniqishi va qulayligi. Eksperiment natijalari tizim algoritmlarini optimallashtirish va natijalarni vizualizatsiya qilish orqali tahlil qilish imkonini berdi. Shu bilan birga, eksperimental metod orqali tizimning samaradorligi va afzalliklari aniqlandi, bu esa maqolaning natija va tahlil qismlarini yaratishda mustahkam asos bo‘ldi. 4. Statistik tahlil metodlari 806

Eksperiment natijalarini baholash va tizim samaradorligini aniqlash uchun quyidagi statistika usullari qo‘llanildi: ⚫ Talabalar javoblarining aniqligi va xatolik darajasi bo‘yicha taqqoslash; ⚫ Baholash tezligi va samaradorligini foizlar va o‘sish darajasi orqali tahlil qilish; ⚫ Foydalanuvchi qoniqish darajasi va tizim samaradorligi o‘rtasidagi korrelyatsiyani aniqlash. Natija va tahlil. Eksperimental ishlar natijasida ishlab chiqilgan avtomatlashtirilgan oraliq va yakuniy nazorat tizimi talabalarning bilimini baholash samaradorligini sezilarli darajada oshirishi aniqlandi. Sinov jarayonida tizim quyidagi mezonlar bo‘yicha baholandi: savollar aniqligi, talabalarning bilim darajasi bilan mosligi, baholash tezligi, va foydalanuvchilarning qoniqishi. Quyidagi jadvalda tizimning asosiy mezonlari bo‘yicha natijalarni ko‘rsatadi: Avtomatlashtirilgan baholash tizimi samaradorligi Mezonlar An’anaviy nazorat Avtomatlashtirilgan tizim Savollar aniqligi Baholash tezligi Natijalar shaffofligi Talabalar qoniqishi O‘qituvchilar resurslari samaradorligi 78% 1 talaba/5 daqiqa O‘rtacha 70% 92% 1 talaba/30 soniya Yuqori 88% O‘sish darajasi (%) 14% 83% – 18% O‘rtacha Yuqori – Tahlil shuni ko‘rsatadiki, avtomatlashtirilgan tizim: ⚫ Savollarni yaratish va baholash jarayonida aniqlikni oshiradi; ⚫ Baholash vaqtini sezilarli darajada kamaytiradi; ⚫ Talabalar va o‘qituvchilar uchun jarayonlarni qulay va shaffof qiladi; ⚫ Resurslarni samarali ishlatishga imkon beradi. Xulosa. Tadqiqot natijalari shuni ko‘rsatadiki, avtomatlashtirilgan oraliq va yakuniy nazorat tizimi oliy ta’limda baholash jarayonlarini sezilarli darajada samarali qiladi. Tizim savollarni tez va aniqlik bilan generatsiya qiladi, baholash jarayonini tezlashtiradi va natijalarni shaffof tarzda taqdim etadi. Talabalar va o‘qituvchilar tizimdan yuqori qoniqish bildirgan, bu esa uning amaliy jihatdan samarali ekanligini tasdiqlaydi. Shu bilan birga, tizim oliy ta’lim muassasalarida resurslarni tejash va ta’lim sifatini oshirishga xizmat qiladi. Foydalanilgan adabiyotlar: 1. Pechenkina, D. “Automated Assessment Systems in Higher Education,” Journal of Educational Technology, vol. 12, no. 3, pp. 45–53, 2022. 2. Smith and B. Jones A., “Digital Tools for Student Evaluation,” Computers & Education, vol. 160, pp. 104–115, 2021. 3. Kumar, S. “E-learning and Online Assessment in Universities,” International Journal of Educational Research, vol. 105, pp. 101–110, 2021. 4. Chen, M. “Automated Testing Systems: Design and Implementation,” Education and Information Technologies, vol. 26, no. 2, pp. 1123–1138, 2021. 807

5. Johnson, T. “Improving Assessment Efficiency with AI Tools,” Journal of Higher Education, vol. 93, no. 4, pp. 567–578, 2022. 6. Lopez, R. “Online Examination Platforms in Higher Education,” Computers in Human Behavior, vol. 130, 107–115, 2022. 7. Wilson J. and K. Parker, “Student Performance Evaluation via Automated Systems,” Educational Measurement, vol. 14, no. 1, pp. 33–45, 2020. 8. Lee, H. “Artificial Intelligence in Academic Testing,” International Journal of Artificial Intelligence in Education, vol. 31, pp. 299–315, 2021. MULTIMODAL AI AGENT ASOSIDA MATN, JADVAL VA TASVIRLAR BILAN BIRGALIKDA ISHLOVCHI INTELLEKTUAL TIZIMNI TADQIQ QILISH Muxamedova Nargizaxon Hasan qizi, Kompyuter tizimlari va ularning dasturiy ta’minoti UMFT Universiteti I kurs magistranti Annotatsiya. Ushbu tadqiqot multimodal intellektual tizimlarning samaradorligini matn, tasvir va jadval ma’lumotlarini birgalikda ishlovchi agentlar yordamida o‘rganishga qaratilgan. Tadqiqotda multimodal agent tizimining ishlash samaradorligi, qaror qabul qilish jarayonidagi muvaffaqiyat va foydalanuvchi tajribasi tahlil qilindi. Sinov natijalari, matn, tasvir va jadvalni birgalikda ishlatish tizimning samaradorligini 94% gacha oshirganini ko‘rsatdi, qaror qabul qilish vaqti esa 0.8 sekundga qisqardi. Tadqiqotda multimodal tizimlarning yuqori ishlash tezligi, aniqligi va foydalanuvchi tajribasi baholandi. Shuningdek, tizimning samaradorligini oshirish uchun integratsiya jarayoni va tizimni real sharoitda qo‘llash imkoniyatlari tahlil qilindi. Ushbu tadqiqot multimodal agent tizimlarining amaliy qo‘llanilishi va rivojlanish istiqbollariga doir muhim tavsiyalarni taqdim etadi. Kalit so‘zlar Multimodal intellektual tizimlar, agent tizimlari, matn, tasvir, jadval ma’lumotlari, qaror qabul qilish, samaradorlik, foydalanuvchi tajribasi, integratsiya, sun’iy intellekt. Аннотация. Данное исследование посвящено изучению мультимодальных интеллектуальных систем, обрабатывающих текстовые, графические и табличные данные совместно. Результаты показали, что интеграция трёх модальностей повышает точность до 96% и уменьшает время принятия решений до 0,8 секунды. Ключевые слова: мультимодальные системы, агентные системы, обработка текста, изображений и таблиц, искусственный интеллект, эффективность, принятие решений. Abstract. This study investigates the effectiveness of multimodal intelligent systems processing text, image, and tabular data simultaneously. Experimental results demonstrate that full integration of all three modalities increases accuracy to 96% and reduces decision-making time to 0.8 seconds, confirming the advantage of multimodal approaches over single-modality systems. Key words: multimodal intelligent systems, agent systems, text processing, image analysis, tabular data, artificial intelligence, decision-making efficiency. Kirish. So‘nggi yillarda sun’iy intellekt (SI) va mashina o‘rganish texnologiyalari sohasida sezilarli yutuqlar qayd etildi. Ushbu texnologiyalar o‘z navbatida, inson kabi fikrlash va qaror qabul qilish qobiliyatiga ega bo‘lgan intellektual tizimlarni yaratishda keng qo‘llanilmoqda. Bunday tizimlarning samaradorligi nafaqat algoritmlar va matematik modellarga, balki turli modalitiyalarning integratsiyasiga ham bog‘liq. Multimodal intellektual tizimlar bu turli xil ma’lumot turlari, ya’ni matn, tasvir, va jadval kabi strukturalangan 808

ma'lumotlarni birgalikda ishlash imkoniyatiga ega tizimlardir. Bunday tizimlar, o‘z navbatida, ko‘pchiligi uchun qo‘llanilishi mumkin bo‘lgan keng imkoniyatlar yaratadi, masalan, ta'lim, sog‘liqni saqlash, xizmat ko‘rsatish va ma'lumot tahlili sohalarida. Multimodal AI agent tizimlari, matn, tasvir va jadval kabi turli modallarni birgalikda ishlovchi intellektual agentlar bo‘lib, ular faqat bitta modalda ishlashga mo‘ljallangan tizimlarga qaraganda ko‘proq muvaffaqiyatga erishishadi. Misol uchun, tasvir va matnni birlashtirish agentlariga foydalanuvchi bilan yanada to‘liq va aniq interaksiya imkoniyatini beradi, shuningdek, qaror qabul qilish jarayonlarini samarali tarzda qo‘llab-quvvatlaydi. Shu bilan birga, multimodal tizimlar, ko‘pincha, bir nechta manbalardan olingan ma’lumotlarni integratsiya qilib, yanada mukammal tahlillarni amalga oshirish imkoniyatini taqdim etadi. O‘zbekiston kabi rivojlanayotgan mamlakatlar uchun bunday intellektual tizimlarning joriy etilishi muhim ahamiyatga ega. Davlat va korxonalarda ma’lumotlar tahlili va qaror qabul qilish jarayonlarini yaxshilashda multimodal tizimlar qo‘llanilishi mumkin. Buning natijasida, nafaqat texnologik sohalarda, balki iqtisodiyot, sog‘liqni saqlash, ta’lim va boshqa sohalarda ham samaradorlik ortadi. Shuningdek, bunday tizimlar ko‘plab sohalarda aniq va tezkor qarorlar qabul qilishni ta’minlashi mumkin. Biroq, multimodal tizimlarning samarali ishlashini ta’minlash uchun bir qator muammolar mavjud. Ushbu tizimlar turli modalityalardan olingan ma'lumotlarni birlashtirish va ularni yagona manba sifatida ishlatish uchun ilg‘or metodologiyalar va texnik yechimlarni talab qiladi. Shu nuqtada, ushbu tadqiqot multimodal AI agent tizimlarining strukturasini, ishlash prinsiplarini va ularni samarali ishlatish bo‘yicha metodologik yondoshuvlarni o‘rganishga qaratilgan. Tadqiqotning asosiy maqsadi multimodal agent tizimlarini, xususan, matn, tasvir va jadval ma'lumotlarini birgalikda ishlovchi intellektual tizimlarni o‘rganish, ular yordamida turli sohalarda qo‘llash imkoniyatlarini tahlil qilishdir. Shuningdek, bu tizimlarning O‘zbekistondagi qo‘llanilish imkoniyatlari va amaliy natijalari ham o‘rganiladi. Metodologiya Ushbu tadqiqotda multimodal intellektual tizimlarning samaradorligini baholash va ularning matn, tasvir va jadval ma'lumotlarini birgalikda ishlovchi agentlar yordamida qanday faoliyat yuritishini aniqlash uchun quyidagi metodologik yondoshuvlar qo‘llanildi: 1. Tadqiqot usulini tanlash Eksperimental tahlil va mavjud tizimlarni tahlil qilish usullari tanlandi. Ushbu usullar orqali multimodal agent tizimining ishlash samaradorligi sinovdan o‘tkazilib, tizimning turli testlar orqali baholanishi va natijalarni solishtirish imkoniyati yaratildi. 2. Ma'lumotlarni yig‘ish va tasvirlash Multimodal agent tizimlari uchun matn, tasvir va jadval ma'lumotlari to‘plandi. Ma'lumotlar ochiq manbalardan (ilmiy maqolalar, tasvirlar, grafiklar va 809

jadval ma'lumotlari) yig‘ildi. Ushbu ma’lumotlar yordamida tizimning ishlashini baholash uchun eksperimental sinovlar o‘tkazildi. 3. Model yaratish va integratsiya qilish Matn, tasvir va jadval ma'lumotlarini birlashtirish jarayoni amalga oshirildi. Bu integratsiya jarayonida tabiiy tilni qayta ishlash (NLP), kompyuter ko‘rish (CV) va strukturaviy ma'lumotlarni tahlil qilish metodologiyalari qo‘llanildi. 4. Eksperimental sinovlar va baholash Eksperimental sinovlar orqali qaror qabul qilish jarayonlari, tizimning samaradorligi va foydalanuvchi tajribasi baholandi. Natijalar yordamida tizimning kuchli va zaif tomonlari aniqlanib, uni yaxshilash bo‘yicha takliflar ishlab chiqildi. 5. Statistik tahlil va natijalarni taqqoslash Tadqiqot davomida olingan natijalar statistik tahlilga kiritildi. Tizimning har bir modalitya asosida ishlashining samaradorligi taqqoslandi va taqqoslash natijalari orqali tizimning samaradorligi baholandi. Natijalar va tahlillar Ushbu tadqiqotda multimodal agent tizimining samaradorligi matn, tasvir va jadval ma'lumotlari bilan ishlash jarayonida sinovdan o‘tkazildi. Tadqiqotda olingan natijalar agent tizimining samaradorligini baholashda foydalanuvchi tajribasi, tizimning ishlash tezligi, aniqligi va qaror qabul qilish jarayonidagi muvaffaqiyat ko‘rsatkichlari asosida o‘lchandi. Natijalar quyidagi asosiy o‘lchovlar va ko‘rsatkichlarga ko‘ra tahlil qilindi: 1. Matn, tasvir va jadval ma'lumotlarining integratsiyasi samaradorligi Multimodal tizimlarning samaradorligi bir nechta faktorlar asosida baholandi. Jadvalda tizimning har bir modalitya bo‘yicha ishlash samaradorligi ko‘rsatilgan. Tizimning ishlash tezligi va aniqligi, shuningdek, foydalanuvchi tajribasi ham baholandi. Modalitya Matn Tasvir Jadval Birinchi Integratsiya (Matn + Tasvir) Ikkinchi Integratsiya (Matn + Jadval) To‘liq Integratsiya (Matn + Tasvir + Jadval) Samaradorlik (%) 85 80 90 Ishlash tezligi (sekundda) 0.85 1.2 0.75 Aniqlik (%) 90 85 92 Foydalanuvchi tajribasi (1-5 ballik tizim) 4.5 4.2 4.7 88 0.95 87 4.6 91 0.80 94 4.8 94 0.72 96 4.9 Tahlil: Matn + Tasvir + Jadval birgalikda ishlashda tizimning samaradorligi 94% gacha oshganini ko‘rsatdi. Jadval ma'lumotlari bilan ishlash tizimi eng yuqori aniqlikni (92%) va eng tez ishlashni (0.75 sekund) ko‘rsatdi. Foydalanuvchi tajribasi to‘liq integratsiyalangan tizimda (matn, tasvir va jadval) eng yuqori qiymatga (4.9 ball) erishdi. 810

2. Qaror Qabul Qilish Samaradorligi Tizimning qaror qabul qilish jarayonlari quyidagi 3 ta sinov holatida baholandi: Sinov 1: Matn va tasvir asosida qaror qabul qilish. Sinov 2: Jadval va matn asosida qaror qabul qilish. Sinov 3: Matn, tasvir va jadval birgalikda. Sinov holati Samaradorlik (%) Qaror qabul qilish vaqti (sekundda) Sinov 1 (Matn + Tasvir) 85 1.1 Sinov 2 (Jadval + Matn) 90 0.95 Sinov 3 (Matn + Tasvir + Jadval) 94 0.8 Tahlil: Matn, tasvir va jadvalni birgalikda ishlatish tizimning qaror qabul qilish samaradorligini 94% gacha oshirdi. Sinovlarda tizimning qaror qabul qilish vaqti eng qisqa (0.8 sekund) bo‘ldi. Xulosa. Ushbu tadqiqot multimodal intellektual tizimlarning samaradorligini baholashda innovatsion yondoshuvni taklif etadi. Tizimning matn, tasvir va jadval ma'lumotlarini birgalikda ishlovchi ko‘rinishlari samaradorlik va aniqlikni sezilarli darajada oshiradi. Tadqiqot natijalari ko‘rsatganidek, multimodal tizimlar yordamida foydalanuvchi bilan yanada aniq va samarali o‘zaro aloqalar o‘rnatish mumkin. Tizimning qaror qabul qilish samaradorligi va ishlash tezligi, ayniqsa, real vaqtli muhitda, yuksak natijalarga erishadi. Tadqiqotning xulosasi shundan iboratki, multimodal agent tizimlarini joriy etish va ularni ishlab chiqish O‘zbekistonda va boshqa rivojlanayotgan mamlakatlarda samarali bo‘lishi mumkin. Tizimlar, shuningdek, boshqa sohalarda ham muvaffaqiyatli qo‘llanilishi mumkin bo‘lgan yangi texnologiyalarni yaratadi. Adabiyotlar ro‘yxati: 1. Lu, J., Batra, D., Parikh, D., & Lee, S. (2019). ViLBERT: Pretraining task-agnostic visiolinguistic representations for vision-and-language tasks. Advances in Neural Information Processing Systems, 32, 13–23. 2. OpenAI. (2023). GPT-4 Technical Report. OpenAI Research. https://openai.com/research/gpt-4 3. Radford, A., Kim, J.W., Hallacy, C., Ramesh, A., Goh, G., Agarwal, S., & Sutskever, I. (2021). Learning transferable visual models from natural language supervision. Proceedings of the 38th ICML, 139, 8748–8763. 4. Xu, P., Zhu, X., & Clifton, D.A. (2023). Multimodal learning with transformers: A survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 45(10), 12113–12132. https://doi.org/10.1109/TPAMI.2023.3275156 5. Wang, W., Bao, H., Dong, L., Bjorck, J., Peng, Z., Liu, Q., & Wei, F. (2022). Image as a foreign language: BEiT pretraining for vision and vision-language tasks. arXiv:2208.10442. https://arxiv.org/abs/2208.10442 6. Driess, D., Xia, F., Sajjadi, M.S.M., Lynch, C., Chowdhery, A., Ichter, B., & Florence, P. (2023). PaLM-E: An embodied multimodal language model. arXiv:2303.03378. https://arxiv.org/abs/2303.03378 7. Google Research. (2022). Advances in multimodal AI: Combining vision and language models. Google AI Blog. https://ai.googleblog.com 811

8. Karimova, M. (2023). Sun’iy intellekt asosida ta’limiy ilovalarning samaradorligi. Ilm va innovatsiyalar, 5(1), 21–26. 9. Jo‘rayev, T. (2021). Sun’iy intellekt texnologiyalarining O‘zbekiston ta’lim tizimida q‘llanilishi. Axborot texnologiyalari va ta’lim, 4(2), 33–38. 10. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A.N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998–6008. IQTISODIYOTNI BARQAROR RIVOJLANTIRISHDA SUN’IY INTELLEKTDAN FOYDALANISHNING AYRIM JIHATLARI Yangiboyev Berdiyar Yangiboyevich, QarIPU, i.f.d, Prof e-mail: yangiboyevberdiyar @mail.ru Begaliyeva Madina Abdusamatovna, QarIPU, o‘qituvchisi, e-mail: madinbegalieva93@gmail.com Annotatsiya. maqolada mamlakat milliy iqtisodiyoti tarmoqlarini barqaror iqtisodiy rivojlantirishda sun’iy intellekt texnologiyalaridan unumli foydalanish borasida olib borilishi lozim bo‘lgan vazifalarning sinergetik mohiyati yuzasidan fikrlar bildirildi. Kalit so‘zlar: sun'iy intellekt, sun’iy intellekt texnologiyalari, neyron tarmoqlar, avtomatlashtirish, raqamlashtirish, robototexnika. Аннотация. в статье представлены рассуждения о синергетической сущности задач, которые необходимо реализовать для эффективного использования технологий искусственного интеллекта в обеспечении устойчивого экономического развития отраслей национальной экономики страны. Ключевые слова: искусственный интеллект, автоматизация, нейронные сети, технологии искусственного интеллекта, цифровизация, робототехника. Abstract. The article discusses the synergistic nature of the tasks that need to be implemented to ensure the effective use of artificial intelligence technologies in achieving sustainable economic development of the sectors of the national economy. Keywords: artificial intelligence, artificial intelligence technologies, neural networks, automation, digitalization, robotics. Kirish. Sunʼiy intellekt boʻyicha tadqiqotlar XX asrning oʻrtalaridan boshlab o‘tkazilib kelingan, XXI asrning ikkinchi o‘n yilligiga kelib, sun’iy intellekt ko‘pchilik mamlakatlar milliy iqtisodiyotining deyarli barcha tarmoq va sohalarida qo‘llanila boshlandi. Uning afzalligi muayyan vazifalarni bajarishda inson xatti-harakatiga taqlid qilishga qodirligi, undan insoniyat manfaatlari yo‘lida foydalanishning mumkinligidadir. Barqaror iqtisodiy rivojlanishni ta’minlashda dunyoning ilg‘or mamlakatlarida yaratilgan sun’iy intellekt texnologiyalaridan yetarli darajada foydalanilmaslik yohud ularni qo‘llashdagi e’tiborsizliklar oqibatida mamlakatlarning iqtisodiy, ilmiy, texnikaviy, ijtimoiy va shu kabi boshqa yo‘nalishlarida orqaga ketish holatlari kelib chiqishi mumkin. O‘zbekiston Respublikasi Prezidentining 2024-yil 14-oktyabrdagi “Sun'iy intellekt texnologiyalarini 2030- yilga qadar rivojlantirish strategiyasini tasdiqlash to‘g‘risida”gi PQ-358-sonli Qarorining qabul qilinishi mamlakatimizda sun'iy intellekt texnologiyalari yutuqlaridan foydalanishda muhim qadam bo‘lib xizmat qilmoqda. 812

Mazkur qarorda “Ijtimoiy soha va iqtisodiyot tarmoqlariga sun'iy intellekt texnologiyalarini joriy qilish uchun qulay shart-sharoitlar yaratish, mamlakatimizning sun'iy intellekt texnologiyalaridan foydalanuvchi dunyoning yetakchi davlatlari qatoriga kirishiga erishish, shungdek, 2030-yilga borib, sun’iy intellekt yo‘nalishida faoliyat yurituvchi ilmiy laboratoriyalar sonini 10 taga yetkazish hamda yuqori quvvatli hisoblash serverlarini ishga tushurish” kuzda tutilgan [1]. Shu bilan birga, Raqamli texnoligiyalar vazirligi tuzilmasidagi “Raqamli iqtisodiyot tadqiqotlari markazi” muassasasi negizida “Sun’iy intellekt va raqamli iqtisodiyotni rivojlantirish markazi davlat muassasasini tashkil etish” asosida milliy iqtisodiyotning barcha tarmoq va sohalaridagi eng ustuvor vazifalarni bajarishda sun’iy intellektga alohida e’tibor qaratilgan” [2]. Maqolaning sun’iy intellekt muammolariga bag‘ishlanganligi uning dolzarbligidan dalolat beradi. Asosiy qism. Dastavval sun’iy intellekt muammolari bilan bog‘liq bo‘lgan masalalar bo‘yicha AQSh, Xitoy va keyinchalik Rossiya kabi bir qator davlatlarning kompaniyalari yetakchi o‘rinlarni egallab kelishmoqda, jumladan, amerikalik Alan Turing sun’iy intellekt sohasida olib borilgan ilk tadqiqotning birinchi muallifi bo‘lgan [3]. 1956-yilga kelib, sun’iy intellektga fan sohasi sifatida mustaqil asos solindi [4]. Shu yilning yozida Dartmouth kollejida bo‘lib oʻtgan anjumanda John McCarthy “sunʼiy intellekt“ atamasini birinchi marta ishlatgan va mazkur atama muallifi sifatida tarixga kirgan [5]. O‘zbekistonlik olimlardan Hamrayeva S., Samandarov M. kabilar bu muammo bilan bog‘liq masalalarda ish olib borganlar [6]. Sun’iy intellekt haqida so‘z borar ekan, uning milliy iqtisodiyotdagi o‘rnini tahlil qilishdan boshlash lozim. Sun’iy intellektning milliy iqtisodiyotning barcha tarmoq va sohalariga tobora ko‘proq kirib borishi iqtisodiy ko‘rsatkichlarning yanada yuqorilashini ta’minlamoqdi. Dunyoning rivojlangan mamlakatlari iqtisodiyotining barcha tarmoqlarida sun’iy intellektdan foydalanish - kun tartibidagi eng asosiy masalaga aylanib ulgurdi. Mamlakatimiz sun’iy intellekt texnologiyalaridan foydalanish natijasida yangi mahsulotlarni ishlab chiqarish ko‘paymoqda, ularning samaradorligi oshirilmoqda, tovar yetkazib beruvchilarning faoliyati avtomatik ravishda baholanib va turli xildagi ishlarning bajarilish jarayoni mukammallashtirilib yig‘uv liniyalari avtomatlashtirilmoqda, xomashyo yetkazish vaqtini kamaytirishga erishilmoqda, Bularning natijasida iqtisodiyotni raqamlashtirish jadallashtirib axborot va kommunikatsiya infratuzilmasini rivojlantirish rag‘batlanmoqda, mahalliy dasturiy ta’minotning ichki va tashqi bozordagi ulushihing oshishi ta’minlanmoqda. Xizmat ko‘rsatish sohasida sun’iy intellektdan samarali foydalanish transport vositalari parki marshrutlarini rejalashtirishni mukammallashtiradi, avtopark resurslarini boshqarish va xizmat ko‘rsatuvchi muhandislarni tayyorlash sifatini oshirishadi, shu bilan birga, uchuvchisiz transport vositalaridan foydalanish, transport oqimini bashoratlashni hisobga olgan holda yo‘nalishni 813

optimallashtiradi, xavfli vaziyatlarning oldini olish va nosozliklarni bashorat qilish orqali haydash xavfsizligini ta'minlash amalga oshiriladi. Qishloq xo‘jaligida sun'iy intellekt yordamida seleksiya jarayonlari va hosildorlik samaradorligini oshirish, asbob-uskunalarning buzilishlarini bashorat qilish hisobiga ta'mirlash xarajatlarini kamaytirishga erishish mumkin bo‘ladi. Elektr energiyasi ishlab chiqarishda sun'iy intellekt uskunalarning ishonchliligini loyihalash va baholashda, energiya resurslariga bo‘lgan talabni bashoratlashda, mijozlarga xizmat ko‘rsatishni avtomatlashtirishda, asbobuskunalarga profilaktik xizmat ko‘rsatishni optimallashtirishda, ishlab chiqarish samaradorligini oshirishda, yo‘qotishlarni kamaytirishda va energiya resurslarini o‘g‘irlashning oldini olishda qo‘llanilmoqda. Savdoda sun'iy intellekt allaqachon inson omili ta'sirini kamaytirish, talab va xaridorning hatti-harakatlari modelini bashorat qilish, omborlarni robotlashtirish va xaridorga tovarlarni avtomatlashtirilgan holda etkazib berish uchun foydalanilmoqda. Bank sohasida sun’iy intellektdan foydalanish qarz oluvchilarning kreditga layoqatliligini baholash, yangi bank xizmatlarini ko‘rsatish, mijozlar so‘rovlarini qayta ishlash uchun ovozli tizimlarni yaratish, tranzaksiyalarning xavfsizligini oshirishda unumli foydalanish imkoniyatlari yaratiladi. Tibbiyot sohasida sun'iy intellekt texnologiyalari diagnostikani yaxshilash, yangi dori-darmonlarni ishlab chiqish, robototexnika yordamida jarrohlik operatsiyalarini bajarish va bemorlarning ma'lumotlariga qarab asboblardan aniq foydalanish tufayli davolanish muddatini qisqartirishi mumkin bo‘ladi. Ta’lim sohasiga sun'iy intellekt elementlarini joriy qilish individual darslarni yaratish, bilimlarni avtomatlashtirilgan holda baholash, o‘quvchilarning xattiharakatlari va o‘qituvchilarning kasbiy mahoratini tahlil qilish hamda robotlardan repetitor sifatida foydalanish imkoniyati mavjud bo‘ladi. Yuqorida ta’kidlab o‘tilgan tarmoq va sohalardan tashqari sun’iy intellektdan mudofaa sohasida kiber urushda ishtirok eta oladigan jangovar robotlar va dasturlarni ishlab chiqishda, telekommunikatsiyalar sektorida abonentlarga turli servis xizmatlari taklif qilish ishlarida intensiv ravishda qo‘llash mumkinligi jahon tajribasida allaqachonlar o‘z isbotini topib ulgurdi. Xulosalar. Xorijda va mamlakatimizda sun'iy intellekt sohasida ro‘y berayotgan o‘zgarishlarni o‘rganish asosida istiqbolda ularni yanada rivojlantirishning zarurligi bo‘yicha xulosalar qilindi. -har bir mamlakat iqtisodiy taraqqiyotida sun’iy intellektning o‘rni alohida ahamiyatga ega; -sun'iy intellekt texnologiyalari yetarli darajada rivojlanmagan holatlarda ijtimoiy-iqtisodiy va ilmiy-texnikaviy rivojlanish sekinlashadi, bu esa uning iqtisodiy-texnologik jihatdan boshqa mamlakatlardan orqada qolishiga olib keladi; -har bir mamlakat uchun sun'iy intellektni rivojlantirish yuzasidan milliy strategiyani yaratish talab etiladi; 814

-sun'iy intellekt “kashfiyot” deya e'tirof etila boshlagan davrlarda darsliklar chiqarila boshlandi, neyron tarmoqlari asosida 6-avlod kompyuter loyihasi ishlab chiqildi; -yangi asrga kelib sun'iy intellektga e'tibor yanada kuchaydi, uning natijasida yangi texnologiyalar soni oshib, sun'iy intellekt vositalari mukammallashib bordi va mijozlar tomonidan ishlatila boshlandi; -mamlakatimizda sun’iy intellektdan unumli foydalanish borasida Prezidentimiz va hukumatimizning bir qator qarorlari qabul qilinib, ularda 2030 yilga borib milliy iqtisodiyotimizning barcha tarmoq va sohalarida sun’iy intellektning tez sur’atlar bilan rivojlanishi yuzasidan chora-tadbirlar va ustuvor vazifalar belgilab berildi. Foydalanilgan adabiyotlar ro‘yxati: 1. O‘zbekiston Respublikasi Prezidentining 2024-yil 14-oktyabrdagi “Sun’iy intellekt texnologiyalarini 2030-yilga qadar rivojlantirish strategiyasi to‘g‘risida”gi PQ-358-son qarori, 1-bet. 2. O‘zbekiston Respublikasi Prezidentining 2024-yil 14-oktyabrdagi “Sun’iy intellekt texnologiyalarini 2030-yilga qadar rivojlantirish strategiyasi to‘g‘risida”gi PQ-358-son qarori, 1-4-betlar. 3. The Essential Turing: the ideas that gave birth to the computer age(en). Oxford, England: Clarendon prenss, 2004, ISBN 0-19-825079-7). 4. Russell & Norvig (2021).“Artificial Intelligence: A Modern Approach”, s,18 5. Lorenz, Taylor; Griffith, Erin; Isaac, Mike (2020). “We live in Zoom Now”, The New York times. 6. Hamrayeva, S.I., Samandarov, M.J. (2023). Sun’iy intellekt va uning asosida yaratilgan texnologiyalar tahlili//Academic Research in Educational sciences, Vol.4. MOBIL TEXNOLOGIYALAR ASOSIDA AQLLI AKVARIUM TIZIMINI LOYIHALASH Ilmuratov Doston Sharif o‘g‘li, UMFT, magistranti Fayzullayev Shaxzod Shuxrat o‘g‘li, Muhammad al-Xorazmiy nomidagi TATU tayanch doktoranti Annotatsiya. Mazkur maqolada mobil texnologiyalar asosida ishlovchi aqlli akvarium tizimini loyihalash va uning funksional imkoniyatlarini tahlil qilish masalasi ko‘rib chiqilgan. Tizim suv harorati, pH darajasi, suv sathi va yorug‘lik kabi asosiy parametrlarni real vaqt rejimida monitoring qilish hamda mobil ilovalar orqali masofadan boshqarish imkonini beradi. Sensor ma’lumotlari mikrokontroller orqali qayta ishlanib, Wi-Fi moduli yordamida mobil qurilmaga uzatiladi. Shuningdek, avtomatik oziqlantirish va suv aeratsiyasini nazorat qilish funksiyalari integratsiya qilingan. Tadqiqot natijalari ishlab chiqilgan tizim akvarium muhitini barqaror saqlash va inson aralashuvini kamaytirish imkonini berishini ko‘rsatdi. Taklif etilgan yechim maishiy va kichik biznes obyektlarida qo‘llash uchun samarali hisoblanadi. Kalit so‘zlar: aqlli akvarium, IoT, mobil boshqaruv, sensor monitoring, avtomatik oziqlantirish, pH datchik, mikrokontroller. Аннотация. В данной статье рассматриваются вопросы проектирования и анализа функциональных возможностей системы «умного» аквариума, работающей на базе мобильных технологий. Система позволяет в режиме реального времени 815

контролировать такие ключевые параметры, как температура воды, уровень pH, уровень воды и освещенность, а также осуществлять дистанционное управление через мобильные приложения. Данные с сенсоров обрабатываются микроконтроллером и передаются на мобильное устройство с помощью Wi-Fi модуля. Также интегрированы функции автоматического кормления и контроля аэрации воды. Результаты исследования показали, что разработанная система позволяет поддерживать стабильную среду в аквариуме и минимизировать вмешательство человека. Предложенное решение является эффективным для использования в бытовых условиях и на объектах малого бизнеса. Ключевые слова: умный аквариум, IoT, мобильное управление, мониторинг сенсоров, автоматическое кормление, pH-датчик, микроконтроллер Abstract. This article examines the design and functional analysis of a smart aquarium system based on mobile technologies. The system enables real-time monitoring of key parameters such as water temperature, pH level, water level, and lighting, while allowing remote control via mobile applications. Sensor data is processed by a microcontroller and transmitted to a mobile device using a Wi-Fi module. Furthermore, automatic feeding and water aeration control functions are integrated. The research results demonstrate that the developed system maintains a stable aquarium environment and reduces the need for human intervention. The proposed solution is effective for use in households and small business facilities. Keywords: smart aquarium, IoT, mobile control, sensor monitoring, automatic feeding, pH sensor, microcontroller. Kirish. Akvarium ekotizimi biologik muvozanatga asoslangan murakkab muhit hisoblanadi. Suv harorati, kislotalik darajasi (pH), erigan kislorod miqdori va yorug‘lik rejimi kabi parametrlar baliqlar va suv o‘simliklarining sog‘lom rivojlanishida hal qiluvchi ahamiyatga ega. An’anaviy akvariumlarda ushbu ko‘rsatkichlar qo‘l mehnati orqali nazorat qilinadi, bu esa doimiy e’tibor va vaqt talab qiladi. Parametrlardagi kichik og‘ishlar ham biologik muhitning izdan chiqishiga olib kelishi mumkin. So‘nggi yillarda IoT (Internet of Things) texnologiyalari va mobil qurilmalar imkoniyatlarining kengayishi maishiy obyektlarni intellektuallashtirishga zamin yaratdi. Smart uy tizimlari, avtomatik nazorat uskunalari va sensorli monitoring qurilmalari keng tarqalmoqda. Shu nuqtai nazardan akvarium muhitini ham raqamli boshqaruv tizimi orqali nazorat qilish dolzarb vazifa hisoblanadi. Mobil texnologiyalar asosida yaratilgan aqlli akvarium tizimi sensorlar orqali suv parametrlarini uzluksiz o‘lchash, ma’lumotlarni qayta ishlash va foydalanuvchiga mobil ilovada namoyish etish imkonini beradi. Bunda harorat sensori, pH datchik, suv sathi sensori va yorug‘lik datchiklari mikrokontrollerga ulanib, ma’lumotlar Wi-Fi yoki Bluetooth orqali uzatiladi. Tizim belgilangan chegara qiymatlaridan og‘ish kuzatilganda avtomatik ravishda nasos, isitgich yoki aeratsiya modulini faollashtiradi. Ushbu ishning maqsadi mobil texnologiyalar asosida ishlovchi aqlli akvarium tizimini loyihalash, uning texnik arxitekturasini asoslash va ishlash samaradorligini baholashdan iborat. Taklif etilgan yechim akvarium muhitini barqaror saqlash, inson omillarini kamaytirish va energiya samaradorligini oshirishga qaratilgan. Metodologiya. Mazkur tadqiqotda mobil texnologiyalar asosida ishlovchi aqlli akvarium tizimi loyihalandi va amaliy sinovdan o‘tkazildi. Tizimning asosiy 816

maqsadi akvarium muhitining muhim parametrlarini real vaqt rejimida nazorat qilish, ularni mobil ilova orqali monitoring qilish hamda zarur hollarda avtomatik boshqaruvni amalga oshirishdan iborat. Loyihalash jarayonida tizim arxitekturasi uchta asosiy qismga ajratildi: 1. Ma’lumotlarni yig‘ish (sensorlar orqali); 2. Ma’lumotlarni qayta ishlash va uzatish; 3. Avtomatik boshqaruv va mobil monitoring. Akvarium muhitining asosiy nazorat parametrlari sifatida suv harorati (T), pH darajasi (pH), suv sathi (H), yorug‘lik intensivligi (L) va suv aylanish tezligi (Q) tanlandi. Tizimning umumiy holatini quyidagicha ifodalash mumkin: 𝑆 = 𝑓(𝑇, 𝑝𝐻, 𝐻, 𝐿, 𝑄) bu yerda S — akvariumning joriy ekologik holati. Agar parametrlar belgilangan me’yoriy chegaralar oralig‘ida bo‘lsa, tizim barqaror ishlash rejimida bo‘ladi: 𝑇𝑚𝑖𝑛 ≤ 𝑇 ≤ 𝑇𝑚𝑎𝑥 𝑝𝐻𝑚𝑖𝑛 ≤ 𝑝𝐻 ≤ 𝑝𝐻𝑚𝑎𝑥 Shart buzilgan holatda avtomatik boshqaruv signali shakllanadi: 1, 𝑎𝑔𝑎𝑟𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑚𝑒’𝑦𝑜𝑟𝑖𝑑𝑎𝑛𝑐ℎ𝑖𝑞𝑠𝑎 𝑈={ 0, 𝑎𝑘𝑠ℎ𝑜𝑙𝑑𝑎 bu yerda U — boshqaruv signali (nasos, isitgich yoki aeratsiya modulini yoqish/o‘chirish). Tizim real vaqtga yaqin ishlashini ta’minlash uchun ma’lumotlar yangilanish oralig‘i: Δ𝑡 = 2 s deb qabul qilindi. Qurilmada qo‘llanilgan modullar: Quyida aqlli akvarium tizimida foydalanilgan asosiy modullar va ularning vazifalari keltirilgan. Aqlli akvarium tizimida qo‘llanilgan modullar 1-jadval. № Modul nomi ESP32 1 mikrokontroller DS18B20 harorat 2 sensori 3 4 5 pH sensori Ultrasonik suv sathi sensori LDR yorug‘lik sensori 6 Suv nasosi 7 Rele moduli 8 Wi-Fi moduli (ESP32 ichki) Vazifasi Markaziy boshqaruv moduli Suv kislotalik darajasini o‘lchash Qo‘llanilishi Sensor ma’lumotlarini yig‘ish, qayta ishlash va Wi-Fi orqali uzatish Harorat nazorati va isitgichni avtomatik boshqarish Biologik muhit barqarorligini ta’minlash Suv sathini aniqlash Nasosni avtomatik yoqish/o‘chirish Suv haroratini o‘lchash Yorug‘lik darajasini o‘lchash Suv aylanishini ta’minlash Yuqori kuchlanishli qurilmalarni boshqarish Ma’lumot uzatish 817 LED yoritishni boshqarish Filtrlash va suv harakatini boshqarish Isitgich va nasosni boshqarish Mobil ilova bilan bog‘lanish

9 Avtomatik oziqlantirish servo mexanizmi Baliqlarni belgilangan vaqtda oziqlantirish Mobil ilova orqali yoki avtomatik rejimda Mazkur modullar o‘zaro integratsiyalangan holda yagona boshqaruv tizimini tashkil etadi. Sensorlardan olingan ma’lumotlar mikrokontroller orqali qayta ishlanadi va mobil ilovada real vaqt rejimida ko‘rsatiladi. Parametrlar me’yordan chiqsa, tizim avtomatik ravishda mos aktuatorlarni ishga tushiradi. Natijalar. Ishlab chiqilgan aqlli akvarium tizimi laboratoriya sharoitida 7 kun davomida sinovdan o‘tkazildi. Sinov jarayonida suv harorati, pH darajasi, suv sathi, yorug‘lik intensivligi va tizimning javob berish tezligi muntazam ravishda o‘lchab borildi. Har bir parametr uchun 20 martadan takroriy o‘lchov amalga oshirildi va o‘rtacha qiymatlar hisoblandi. Tajriba davomida tizim parametrlarni real vaqt rejimida barqaror kuzatgani va me’yoriy chegaradan chiqish holatlarida avtomatik boshqaruv mexanizmini ishga tushirgani kuzatildi. Harorat 24–26°C oralig‘ida ushlab turildi, pH ko‘rsatkichi esa biologik optimal diapazonda saqlandi. Suv sathi pasayganda nasos avtomatik ravishda ishga tushdi va belgilangan qiymatga yetgach o‘chirildi. O‘lchov aniqligi va boshqaruv reaksiyasi tizimning barqaror ishlashini ko‘rsatdi. Natijalar 1-jadvalda keltirilgan. 2-jadval № Parametr 1 2 3 4 5 Harorat (°C) pH darajasi Suv sathi (cm) Yorug‘lik (lux) Tizim javob vaqti (ms) Tizim ishlash ko‘rsatkichlari O‘rtacha Me’yoriy diapazon qiymat 24 – 26 25.1 6.8 – 7.5 7.2 60 – 80 72.4 300 – 500 420 Og‘ish (%) 1.2 1.5 2.1 3.0 Barqaror Barqaror Barqaror Barqaror < 800 — Tezkor 530 Holat Natijalarga ko‘ra tizimning umumiy ishlash aniqligi 96–98 % oralig‘ida bo‘ldi. Sensorlararo ma’lumot uzatishda kechikish minimal darajada kuzatildi. Mobil ilova orqali parametrlar yangilanish vaqti o‘rtacha 2 soniyani tashkil etdi. Tizimning umumiy barqarorlik koeffitsienti quyidagicha baholandi: Δ𝑃 𝑅 =1− 𝑃𝑚𝑎𝑥 bu yerda Δ𝑃— o‘lchov og‘ishi, 𝑃𝑚𝑎𝑥 — maksimal ruxsat etilgan og‘ish. Hisoblash natijasida barqarorlik darajasi 0.97 (97%) ni tashkil etdi. 818