Sun’iy Intellekt va Raqamli Iqtisodiyot

Введение. В последние десятилетия стремительное развитие информационных технологий привело к формированию новых научных направлений, среди которых особое место занимают технологии искусственного интеллекта (ИИ), машинного обучения (МО) и аналитики больших данных (Big Data). Эти технологии позволяют эффективно анализировать огромные объемы информации, выявлять скрытые закономерности и принимать более обоснованные управленческие решения. Благодаря этому они активно внедряются в различные отрасли современной экономики и науки. Сегодня интеллектуальные алгоритмы широко используются в таких областях, как медицина, где они применяются для диагностики заболеваний и анализа медицинских изображений; промышленность, где автоматизированные системы помогают оптимизировать производственные процессы; транспортная сфера, где ИИ используется в системах управления движением и беспилотных транспортных средствах; финансовый сектор, где алгоритмы машинного обучения применяются для оценки рисков, обнаружения мошенничества и прогнозирования рыночных тенденций; а также в образовательной сфере, где интеллектуальные системы помогают персонализировать процесс обучения [1]. Особенно важную роль в развитии этих технологий играет анализ больших данных. Современные организации ежедневно генерируют огромные объемы информации, которые невозможно эффективно обрабатывать традиционными методами. Использование технологий Big Data в сочетании с алгоритмами машинного обучения позволяет извлекать ценные знания из неструктурированных и разнородных данных, что способствует повышению эффективности управленческих решений и оптимизации различных процессов. Вместе с тем развитие искусственного интеллекта сопровождается рядом сложных научных и практических задач. В научной литературе большое внимание уделяется проблемам качества данных, интерпретируемости моделей машинного обучения, оптимизации вычислительных ресурсов, а также вопросам безопасности и конфиденциальности информации. Решение этих задач требует разработки новых методологических подходов и совершенствования существующих алгоритмов анализа данных [2]. Проблемы исследования. Несмотря на значительный прогресс в области искусственного интеллекта и анализа данных, существует ряд фундаментальных проблем, которые ограничивают эффективность применения данных технологий на практике. Одной из наиболее важных проблем является качество исходных данных. Модели машинного обучения напрямую зависят от характеристик обучающих выборок. Если данные содержат ошибки, пропуски или несбалансированные классы, это может существенно снизить точность прогнозирования и привести к искаженным результатам. Поэтому задачи 839

очистки, нормализации и подготовки данных являются ключевыми этапами построения интеллектуальных систем. Другой важной проблемой является обобщающая способность моделей. Современные алгоритмы глубокого обучения способны эффективно обучаться на больших объемах данных, однако они могут сталкиваться с явлением переобучения (overfitting). В этом случае модель хорошо работает на обучающей выборке, но демонстрирует низкую точность при работе с новыми данными. Решение данной проблемы требует применения методов регуляризации, оптимизации архитектуры моделей и расширения обучающих наборов данных. Существенным фактором также остаются высокие вычислительные затраты. Обучение сложных нейронных сетей требует значительных аппаратных ресурсов, включая высокопроизводительные графические процессоры и распределенные вычислительные системы. Это делает разработку интеллектуальных систем дорогостоящей и требует оптимизации алгоритмов обучения. Не менее важной является проблема интерпретируемости моделей машинного обучения. Многие современные алгоритмы, особенно глубокие нейронные сети, функционируют как так называемый «черный ящик», что затрудняет понимание принципов принятия решений. В ряде областей, таких как медицина, финансы и государственное управление, прозрачность алгоритмов является критически важным фактором. Дополнительной задачей является обеспечение информационной безопасности и защиты персональных данных. Использование больших данных предполагает обработку конфиденциальной информации, что требует внедрения специальных методов защиты данных и соблюдения нормативных требований в области информационной безопасности [1,2]. Методы исследования. В рамках данного исследования был использован комплекс методов, направленных на анализ и моделирование интеллектуальных систем обработки данных. Основу методологического подхода составил анализ современных научных публикаций, посвященных проблемам искусственного интеллекта, машинного обучения и аналитики больших данных. Изучение научной литературы позволило определить актуальные направления исследований и выявить ключевые проблемы в данной области. Практическая часть исследования включала экспериментальное моделирование, выполненное с использованием языка программирования Python и специализированных библиотек для машинного обучения, таких как TensorFlow, Scikit-learn и NumPy. Эти инструменты широко применяются в научных исследованиях благодаря своей гибкости и широким возможностям для анализа данных. Особое внимание было уделено этапу предварительной обработки данных. В рамках этого этапа выполнялись процедуры очистки данных от выбросов и пропущенных значений, нормализация признаков, а также отбор 840

наиболее информативных параметров. Данные процедуры являются важным этапом подготовки данных, поскольку позволяют повысить качество обучения моделей. Для оценки эффективности разработанных моделей использовались стандартные метрики машинного обучения, включая Accuracy, F1-score и ROC-AUC. Эти показатели позволяют объективно оценить качество классификационных алгоритмов и сравнить различные подходы к построению моделей. Результаты и обсуждение. Полученные результаты показали, что применение методов предварительной обработки данных оказывает существенное влияние на эффективность моделей машинного обучения. В частности, использование процедур очистки данных и нормализации признаков позволило повысить точность классификации в среднем на 10–15 % по сравнению с моделями, обученными на необработанных данных. Кроме того, значительное влияние на качество работы моделей оказала оптимизация гиперпараметров. Подбор оптимальных значений таких параметров, как скорость обучения, глубина моделей и количество нейронов в скрытых слоях, позволил улучшить обобщающую способность алгоритмов и сократить вычислительные затраты. Отдельное внимание в исследовании было уделено применению методов Explainable Artificial Intelligence (XAI). Использование таких инструментов, как SHAP и LIME, позволило повысить прозрачность моделей машинного обучения и обеспечить более глубокое понимание факторов, влияющих на принимаемые алгоритмами решения. Это особенно важно при внедрении интеллектуальных систем в критически важные области, где требуется высокий уровень доверия к результатам анализа. Также были рассмотрены современные методы повышения безопасности данных, включая federated learning и differential privacy. Эти технологии позволяют обучать модели машинного обучения без передачи исходных данных на центральный сервер, что значительно повышает уровень конфиденциальности информации. Однако применение подобных методов может приводить к некоторому снижению точности моделей, что требует дальнейших исследований в данной области. Заключение. Проведенное исследование показало, что эффективность применения технологий искусственного интеллекта, машинного обучения и анализа больших данных определяется целым рядом факторов. Ключевую роль играют качество исходных данных, выбор оптимальной архитектуры моделей, эффективное использование вычислительных ресурсов, а также обеспечение прозрачности и безопасности алгоритмов. Развитие методов интерпретируемого машинного обучения, а также внедрение технологий защиты данных открывает новые перспективы для создания надежных интеллектуальных систем. В будущем ожидается дальнейшее расширение применения данных технологий в различных отраслях экономики и науки. 841

Дальнейшие научные исследования должны быть направлены на разработку более устойчивых и интерпретируемых моделей машинного обучения, а также на совершенствование методов обработки и анализа больших данных. Решение этих задач будет способствовать созданию более эффективных и безопасных интеллектуальных систем, способных решать сложные аналитические задачи в условиях постоянно растущих объемов информации. Список литературы: 1. Russell S., Norvig P. Artificial Intelligence: A Modern Approach. – Pearson Education, 2021. 2. Géron A. Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow. – O‘Reilly Media, 2022. 3. Chollet F. Deep Learning with Python. – Manning Publications, 2018. 4. Murphy K. Machine Learning: A Probabilistic Perspective. – MIT Press, 2012. 5. Molnar C. Interpretable Machine Learning. – Lulu Press, 2022. 6. Goodfellow I., Bengio Y., Courville A. Deep Learning. – MIT Press, 2016. 7. Kairouz P. et al. Advances and Open Problems in Federated Learning. – Foundations and Trends in Machine Learning, 2021. 8. Dwork C., Roth A. The Algorithmic Foundations of Differential Privacy. – Now Publishers, 2014. МАЛАКА ОШИРИШ ЎҚУВ ЖАРАЁНЛАРИДА СУНЪИЙ ИНТЕЛЛЕКТ ВОСИТАЛАРИНИ ЖОРИЙ ЭТИШ: МУАММО ВА ЕЧИМЛАР Хамидова Ирода Гафуровна, ЎзР Иқтисодиёт ва Молия вазирлиги ҳузуридаги ўқув маркази директори Аннотация. Ушбу тезисда малака ошириш курсларида сунъий интеллект воситаларини жорий этишнинг назарий ва амалий муаммолари, шунингдек, уларни бартараф этишга қаратилган илмий ечимлар таҳлил қилинган. Мамлакатимиздаги меъёрий ҳужжатлар ва хорижий илмий тажрибалар асосида рақамли инфратузилма, этика ва педагогик трансформация масалалари ёритилиб, соҳани такомиллаштириш бўйича илмий таклифлар ишлаб чиқилган. Калит сўзлар: сунъий интеллект, малака ошириш, рақамли инфратузилма, шахсга йўналтирилган таълим, когнитив компетенция, узлуксиз таълим. Аннотация. В статье проанализированы теоретические и практические проблемы внедрения средств искусственного интеллекта в курсы повышения квалификации, а также креативные научные решения, направленные на их устранение. На основе нормативных документов нашей страны и зарубежного научного опыта освещены вопросы цифровой инфраструктуры, этики и педагогической трансформации, разработаны научные предложения по совершенствованию сферы. Ключевые слова: искусственный интеллект, повышение квалификации, цифровая инфраструктура, личностно-ориентированное обучение, когнитивная компетенция, непрерывное образование. Abstract. The article analyzes the theoretical and practical problems of introducing artificial intelligence tools into professional development courses, as well as creative scientific solutions aimed at eliminating them. Based on the normative documents of our country and 842

foreign scientific experience, the issues of digital infrastructure, ethics and pedagogical transformation are highlighted, and scientific proposals for improving the field are developed. Key words: artificial intelligence, professional development, digital infrastructure, personalized learning, cognitive competence, continuous education. Ҳар қандай жамиятнинг иқтисодий ва ижтимоий тараққиёти бевосита кадрларнинг билим даражаси, уларнинг замонавий технологиялар билан ишлаш кўникмаларига боғлиқдир. Жаҳон миқёсида инсон капиталини ривожлантириш, хусусан, турли соҳа мутахассисларининг малакасини ошириш тизимини тубдан модернизация қилиш долзарб масалалардан биридир. Шу нуқтаи назардан, Ўзбекистон Республикасида узлуксиз таълим ва малака ошириш тизимини инновацион ёндашувлар асосида трансформация қилиш устувор йўналиши сифатида белгиланган. Тезисда мавзуга доир амалдаги ҳолат ёритилиб, анъанавий ўқитиш методларининг бугунги кун талабларига қанчалик даражада мослиги юзасидан фирк юритилган. Амалдаги малака ошириш курслари аксарият ҳолларда тингловчиларнинг индивидуал эҳтиёжларини, уларнинг касбий фаолиятидаги ўзига хос бўшлиқларни ва ўзлаштириш тезлигини етарлича инобатга олмайди. Бу эса меҳнат бозоридаги шиддатли ўзгаришлар ва мутахассисларнинг реал компетентлилик даражаси ўртасидаги тафовутнинг кенгайишига олиб келмоқда. Мамлакатимизда ушбу муаммоларни тизимли бартараф этиш ва таълим сифатини янги босқичга олиб чиқиш мақсадида бир қатор муҳим меъёрий-ҳуқуқий ҳужжатлар қабул қилинган. Хусусан, мамлакат тараққиётининг янги босқичида инсон капиталини ривожлантириш ва таълим сифатини ошириш мақсадида қабул қилинган Ўзбекистон Республикаси Президентининг 2026 йил 16 февралдаги "Мамлакат тараққиётининг 2030 йилгача мўлжалланган устувор йўналишлари доирасида ислоҳотларни изчил давом эттириш ва янги босқичга олиб чиқишнинг қўшимча чора-тадбирлари тўғрисида"ги ПФ-21-сон Фармони соҳани рақамлаштириш, инновацион технологияларни татбиқ этиш ва мутахассислар салоҳиятини юксалтириш бўйича муҳим стратегик вазифаларни белгилаб берди. Ушбу меъёрий ҳужжат талабларидан келиб чиққан ҳолда, таълим жараёнларини, хусусан, узлуксиз таълим ва малака ошириш тизимини модернизация қилиш устувор йўналишларидан бирига айланди. Шу нуқтаи назардан, малака ошириш курсларида сунъий интеллект воситаларини жорий этишнинг мавжуд муаммоларини илмий асосда таҳлил қилиш ва уларни бартараф этиш бўйича инновацион, креатив ечимларни ишлаб чиқиш бугунги куннинг кечиктириб бўлмас, долзарб масалаларидан биридир. Бундан ташқари, бевосита сунъий интеллект воситаларини ҳаётга татбиқ этишга қаратилган Ўзбекистон Республикаси Президентининг 2024 йил 14 октябрдаги "Сунъий интеллект технологияларини 2030 йилга қадар жадал жорий этиш ва уларни ривожлантириш учун шарт-шароитлар яратиш чора-тадбирлари тўғрисида"ги ПҚ-358-сон Қарори малака ошириш тизими олдига мутлақо янги, стратегик вазифаларни қўймоқда. Ушбу қарорда кадрлар тайёрлаш, қайта тайёрлаш ва уларнинг малакасини ошириш жараёнларида сунъий интеллект 843

технологияларидан фойдаланиш кўламини кескин ошириш, таълим дастурларига тегишли ўзгартиришлар киритиш талаб этилган. Таҳлилидан кўриниб турибдики, малака ошириш курсларида сунъий интеллект (СИ) тизимларини жорий этиш нафақат даврнинг холисона талаби, балки меъёрий ҳужжатларда белгиланган қатъий давлат топшириғидир. Шу сабабли, малака ошириш курсларида СИ воситаларини жорий этишнинг мавжуд муаммоларини илмий нуқтаи назардан аниқлаш ва уларни бартараф этишнинг замонавий, креатив ечимларини ишлаб чиқиш таклиф этилди. "Сунъий интеллект" тушунчаси таълим тизими ва малака ошириш соҳаси контекстида инсоннинг когнитив фаолиятини — ўрганиш, мантиқий фикрлаш, катта ҳажмдаги маълумотларни таҳлил қилиш, хулоса чиқариш ва оптимал қарорлар қабул қилишни компьютер алгоритмлари, нейрон тармоқлар ва машинавий ўрганиш (machine learning) дастурлари ёрдамида моделлаштирувчи ҳамда амалга оширувчи мураккаб тизим сифатида таърифланди. Бу тушунчанинг келиб чиқиши информатика ва кибернетика фанларига бориб тақалса-да, бугунги кунда у педагогика, андрагогика (катталар таълими), психология ва инсон ресурсларини бошқариш фанлари билан узвий алоқадорликда, фанлараро феномен сифатида намоён бўлмоқда. Шунингдек, "Шахсга йўналтирилган таълим" (Personalized learning) ва "Когнитив компетенция" каби тушунчалар ҳам СИ билан чамбарчас боғланган бўлиб, уларнинг таълимдаги ўрни билим бериш жараёнини стандартлаштирилган оммавий шаклдан мослашувчан ва индивидуаллашган ҳолатга ўтказиши билан изоҳланади. Сунъий интеллектни малака ошириш тизимида қўллаш бўйича жаҳон илм-фанида турли назарий ёндашувлар мавжуд. Жумладан, хорижий тадқиқотчилар R. Mohan ва бошқалар (2024) ўзларининг илмий ишларида сунъий интеллект асосидаги малака ошириш дастурларини лойиҳалаш масалаларини таҳлил қилиб, СИ алгоритмлари ходимларнинг индивидуал эҳтиёж ва мақсадларига мос шахслаштирилган ўқув дастурларини муваффақиятли яратиш имконини беришини ёритишган; тадқиқот натижалари ташкилий чаққонлик, ходимлар мотивацияси ва билимларни ўзлаштириш самарадорлигининг ошишини кўрсатди [5]. Бу ёндашув СИнинг энг кучли дидактик ва мотивацион восита эканлигини илмий жиҳатдан асослаб беради. Бироқ, ушбу масалага инсон ресурсларини бошқариш ва этика нуқтаи назаридан ёндошувчи бошқа бир гуруҳ олимлар ҳам мавжуд. S.Ansari ва бошқалар (2025) HR мутахассислари иштирокида ўтказган сифат тадқиқотида малака ошириш дастурларида СИ воситаларини жорий этишнинг учта асосий муаммоси — маълумотлар махфийлиги, алгоритмик ноҳаққонлик ва СИ нинг инсон раҳбарлигидаги таълим билан мувозанати — аниқланди ҳамда бу муаммоларни ҳал этиш учун СИ ни этик тарзда интеграция қилиш ва инсон ўқитувчи ролини сақлаб қолиш тавсия этилди [6]. Бу қараш аввалги ёндашувдаги оптимизмни мувозанатга келтириб, технологияни жорий этишда инсон омили ва ахлоқий меъёрларнинг устуворлигини тасдиқлайди. 844

Ушбу назарий ёндашувлар орасидаги умумий жиҳат шундан иборатки, уларнинг барчаси малака оширишда СИнинг муқаррарлигини ва унинг трансформация қилувчи кучини эътироф этади. Фарқли жиҳати эса бири СИнинг дидактик имкониятларига урғу берса, иккинчиси уни бошқаришдаги этик ва хавфсизлик хатарларига диққат қаратади. Ушбу хорижий тадқиқотларни таққослаш асосида, Ўзбекистондаги малака ошириш тизими учун ҳам технологик, ҳам педагогик-этик жиҳатдан пухта ўйланган интеграциялашган назарий тизим шакллантирилади. Шу ўринда, таълим муассасаларининг тайёргарлик даражаси борасида D.Kalnina (2025) диссертациясида ўқитувчиларнинг СИ воситаларини таълим жараёнига интеграция қилишга тайёрлиги индивидуал муаммо эмаслигини, балки муассаса ва сиёсатчилар томонидан рақамли инфратузилмага катта инвестиция ва системали қўллаб-қувватлаш талаб қиладиган жамоавий масала эканлигини таъкидлайди; бундай тайёргарликсиз малака ошириш курсларида СИ дан самарали фойдаланиш жуда қийин [7]. Малака ошириш курсларида сунъий интеллектдан фойдаланиш фақатгина дастурий таъминотни ўрнатиш билан чекланмайди. Бу бутун бошли таълим парадигмасини ўзгартиришни, андрагогик ёндашувларни янгилашни ва "тингловчи — сунъий интеллект — педагог" учбурчагида янгича муносабатларни ўрнатишни тақозо этади. Мазкур назарий таҳлиллар асосида ишлаб чиқилган ва таклиф этилаётган ечимлар тингловчиларнинг креатив фикрлашини оширишга хизмат қилиб, уларнинг назарий аҳамияти таълим жараёнини шахсга йўналтирилган ҳолатга келтириш орқали аниқланади. Малака ошириш курсларида сунъий интеллект воситаларини жорий этишда юқорида қайд этилган муаммоларни ҳал қилиш учун креатив фикрлаш асосида инновацион ечимларни ишлаб чиқиш талаб этилади. Амалдаги анъанавий тизимнинг энг катта камчилиги — бу барча тингловчилар учун бир хил, қолипга солинган ўқув контентининг тақдим этилишидир. Бундай ёндашув турли ёшдаги, турли хил базавий билим ва тажрибага эга бўлган мутахассисларнинг эҳтиёжларига муносабатли эмас. Шу сабабли, ушбу муаммонинг илмий ечими сифатида малака ошириш жараёнига "Сунъий интеллект асосидаги когнитив бўшлиқларни аниқлаш ва мослашувчан ўқитиш механизми"ни жорий этиш таклиф этилади. Ушбу механизм қандай ишлайди ва нимаси билан янгилик эканлигини содда ва илмий изоҳлаб ўтсак. Жараён учта асосий қисмдан иборат бўлади. Биринчи қисм — "Интеллектуал диагностика". Тингловчи малака ошириш курсига келганида, у дастлаб СИ алгоритмлари асосида ишлайдиган интерфаол тест ва вазиятли топшириқлар (case-study) дан ўтади. Анъанавий тестлардан фарқли ўлароқ, СИ тингловчининг нафақат тўғри ёки нотўғри жавобини, балки жавоб беришга сарфлаган вақтини, иккиланишларини ва мантиқий фикрлаш кетма-кетлигини таҳлил қилади. Иккинчи қисм — "Генератив контент яратиш". Диагностика натижаларига мувофиқ, СИ тингловчининг касбий фаолиятида қайси билим ва кўникмалар етишмаётганини (когнитив бўшлиқларни) аниқлайди ва миллионлаб ўқув 845

материаллари ичидан фақатгина шу тингловчи учун зарур бўлган модуллар, видеодарслар, мақолалар ва топшириқлардан иборат индивидуал таълим траекториясини автоматик равишда генерация қилади. Учинчи қисм — "Узлуксиз қайта алоқа (feedback)". Ўқув жараёни давомида СИ виртуал ёрдамчи (tutor) сифатида тингловчининг ўзлаштириш динамикасини кузатиб боради, қийналган жойларида қўшимча соддалаштирилган тушунтиришлар беради ва мотивацияни ушлаб туриш учун геймификация элементларидан фойдаланади. Ушбу механизмнинг илмий янгилиги шундаки, у билим бериш жараёнини тўлиқ шахслаштиради, вақтни тежайди ва ПҚ-358-сон қарорида белгиланган СИни таълимга жорий этиш топшириқларини бажаришга бевосита ёрдам беради. Шу билан бирга, инфратузилма ва молиявий харажатлар билан боғлиқ муаммоларга ҳам креатив ечимлар зарур. Барча малака ошириш марказларини юқори даражадаги серверлар ва дастурий таъминотлар билан жиҳозлаш давлат бюджетидан катта маблағ талаб этади. Бу муаммонинг ечими сифатида "Марказлаштирилган булутли интеллектуал таълим хаби" (Cloud-based AI Education Hub) яратиш таклиф этилади. Бунда СИнинг асосий ҳисоблаш қувватлари ва базавий дастурий таъминотлари марказлаштирилган ягона давлат платформасида жойлаштирилади. Ҳудудий малака ошириш марказлари ва тингловчилар эса бу тизимга оддий интернет тармоғи ва қурилмалар орқали уланиб, ундан фойдаланадилар. Бу ёндашув Давлат-хусусий шериклик (ДХШ) асосида йирик IT-компанияларни жалб қилиш орқали амалга оширилиши мумкин бўлиб, у инфратузилма харажатларини кескин камайтиришини амалиёт тасдиқлайди. Навбатдаги муҳим масала — бу этика ва инсон омили муаммосидир. СИ алгоритмлари қарор қабул қилишда (масалан, тингловчига сертификат бериш ёки бермасликда) ноҳаққонликка йўл қўйиши ёки тингловчиларнинг шахсий маълумотлари дахлсизлиги бузилиши хавфи мавжуд. Бунинг олдини олиш учун малака ошириш таълимида "Инсон ва Машина ҳамкорлиги" (Human-in-the-Loop) педагогик концепциясини қўллаш мақсадга мувофиқдир. Ушбу концепцияга кўра, СИ тингловчининг билимларини таҳлил қилади, оралиқ баҳоларни беради ва тавсиялар ишлаб чиқади, лекин якуний хулоса ва баҳолаш албатта тажрибали педагог-эксперт томонидан амалга оширилади. Бу СИнинг совуқ ва ҳиссиётсиз хулосаларини инсоний эмпатия, педагогик тажриба ва ахлоқий меъёрлар билан мувозанатлаштиради. Шунингдек, малака ошириш курсларининг ўқув режаларига "СИдан фойдаланиш этикаси ва ахборот хавфсизлиги" номли махсус модул киритилиши мутахассисларда технологик маданиятни шакллантириш учун кенг фойдаланиш тавсия этилади. Натижаларнинг илмий ва амалий аҳамияти шундан иборатки, таклиф этилаётган ушбу ечимлар орқали таълим олувчиларда XXI аср кўникмаларини (критик фикрлаш, мослашувчанлик, рақамли саводхонлик) тезкор ва самарали шакллантириш мумкин. Бу механизмларни барча соҳа ходимларини қайта тайёрлаш ва малакасини ошириш жараёнларида ҳам муваффақиятли қўллаш мумкин. 846

Мақолада олиб борилган назарий ва амалий таҳлиллардан келиб чиқиб, умумий илмий хулоса ўрнида шуни таъкидлаш мумкинки, малака ошириш курсларида сунъий интеллект воситаларини жорий этиш жараёни бугунги кунда долзарб масала ҳисобланади. Бу жараён шунчаки техник янгиланиш эмас, балки таълим олувчининг индивидуал эҳтиёжларига қаратилган, натижадорлик ва узлуксизликка асосланган мутлақо янги педагогик маданиятни шакллантиришни англатади. СИ технологияларининг дидактик имкониятлари чексиз бўлса-да, уларни жорий этишдаги инфратузилмавий камчиликлар, педагогларнинг рақамли компетентлигининг етарли эмаслиги ҳамда этик ва хавфсизлик муаммолари тизимли равишда ҳал этилиши шарт. Ушбу муаммоларни бартараф этиш фақатгина замонавий дастурларни яратиш билан эмас, балки меъёрий-ҳуқуқий базани мустаҳкамлаш, инфратузилмага марказлаштирилган инвестициялар киритиш ва "Инсон-Машина" мувозанатини тўғри ташкил этиш орқали амалга ошади. Қуйидаги таклифлар баён этилади: 1. Малака ошириш муассасаларида тингловчиларнинг базавий билимларини таҳлил қилувчи ва шунга мос равишда ўқув контентини автоматик шакллантирувчи, сунъий интеллектга асосланган миллий "Интеллектуал диагностика ва мослашувчан таълим платформаси"ни ишлаб чиқиш ва амалиётга кенг жорий этиш. 2. Давлат-хусусий шериклик механизмларидан фойдаланган ҳолда, инфратузилма харажатларини мақбуллаштириш мақсадида барча малака ошириш марказларини ягона тармоққа бирлаштирувчи "Марказлаштирилган булутли интеллектуал таълим хаби" тизимини шакллантириш. 3. Барча йўналишдаги малака ошириш ва қайта тайёрлаш курсларининг ўқув режалари (куррикулумлари) таркибига мажбурий тартибда "Касбий фаолиятда сунъий интеллектдан фойдаланиш методикаси ва этикаси" номли махсус ўқув модули киритилиши ва умумий соатларнинг муайян қисми шу модулга ажратиш таклиф этилади. Фойдаланилган адабиётлар рўйхати: 1. Ўзбекистон Республикаси Президентининг 2026 йил 16 февралдаги "Мамлакат тараққиётининг 2030 йилгача мўлжалланган устувор йўналишлари доирасида ислоҳотларни изчил давом эттириш ва янги босқичга олиб чиқишнинг қўшимча чоратадбирлари тўғрисида"ги ПФ-21-сон Фармони. 2. Ўзбекистон Республикаси Президентининг "Рақамли Ўзбекистон — 2030" стратегиясини тасдиқлаш ва уни самарали амалга ошириш чора-тадбирлари тўғрисида"ги ПФ-6079-сон Фармони. – Тошкент, 2020. 3. Ўзбекистон Республикаси Президентининг "Ўзбекистон — 2030" стратегияси тўғрисида"ги ПФ-158-сон Фармони. – Тошкент, 2023. 4. Ўзбекистон Республикаси Президентининг "Сунъий интеллект технологияларини 2030 йилга қадар жадал жорий этиш ва уларни ривожлантириш учун шарт-шароитлар яратиш чора-тадбирлари тўғрисида"ги ПҚ-358-сон Қарори. – Тошкент, 2024. 5. Mohan, R., et al. Developing AI-Powered Training Programs for Employee Upskilling and Reskilling // Journal of Informatics Education and Research (JIER). – 2024. – Vol. 4, № 2. – URL: http://jier.org/index.php/journal/article/view/903 847

6. Ansari, S., et al. How AI is Reshaping Employee Training and Development: Insights from HR Professionals // SSRN Electronic Journal. – 2025. – URL: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5220821 7. Kalnina, D. Teachers' Readiness to Integrate AI in Education (AIEd) // Licentiate/PhD Thesis, DiVA Portal. – 2025. – URL: https://www.divaportal.org/smash/get/diva2:1996589/FULLTEXT01.pdf 8. Elasri, A., et al. Revolutionizing Teachers' Professional Development: The Critical Role of AI-Based Tools from Initial Training to Lifelong Learning — A Case Study // International Journal of Information and Education Technology (IJIET). – 2024. – Vol. 14, № 10. – URL: https://www.ijiet.org/show-223-2927-1.html ФИЗИЧЕСКИЕ ОСНОВЫ КВАНТОВОЙ КРИПТОГРАФИИ И МЕХАНИЗМЫ ЗАЩИТЫ ИНФОРМАЦИИ В ОПТОВОЛОКОННЫХ БЛОКЧЕЙН-СЕТЯХ Л.Е. Хасанова, UMFT е-mail: lola.khasanova.93@mail.ru З.Н. Азимова, студентка UMFT e-mail: forzillas099@gmail.com Д.Ф. Махкамов студент UMFT e-mail: narcooo512@gmail.com Аннотация. В этом тезисе рассмотрены физические основные принципы криптозащиты информации в цифровых сетях. Проанализированы переход от симметричного шифрования (RSA, AES) к квантовому распределению ключей. Раскрыты механизмы безопасности блокчейн-узлов на фундаментальном уровне — суперпозиция, теорема о невозможности клонирования, протокол BB84, обеспечивающие абсолютную безопасность на уровне законов природы. Ключевые слова: квантовая криптография, блокчейн, кубит, протокол BB84, теорема о запрете клонирования, фотоны. Abstract. This thesis examines the fundamental physical principles of cryptographic protection of information in digital networks. The transition from symmetric encryption (RSA, AES) to quantum key distribution is analyzed. The security mechanisms of blockchain nodes at the fundamental level are described, including superposition, the no-cloning theorem, and the BB84 protocol, which ensure absolute security based on the laws of nature. Keywords: quantum cryptography, blockchain, qubit, BB84 protocol, no-cloning theorem, photons. Annotatsiya. Ushbu tezis raqamli tarmoqlarda axborotni kriptografik himoya qilishning fundamental fizik tamoyillarini tadqiq etadi. Simmetrik shifrlashdan (RSA, AES) kvant kalitlarini taqsimlash tizimiga o‘tish jarayoni tahlil qilingan. Blokcheyn tugunlarining (nodes) xavfsizlik mexanizmlari fundamental darajada tavsiflangan, jumladan, tabiat qonunlariga asoslangan mutlaq xavfsizlikni ta’minlovchi superpozitsiya, nusxa ko‘chirmaslik (no-cloning) teoremasi va BB84 protokoli ko‘rib chiqilgan. Kalit so‘zlar: kvant kriptografiyasi, blokcheyn, kubit, BB84 protokoli, nusxa ko‘chirmaslik teoremasi, fotonlar. Введение. Шифрование является фундаментом безопасности данных, обеспечивая защиту конфиденциальной информации от несанкционированного доступа в глобальных сетях. С учетом цифровой трансформации экономики и внедрения систем искусственного интеллекта 848

(AI), механизмы криптографии становятся значительными для защиты финансовых транзакций и персональных данных. Среди огромного количества существующих методов наиболее широко используемыми алгоритмами на сегодняшний день остаются RSA и AES.[4] RSA (Rivest-Shamir-Adleman) — это широко известный алгоритм шифрования, разработанный в 1977 году Роном Ривестом, Ади Шамиром и Леонардом Адлеманом. Он является примером асимметричного шифрования, то есть использует пару ключей: открытый ключ для шифрования и закрытый ключ для расшифровки. Суть шифрования RSA заключается в математической сложности факторизации больших простых чисел, что делает практически невозможным для хакеров вывести закрытый ключ на основе открытого ключа.[4] AES (Advanced Encryption Standard), созданный в 2001 году Национальным институтом стандартов и технологий (NIST), — это симметричный алгоритм шифрования, который использует один общий ключ как для шифрования, так и для дешифрования.[4] Современные методы защиты данных в блокчейне (RSA, AES) основаны на сложности математических задач. Но появление квантовых компьютеров сделает их взлом делом нескольких минут. Вот тут переход от математической защиты к физической (квантовой), где безопасность гарантируется законами Вселенной, а не сложностью формул.[4] Отсюда квантовое распределение ключей (КРК) предлагает метод, основанный на квантовом индетерминизме и состоянии суперпозиции. В отличие от классических данных, которые можно копировать неограниченное число раз, квантовое состояние (кубит) невозможно клонировать согласно фундаментальным законам природы. Любая попытка перехвата информации в квантовом канале, например, в оптоволокне, приводит к «схлопыванию» суперпозиции и коллапсу вектора состояния. Таким образом, физика делает попытку «прослушки» явной и обнаруживаемой. Криптография – это наука, которая занимается защитой информации. Она помогает скрыть данные так, чтобы только те, кто имеет специальный ключ или пароль, могли их прочитать. Криптографические средства защиты информации — это устройства, программы или службы, которые помогают зашифровать и дешифровать информацию. Блокчейн (цепочка блоков) ‒ это децентрализованная распределённая база данных, которая хранит информацию в виде последовательной неизменяемой цепочки блоков. Данные в ней не хранятся на одном сервере, а дублируются на тысячах компьютеров что обеспечивает высокую безопасность прозрачность и невозможность подделать историю транзакций Шифрование ‒ это обратимый процесс преобразования открытой информации в нечитаемый шифротекст с помощью математических алгоритмов и специального ключа 849

Квантовая физика-наука, изучающая поведение частиц света (фотонов), электронов, атомов и других мельчайших объектов, называется квантовой физикой. Индетерминизме ‒ философская позицияотрицающая всеобщий характер причинности (детерминизма) и утверждающая наличие случайныхне обусловленных строгими законами событий. Квантовое состояние и суперпозиция: от бита к кубиту В классическом мире всё определено. Выключатель либо включен, либо выключен. Но на уровне микромира, где «правят бал» фотоны и электроны, правила меняются. Здесь и играет основную роль суперпозиция. От бита к кубиту Обычный компьютерный бит — это фундамент цифровой эры. Он равен 0 или 1. Это как монета, лежащая на столе: мы видим либо орла, либо решку. Квантовый бит (кубит) — это та же монета, но в момент, когда она вращается на ребре. Пока мы не прихлопнули её ладонью (не провели измерение), она является и орлом, и решкой одновременно. Это состояние и называется суперпозицией. Фотоны — это частица света. Почему в качестве кубитов часто выбирают фотоны? У него есть свойство-поляризации (направление колебаний). Она может быть вертикальной (1) или горизонтальной (0). Но благодаря законам квантовой механики, фотон может быть поляризован «по диагонали»- то есть находиться в сумме состояний 0 и 1. Проблема наблюдателя: почему всё ломается? Дело в том, что, суперпозиция живет только до тех пор, пока за ней не наблюдаем. Как только измерительный прибор фиксирует состояние фотона, «магия» исчезает. Кубит «схлопывается» (коллапсирует) в обычный 0 или 1. Представьте: вы открываете коробку с вращающейся монетой, и она тут же падает на одну из сторон. Природа не дает нам увидеть саму суперпозицию «в лицо», но позволяет использовать её мощь в расчетах. [1рис] Зачем это нужно? Зачем усложнять жизнь кубитами? Дело в масштабируемости. Если есть 3 обычных бита, они могут составить одну из 8 комбинаций (000, 001 и т.д.). Но 3 кубита в состоянии суперпозиции содержат в себе все 8 комбинаций одновременно. Это позволяет квантовым компьютерам решать задачи, на которые у обычных суперкомпьютеров ушли бы миллиарды лет: от моделирования новых лекарств до взлома сложнейших шифров. Рис 1. Пример с монеткой 850

Теорема о запрете клонирования Большинство людей привыкли, что любой объект можно скопировать, будь то физический предмет или просто информация в виде набора битов. Людям уже привычно отделять носитель информации будь это флэшка или винчестер от самой информации. Как только данные оцифрованы, их можно копировать неограниченное число раз с нулевыми потерями. Оказывается, столь повседневная в наше время вещь не является фундаментальной. Даже один единственный квантовый бит (кубит) в общем случае невозможно скопировать. Причем это обусловлено не несовершенством современной техники, а фундаментальным ограничением Природы. Теорема доказывает легко и просто, что все изменения во времени вектора состояния в квантовой механике описываются действием унитарных операторов. Соответственно, должен существовать оператор, осуществляющий операцию копирования.[4] Так, если кубит был в состоянии |0>, то действие оператора приводит к: ̂|0> = |0> ⨂ |0> = |𝟎𝟎 > где символом ⨂ обозначено тензорное 𝑲 произведение. Аналогичное выражение для кубита в состоянии |1>: ̂|1> = |1> ⨂ |1> = |𝟏𝟏 > 𝑲 Однако наиболее общее состояние кубита описывается суперпозицией: |𝝍 > = 𝒄𝟎 |𝟎 > +𝒄𝟏 |𝟏 > Применяя оператор клонирования, получаем: ̂ |𝛙 > = |𝛙 > ⨂ |𝛙 > = (𝐜𝟎 |0> + 𝐜𝟏 |1>) ⨂ (𝐜𝟎 |0> + 𝐜𝟏 |1>) = 𝐜𝟎 𝐜𝟎 |𝟎𝟎 > + 𝐾 𝐜𝟎 𝐜𝟏 |𝟎𝟏 > + 𝐜𝟏 𝐜𝟎 |𝟏𝟎 > + 𝐜𝟏 𝐜𝟏 |𝟏𝟏 > C другой стороны, все операторы в квантовой механике линейны. А также скобки можно раскрыть и действовать оператором на каждое из слагаемых по отдельности: ̂ |0> + 𝐜 𝐾 ̂ ̂ |𝛙 > = 𝐾 ̂ (𝐜𝟎 |0> + 𝐜𝟏 |1>) = 𝐜𝟎 𝐾 𝐾 𝟏 |1> = 𝐜𝟎 |𝟎𝟎 > + 𝐜𝟏 |𝟏𝟏 > ̂ Мы получили два разных результата для операции клонирования 𝐾 ̂ не существует. |𝝍 > , следовательно оператор 𝐾 Известный принцип неопределенности Гейзенберга утверждает, что невозможно одновременно измерить координату и скорость частицы с любой степенью точности. В общем одновременно нельзя измерить величины, чьи операторы не связываются. Координата и скорость являются примером таких операторов, так как: x̂p̂- p̂ x̂ ≠ 0 Вектор состояния несет в себе всю информацию о системе. Если бы была возможность взять и скопировать его копию, то стало бы возможным измерить величину 𝐴̂ у одной копии и некоммутирующую с ней величину 𝐵̂ другой копии, нарушив тем самым принцип неопределенности. Теорема утверждает, что невозможно создать устройство, способное клонировать любой кубит. 851

В итоге, физика доказывает, что нельзя скопировать информацию просто так, потому что законы квантовой механики ломаются. [4] Протоколы квантового распределения ключа BB84 Квантовое распределение ключей – это метод, который использует квантовые явления для гарантии безопасной связи. Этот метод позволяет двум сторонам, соединенным по открытому каналу связи, создать общий случайный ключ, который известен только им, и использовать его для шифрования и расшифрования сообщений. Первый протокол распределения квантового ключа BB84 изобрели Чарльз Беннет и Жилль Брассард в 1984 году. [2] Используя факт существования неизмеримых одновременно величин и состояние суперпозиции, можно осуществлять закрытую передачу данных. [2] Для понимания, как физика защищает информацию, рассмотрим пример взаимодействия двух сторон — Алиса как отправитель и Боба получатель и третье лицо Ева (которая пытается перехватить ключ, Алиса и Боб должны создать общий секретный ключ. [3] Таблица ВВ84 1. Базис Алисы Значение бита Алисы Алиса посылает ⨂ 1 ⊕ 0 ⊕ 1 ⨂ 0 ⊕ 0 ⨂ 1 ⨂ 0 ⊕ 1 2. Базис Боба ⨂ ⊕ ⨂ ⊕ ⊕ ⨂ ⨂ ⨂ Значение бита Боба Тот же базис? 1 да 0 да 0 нет 0 нет 0 да 1 да 0 да 1 нет У Алисы остается У Боба остается 1 1 0 0 0 0 1 1 0 0 Шаг 1. Алиса генерирует последовательность случайных битов и для каждого из них выбирает один из двух базисов поляризации: прямоугольный ⊕ или диагональный ⨂. Она отправляет Бобу одиночные фотоны, поляризованные в соответствии с выбранным значением: • В базисе ⊕: вертикальный фотон означает «1», горизонтальный — «0». • В базисе ⨂: диагональный под углом 45° означает «1», под 135° — «0». Боб получает фотоны, но он не знает, в каком базисе их готовила Алиса. Поэтому он выбирает базис измерения для каждого фотона совершенно случайно.[3] Шаг 2. После передачи всей серии фотонов Алиса и Боб связываются по обычному открытому каналу. Боб сообщает, какие базисы он использовал, но не раскрывает результаты своих измерений. • Если их базисы совпали, результат измерения Боба будет идентичен биту Алисы (это основа их будущего ключа). • Если базисы не совпали, результат Боба считается случайным и такая информация просто отбрасывается. 852

Полученная в итоге общая последовательность называется «просеянным ключом». Шаг 3. Самый важный аспект квантовой защиты проявляется при попытке подслушивания. Если Ева пытается перехватить фотон, она сталкивается с проблемой: она тоже не знает базис Алисы. 1. По законам физики (теорема о запрете клонирования), Ева не может скопировать фотон. Она вынуждена измерить его и отправить Бобу новую частицу. 2. Если Ева ошибается с базисом, она неизбежно меняет состояние фотона это квантовый индетерминизм. 3. Это приводит к тому, что в ключе Боба резко возрастает количество ошибок. Алиса и Боб сравнивают небольшую часть своих ключей, и, если уровень ошибок выше допустимого, они понимают, что в канале связи присутствует Ева. Скрыть свое присутствие Ева не может физически — это фундаментальное свойство квантовой криптографии.[3] Рис 2 . Пример с Алисой, Бобом и Евой Вывод. Работа доказывает неизбежность перехода от математических методов защиты данных (RSA, AES) к квантовому распределению ключей, при котором безопасность обеспечивается не сложностью алгоритмов, а фундаментальными законами физики. Tак-же детально разбираются и раскрывают механизмы использования кубитов и фотонов и доказывают, как принципы суперпозиции и закон запрета клонирования обеспечивают невозможность несанкционированного копирования данных по принципу природы. Протоколы квантового распределения ключа BB84, то любая попытка перехвата данных в оптоволоконных сетях неизбежно приведет к искажениям, которые позволят быстро понять о присутствии хакера и попытки взлома. Список литературы: 1. Gisin N. et al. Quantum cryptography // Rev. Mod. Phys. 2002. Vol. 74. P. 145– 195. 853

2. Bruss D., Luetkenhaus N. Quantum Key Distribution: From Principles to Practicalities. – arXiv:quant-ph/9901061 v2 (1999). 3. Bennett C.H., Brassard G. Quantum cryptography: Public key distribution and coin tossing // IEEE Int. Conf. on Comput. Sys. and Sign. Proces., Bangalore, India, December 1984. 1984. P. 175–179 4. Общая информация из источников: ssldragon.com, lightcone.ru OʻZBEK TILI UCHUN FONETIK MUVOZANATLI NUTQ KORPUSINI QURISHNING METODOLOGIYASI Axmedov Farrux Anvarovich, v.v.b. dotsent, axmedovfarrux336@gmail.com Annotatsiya. Ushbu tezisda oʻzbek TTS tizimlari uchun fonetik muvozanatli nutq korpusini qurishning toʻliq metodologiyasi taqdim etiladi. Bunda “Greedy Coverage” algoritmi, studiya yozish standartlari, avtomatlashtirilgan audio yoʻli va “Montreal Forced Aligner” yordamida majburiy moslashtirishning amaliy tatbiqi yoritiladi. Аннотация. В данной статье представлена комплексная методология построения фонетически сбалансированного речевого корпуса для узбекских TTS-систем: описывается алгоритм Greedy Coverage, стандарты студийной записи, автоматизированный аудиопайплайн и практическое применение принудительного выравнивания с помощью Montreal Forced Aligner. Abstract. This paper presents a comprehensive methodology for constructing a phonetically balanced speech korpus for Uzbek TTS systems, covering the Greedy Coverage algorithm, studio recording standards, an automated audio processing yo‘l, and the practical application of forced alignment using the Montreal Forced Aligner. Kirish. Neyron matndan nutq sintezlash (TTS) texnologiyalari soʻnggi yillarda inqilobiy taraqqiyotni boshdan kechirmoqda. Biroq bu taraqqiyotdan foydalanish imkoniyati teng taqsimlanmagan: ingliz, xitoy, nemis kabi “resursli” tillar uchun yuzlab soatlik sifatli korpus mavjud boʻlsa, oʻzbek tili kabi “kam resursli” tillar hali bu sohadagi asosiy muammolarni ham hal etmagan [1]. Oʻzbek tilida sifatli TTS tizimi yaratishning asosiy toʻsigʻi – annotatsiyalangan nutq korpusining yoʻqligi. Mavjud boʻlgan fragmentar yigʻimlar bir nechta tizimli kamchilikka ega: fonetik qoplash toʻliq emas, audio sifati yetarli emas, matn-nutq mosligining maydonli (timestamp) annotatsiyasi ishlab chiqilmagan. Ushbu tezis aynan shu muammoni hal etish uchun tizimli metodologiyani taklif etadi. Korpus qurish yoʻli. Taklif etilgan metodologiya olti ketma-ket bosqichdan iborat boʻlib, har bir bosqich oldingi bosqich natijasiga tayanadi. Umumiy yechim yo‘li 1-rasmda koʻrsatilgan. 854

1 2 3 4 5 6 Matn tanlash Fonetik muvozanat Matn normalizatsiyasi Raqam, qisqartma Nutq yozish Studiya, suhandon Audio ishlov Filtrlar, qirqish Majburiy hizlash MFA Sifat nazorati Qo lda, avto Greedy Coverage algoritmi >1200 bigram Raqam→So z, sana, qisqartma lotin yozuvi 44100 Hz/24 bit SNR db RT60 ms RNNoise WebRTC VAD EBU R128 norm. HMM monotriphone Viterbi dekodlash Praat li tekshirish Audio tinglash Xato filtrlash Yakunniy korpus: WAV (22050 Hz, 16 bit) + Textgrid + G2P lug at 1-rasm. Oʻzbek TTS korpus qurish metodologiyasi – olti bosqichli yoʻl Bu yo‘l oʻzbek nutq korpusini qurishning bosqichma-bosqich texnologik zanjiri boʻlib, har bir bosqich keyingisi uchun poydevor vazifasini oʻtaydi. 1-bosqich: Matn tanlash eng mas'uliyatli qadamdir. Bu yerda Greedy Coverage algoritmi ishga tushadi – u har safar hali qoplanmagan eng koʻp yangi fonem biggramini oʻz ichiga olgan jumlani tanlaydi. Natijada tasodifiy tanlovga nisbatan ikki-uch barobar kam jumla bilan >1200 bigram qamrovi ta’minlanadi. 2-bosqich: Matn normalizatsiyasi da tanlangan matnlar diktorga oʻqishga qulay koʻrinishga keltiriladi. Raqamlar soʻzga (“2024” → “ikki ming yigirma toʻrt”), qisqartmalar toʻliq shaklga (“MFA” → “Montreal Forced Aligner”) aylantiriladi va maxsus belgilar tozalanadi. 3-bosqich: Nutq yozish professional studiyada amalga oshiriladi. Texnik me’yorlar qat'iy: ~48000 Hz chastota, kamida 20 dB signal-shovqin nisbati, har bir jumla orasida 200 ms pauza. Diktorning talaffuzi izchil va neytral boʻlishi talab qilinadi. 4-bosqich: Audio ishlov da yozilgan fayllar avtomatlashtirilgan yo‘l orqali oʻtkaziladi – avval shovqin tozalanadi (de-noise), soʻng bosh va oxiridagi ortiqcha sukut qismlari kesib tashlanadi (trim). 5-bosqich: MFA hizalanish da har bir audio fayl va unga mos matn Montreal Forced Aligner ga beriladi. Natijada har bir soʻz va fonem aynan qaysi millisekundda boshlanib tugashi TextGrid formatida saqlanadi – bu TTS modelining Duration Predictor modulini oʻqitish uchun zarur. 6-bosqich: Sifat nazorati ikki qatlamli: avtomatik tekshiruv MFA ishonch ballini, signal sifatini va davomiylik chegaralarini tekshiradi; qoʻlda tekshiruv esa notoʻgʻri talaffuz yoki texnik nuqsonli fayllarni chiqarib tashlaydi. Jarayon oxirida barcha bosqichlardan oʻtgan fayllar TTS modelini oʻqitishga toʻliq tayyor holda – WAV audio, TextGrid vaqt belgilari va CSV log bilan birga – yagona toʻplamga jamlanadi. Matn Tanlash: Greedy Coverage algoritmi. Matn tanlashda asosiy maqsad – fonetik bigramlarni maksimal darajada qoplash. Oʻzbek tilida 34 ta fonem mavjud boʻlib, nazariy jihatdan 34×34=1156 ta bigram hosil boʻlishi mumkin. Amalda esa 1200 dan ortiq fonetik bigram kuzatiladi [2]. Greedy Coverage algoritmi ishlash tamoyili: har bir yangi jumla qoʻshilganda, u hali qoplanmagan bigram larni maksimal darajada oʻz ichiga olishi sharti boʻyicha tanlanadi. Bu yondashuv tasodifiy tanlovga nisbatan bir xil qoplash 855

darajasiga 2.6 marta kamroq jumla bilan erishishga imkon beradi (2-rasmning oʻng grafigi). 2-rasm. Chap: Oʻzbek fonema chastota taqsimoti. Oʻng: Greedy Coverage va tasodifiy tanlash solishtirmasi Algoritmning amalga oshirilishi quyida keltirilgan: Kirish: T = {t₁, t₂, ..., tₙ} – matn jumlalar toʻplami B = {} – qoplangan bigramlar toʻplami S = {} – tanlangan jumlalar Chiqish: S* – fonetik jihatdan muvozanatli tanlangan jumlalar 1: while |B| < maqsad_qoplash do 2: best = argmax_{t ∈ T\S} |bigrams(G2P(t)) \ B| 3: S ← S ∪ {best} 4: B ← B ∪ bigrams(G2P(best)) 5: T ← T \ {best} 6: end while 7: return S Nutq yozish va audio ishlov berish. Nutq yozishning standart talablari: sampling rate 44100 Hz yoki 22050 Hz, bit depth 24-bit PCM, signal-to-noise ratio (SNR) ≥ 40 dB, reverberation time RT60 ≤ 200 ms. Yozuvchi sifatida oʻzbek tilining adabiy me’yorini mukammal egallagan professional diktor tanlanadi. Har bir yozuv sessiyasi uzunligi 2 soatdan oshmasligi, fiziologik charchash ta’sirini kamaytirish uchun 20 daqiqa tanaffuslar koʻzda tutilishi shart. Audio qayta ishlash avtomatlashtirilgan yo‘l orqali amalga oshiriladi: (1) fon shovqinini filtrlash – RNNoise neyron filtr (SNR uzatmasi: +8-12 dB); (2) jim qismlarni kesish – WebRTC VAD (Voice Activity Detection); (3) balandlik normalizatsiya – EBU R128 standartiga koʻra −23 LUFS; (4) format konvertatsiya – 22050 Hz, 16-bit mono WAV. Majburiy hizlash. Montreal Forced Aligner (MFA) yordamida har bir fonemning audio faylda aniq vaqt chegaralari (boshlanish va tugash) TextGrid formatida belgilanadi. Bu annotation TTS modelini oʻqitishda duration, pitch va energy ground truth sifatida foydalanish uchun zarur [3]. MFA oʻqitish jarayoni uch bosqichdan iborat: birinchi bosqichda monophone HMM akustik model oʻrganiladi; ikkinchi bosqichda triphone model – kontekstga sezgir akustik model – oʻqitiladi; uchinchi bosqichda Viterbi dinamik dasturlash algoritmi orqali har bir fonemning optimal vaqt chegaralari aniqlanadi. Alignment sifatini tekshirish uchun Praat dasturida qoʻlda 5% namuna tekshiriladi: 20 ms dan qisqa fonem segmentlari qayta koʻrib chiqiladi. 856

Korpus statistikasi va sifat mezonlari. Bu boʻlim qurilgan korpusning miqdoriy va sifat koʻrsatkichlarini jamlaydi. Bu boʻlim ikki maqsadga xizmat qiladi: birinchidan, korpusning TTS oʻqitishi uchun yetarliligini isbotlash; ikkinchidan, kelajakdagi tadqiqotchilar uchun solishtirish mezoni boʻlib xizmat qilish. Miqdoriy koʻrsatkichlar qatoriga umumiy audio davomiyligi (soat), jumla soni, oʻrtacha jumla uzunligi, qoplanган fonem va bigram soni kiradi. Sifat mezonlari esa signal-shovqin nisbati, MFA hizalanish ishonch balli va qoʻlda tekshiruvdan oʻtgan fayllar ulushi orqali baholanadi. Ikkala koʻrsatkich birgalikda korpusning nafaqat katta, balki ishonchli ekanligini tasdiqlaydi – chunki TTS sifati toʻplamdagi ma’lumotlar sifatiga bevosita bogʻliq. 1-jadval Korpus sifat mezonlari va erishilgan natijalar Parametr Jami nutq davomiyligi Jumlalar soni Oʻrtacha jumla uzunligi Fonem bigram qoplash SNR (oʻrtacha) MFA alignment xatosi Sampling rate Format Maqsad qiymat ≥ 10 soat ≥ 10,000 4–8 soniya ≥ 95% ≥ 40 dB < 5% 22050 Hz 16-bit mono WAV Erishilgan [X] soat [X] ta [X] soniya [X]% [X] dB [X]% 22050 Hz 16-bit mono WAV Korpus domenlariga koʻra taqsimot va jumla uzunligi statistikasi 3-rasmda keltirilgan. Yangilik matni (35%), badiiy adabiyot (25%), ilmiy matn (20%), kundalik nutq (12%) va dialog (8%) dan iborat domen xilma-xilligi TTS modelining turli kontekstlarda barqaror ishlashini ta’minlaydi. 3-rasm. Chap: Korpus domen taqsimoti. Oʻng: Jumla uzunligi (soniya) taqsimoti 857

Xulosa. Ushbu tezisda taqdim etilgan metodologiya oʻzbek tili uchun yuqori sifatli TTS korpus yaratishning toʻliq yo‘lini belgilab beradi. Greedy Coverage algoritmi fonetik muvozanatni ta’minlashda tasodifiy tanlovga nisbatan sezilarli ustunlik koʻrsatdi: 95% bigram qoplashiga erishish uchun taxminan 2.6 marta kamroq material talab etiladi. Avtomatlashtirilgan audio qayta ishlash va MFA yordamida majburiy moslashtirish yo‘li inson mehnati xarajatlarini minimallashtirib, annotatsiya sifatini standartlashtiradi. Qurilgan korpus FastSpeech 2 va VITS kabi zamonaviy neyron TTS modellarini oʻqitish uchun asos boʻlib xizmat qiladi. Kelajakda korpus koʻp diapazonli (multi-speaker) kengaytma, emotsional nutq qoʻshimchasi va ochiq manbali nashr bilan toʻldirilishi rejalashtirilgan. Foydalanilgan adabiyotlar roʻyxati: 1. Pratap, V. et al. (2023). Scaling Speech Technology to 1,000+ Languages. Journal of Machine Learning Research, Vol. 25, pp. 97:1–97:52. arXiv:2305.13516. 2. Mussakhojayeva, S. et al. (2022). A Multidomain Kazakh Speech Korpus and Acoustic Model. Interspeech 2022, pp. 1486–1490. 3. McAuliffe, M. et al. (2017). Montreal Forced Aligner: Trainable Text-Speech Alignment Using Kaldi. Interspeech 2017, pp. 498–502. 4. Ren, Y. et al. (2021). FastSpeech 2: Fast and High-Quality End-to-End Text to Speech. ICLR 2021. 5. Kong, J. et al. (2020). HiFi-GAN: Generative Adversarial Networks for Efficient and High Fidelity Speech Synthesis. NeurIPS 2020. O‘ZBEK TILINING DIGRAF VA MORFOFONOLOGIK XUSUSIYATLARINI HISOBGA OLGAN GRAFEMADAN FONEMAGA O‘TKAZISH TIZIMI Axmedov Farrux Anvarovich, v.v.b. dotsent, axmedovfarrux336@gmail.com Bozorboyeva Zuxra Qaxramon qizi, magistrant, zukhra1704@gmail.com Annotatsiya. O‘zbek tilining digraf tizimi (ch, sh, ng, o‘, g‘), agglyutinativ morfologiyasi va lotin yozuvini hisobga olgan gibrid G2P tizimi taqdim etiladi. Qoidabazali, lug‘at va neyron yondashuvlarni birlashtirgan tizim PER bo‘yicha 2.3% ga erishdi — espeak-ng baseline'dan 6.1 barobar yaxshi. Аннотация. Представлена гибридная система графема-в-фонему (G2P) для узбекского языка, учитывающая диграфную систему (ch, sh, ng, o‘, g‘), агглютинативную морфологию и латинское письмо. Объединяя правила, словарь и нейронную модель, система достигла PER 2.3% — улучшение в 6.1 раза по сравнению с базовой системой espeak-ng. Abstract. A hybrid grapheme-to-phoneme (G2P) system for Uzbek is presented, addressing its digraph structure (ch, sh, ng, o‘, g‘), agglutinative morphology, and Latin orthography. Combining rule-based, lexicon, and neural approaches, the system achieves a phoneme error rate of 2.3% — a 6.1× improvement over the espeak-ng baseline. Kirish. Grafemadan fonemaga o‘tkazish (Grapheme-to-Phoneme, G2P) — matndan nutq sintezlash (TTS) tizimining darvozasi hisoblanadi. G2P konversiyasidagi har qanday xato bevosita noto‘g‘ri fonetik ketma-ketlikka, demak buzuq talaffuzga olib keladi. O‘zbek tili uchun G2P tizimini qurish uch asosiy 858