Sun’iy Intellekt va Raqamli Iqtisodiyot

rivojlantirishga o‘z hissalarini qo‘shishdi va bir qancha amalga oshirish mumkin bo‘lgan yondoshuvlarni taklif qilishdi [4]. Qaror qabul qilishda Z-baholash to‘g‘risida soddalashtirilgan taxminiy fikrlar ilgari suriladi. Mezonlar to‘plami asosida qaror qabul qilish (alternativlar tanlash) masalalari kontekstida Z-sonlardan foydalanish ko‘rib chiqilgan. Qaror qabul qilish maqsadida Z-sonlar klassik noravshan sonlarga almashtiriladi va har bir alternativ variantning muhimlilik vazni hisoblab chiqiladi [5]. Z-ma’lumotlarga asoslangan qarorlar qabul qilishga ta’rif berilgan. Ushbu yondoshuv Z-sondan klassik noravshan sonlarga keltirishga, kutilayotgan foydalilik yondoshuvini umumlashtirishga va Z-son sifatida ifodalangan Shoke integralidan foydalanishga asoslangan. Shuningdek, bir qancha nashrdan chiqqan ilmiy izlanishlarda turlicha faoliyat sohalari masalalariga tegishli tavsiflari yuqoridagi maqolalarda keltirilgan yondoshuvlardan foydalanish uchun misollar keltirilgan [6]. Asosiy qism. Z-sonlardan asosidagi qaror qabul qilish algoritmi. Noma’lumlik muhitida Z-sonlardan foydalangan holda qaror qabul qilish algoritmi quyidagicha [7]: 1- qadam. Qaror qabul qilish masalasi uchun noravshan qaror qabul qilish matrisasini qurish. 2- qada. Lingvistik qiymatni sonli qiymatga almashtirish. 3- qadam. Noravshan qaror qabul qilish matrisasini normallashtirish. 4- qadam. Z-sonlarni ravshan songa aylantirish. 5- qadam. Har bir muqobilning afzallik vaznini aniqlash. Bu yerda biz ko‘rib chiqilayotgan masalani tabiatning o‘zaro bir-birini istisno qiluvchi va to‘liq holatlari = {S1 ,..., S m } ostidagi cheksiz sondagi muqobillar f i , i = 1,.., n bilan hal qilish bo‘yicha yondashuvni taqdim etamiz. Zsonlarga ega bo‘lgan qaror qabul qilish masalasini hal qilish ZU ( f * ) = max ZU ( f i ) tenglik bajariladigan f * harakatni aniqlashdan iborat, f { f ,.., f } i 1 n bu yerda Z U ( f ) quyidagicha aniqlanadi [7]: ZU ( fi ) = Z X i1 Z P1 + .... + Z X ij Z Pj + ... + Z X in Z Pn . 1-bosqich. holatda Z X = ( AX , BX ), i = 1,..., n, j = 1,.., m va ij ij Sj tabiiy muqobilning Z-qiymatli natijasi Sj tabiiy holatning Z-qiymatili fi ij Z Pj = ( APj , BPj ) ehtimollik berilgan holda quyidagi hisoblanadi [60; 343–349]: Z ij = Z X ij Z Pj = ( Aij , Bij ) Z ij ni hisoblash amalga oshiriladi [7]. Z-sonlarning nazariy qurilishi ularni noravshan sonlarga aylantirish, arifmetik amallar va noravshanlik o‘lchovlardan qarorlarni qabul qilishda foydalaniladi. Bundan tashqari, Z-sonlarining entropiya o‘lchovi va Z-sonlarini hosil qilish usuli Z-sonlarni nazariy qurishda muhim tushunchalardir. Ushbu eslatib o‘tilgan tushunchalar 1-rasmda ko‘rsatilgandek umumlashtirilgan va tasvirlangan [7]. 99

1-rasm. Z-sonlarning nazariy qurilishida umumiy nuqtaiy nazar Qarorlar asoslanadigan ma’lumotlarning muhim sifat belgisi ularning ishonchliligiga asoslanadi. Afsuski deyarli barcha qaror qabul qilish nazariyalarida qarorga bog‘liq ma’lumotlarning ishonchliligi mavjud bo‘lmaydi. Ushbu tadqiqot ishida Z-son orqali ifodalangan Z-qiymatli ma’lumotlar ostida qaror qabul qilish masalasini ko‘rib chiqdik, bu qaror o‘zgaruvchilari bilan bog‘liq bo‘lgan ehtimolliklar taqsimotlari bo‘yicha mumkin bo‘lishlar taqsimotini rag‘batlantiriladi. Z-ma’lumotlar bilan hisoblash Z-sonlarni aylantirishga asoslanadi. Qaror qabul qilishga bo‘lgan tavsiflangan yondashuv nomukammal ma’lumotlarning insonga yo‘naltirilgan baholash bilan ustma-ust tushuvchi ko‘proq darajada umumiyroq bo‘lgan tuzilmani oldinga olib chiqadi. Noravshan qarorlar qabul qilishda z-sonlarning qo‘llanilishi Z- sonlardan foydalangan holda qaror qabul qilish algoritmi quyidagicha: 1-qadam. Qaror qabul qilish masalasi uchun noravshan qaror qabul qilish matritsasini qurish. 2-qadam. Lingvistik qiymatni sonli qiymatga almashtirish. 3-qadam. Noravshan qaror qabul qilish matritsasini normallashtirish. 4-qadam. Z-sonlarni ravshan songa aylantirish. 5-qadam. Har bir muqobilning muhimlilik vaznini aniqlash. Qaror masalasining qo‘yilishi. Maʼlumki, portfolioni tanlash sarmoya kiritish va moliyaviy tadqiqotlar sohasidagi standart va eng muhim samalalardan biri hisoblanadi [6]. Xulosa va amaliy tavsiyalar. Ushbu tadqiqotda Z-sonlarga asoslangan qaror qabul qilishning yangi metodologiyasi taqdim etildi. Yangi noravshan sonlarni tartiblash usuli taklif qilindi. Ushbu tartiblash usuliga asoslanib, Zsonlarining asosiy ehtimollik taqsimotiga aylantirishning yangi usuli taqdim etildi. Bu turli manbalardan olingan ma’lumotlarni Dempsterning birlashtirish qoidasiga ko‘ra birlashtirish imkonini beradi va ma’lumotni yig‘ishning afzalliklari tufayli oqilona qaror qabul qilishga olib keladi. Bu esa xavfni tahlil qilish va tibbiy holat bo‘yicha ikkita tajriba tavsiya etilgan metodologiyaning samaradorligini ko‘rsatadi. Xuddi shunday usulni noravshan xulosa tizimi uchun ham qo‘llash mumkin bo‘ladiki, bu esa berilgan tadqiqot ishida taklif qilinadi. Qarorlarga asoslanadigan maʼlumotlarning muhim sifat belgisi ularning ishonchliligiga asoslanadi. Afsuski deyarli barcha qaror qabul qilish nazariyalarida qarorga bog‘liq maʼlumotlarning ishonchliligi mavjud bo‘lmaydi. Ushbu tadqiqot ishida Z-ma’lumot va ma’lumotlar fazosi tushunchalari aniqlanadi, bu esa ma’lumotlar fazosidagi asosiy amallarini beradi. 100

Foydalanilgan adabiyotlar ro‘yxati 1. Ali Khan M.S., Abdullah S., Ali A. (2019) Multiattribute group decision-making based on Pythagorean fuzzy Einstein prioritized aggregation operators // International Journal of Intelligent Systems. – T. 34. – pp. 1001–1033. 2. Chu C.-H., Hung K.-C., Julian P. (2014) A complete pattern recognition approach under Atanassov’s intuitionistic fuzzy sets // Knowledge-Based Systems. – T. 66. –pp. 36–45. 3. Dubois D., Prade H. (2004) Possibility theory, probability theory and multiple-valued logics: A clarification // Annals of Mathematics and Artificial Intelligence.– T. 35, № 1–3. pp. 35–66. 4. De Baets B., De Meyer H. E. (2001) The Frank T-norm family in fuzzy similarity measurement // Proc. EUSFLAT. pp. 249–252. 5. Primova X.A., Nabiyeva S.S., Sakiyev T.R. (2019) Development of medical information systems // 2019 International Conference on Information Science and Communications Technologies (ICISCT) // Date of Conference: 04-06 November 2019. 6. Primova X.A., Nabiyeva S.S. (2022) Surunkali tonzillit kasalligini Z-sonlarga asoslangan tibbiy tashhisi // O‘zbekiston Milliy Axborot Agentligi (O‘za) ilm-fan bo‘limi elektron jurnali, №12(38), 282–289. 7. Primova X.A., Nabiyeva S.S. (2023) A new method of medical diagnostics based on Znumbers // Journal of Computer Science Engineering and Information Technology Research, 49–50-betlar. NORAVSHAN XULOSA QOIDALARIGA ASOSLANGAN KASALLIKNI ANIQLASH MODELINI QURISH ALGORITMI Primova X.A. Muhammad al-Xorazmiy nomidagi TATU Samarqand filiali, t.f.d., professori, primova@samtuit.uz Qarshiboyev J.O., Rashidov R.R , Otaqulov B.B. Muhammad al-Xorazmiy nomidagi TATU Samarqand filiali talabalari, xolida_primova@mail.ru Annotatsiya. Bugungi kunda qaror qabul qilish muhitida, masalan, tibbiy tashxis kabi ma’lumotlarning ishonchliligi ham juda muhim ekanligi aniqlandi. Shuning uchun noravshan xulosa qoidalariga asoslangan kasallikni aniqlash modelini qurish algoritmi taklif etildi. Kalit so‘zlar: noravshan qoida xulosa, qaror qabul qilish, kasallikni tashxislash. Аннотация. Сегодня в сфере принятия решений крайне важна надежность информации, такой как медицинский диагноз. Поэтому предложен алгоритм построения модели обнаружения заболеваний на основе нечетких правил вывода. Ключевые слова: нечеткие правила вывода, принятие решений, диагностика заболеваний. Abstract. Today, in the decision-making environment, it has been found that the reliability of information, such as medical diagnosis, is also very important. Therefore, an algorithm for building a disease detection model based on fuzzy inference rules has been proposed. Keywords: fuzzy inference rule, decision-making, disease diagnosis. Kirish. Noravshan matematikada noravshan sonlardan inson idroki va subyektivligini tavsiflash uchun foydalanish mumkin, chunki ular noravshan yoki noto‘g‘ri ma’lumotni ifodalaydi. Biroq, qaror qabul qilish muhitida, masalan, tibbiy tashxis kabi ma’lumotlarning ishonchliligi ham juda muhim ekanligini aniqlandi. Ma’lumotni ifodalash uchun faqat noravshan sonlardan foydalanish ma’lumotlarning ishonchliligini to‘g‘ri tavsiflash uchun cheklovlarga ega bo‘lishi mumkin. Bu muammoni hal qilish uchun Zade Z-son tushunchasini kiritib, noravshan sonlar tushunchasini kengaytirdi [2-4]. Z-son bu tartiblangan juftlik 101

bo‘lib, inson mulohazalarini baholash va ishonchlilikni cheklaydi. Z-sonning birinchi komponenti smetadagi noaniqlik haqidagi ma’lumotni ifodalaydi, Zsonining ikkinchi komponenti esa ishonchlilik yoki haqiqiylikni o‘lchaydi [1-3]. Ya’ni, Z-soni insonning fikrlash darajasini tavsiflashi va tibbiy diagnostika va muammolarni bartaraf etish kabi qarorlar qabul qilish muammolariga samarali qo‘llanilishi mumkin. Ko‘p yillar davomida noravshan xulosa tizimlari noaniq (noravshan) sharoitlarda kiruvchi ma’lumotlar asosida mantiqiy xulosalar chiqarish zaruratini o‘z ichiga olgan masalalarda ishlatilmoqda. Bunda axborotning haqiqatga mosligi, odatda tabiiy til orqali bildirilib, ammo mavjud ma’lumotlar ko‘pincha ishonchli bo‘lmaydi, ularning ishonchlilik darajasi esa noravshan to‘plamlar (TT) orqali ko‘rsatiladi. Baholash natijalari aniq yoki taxminiy ko‘rsatkichlar bilan bog‘liq bo‘lib, oxirgi xulosa shaxsning bilim darajasi, ichki sezgisi va tajribasiga asoslanadi. Noravshan xulosa qoidalariga asoslangan modelni qurish algoritmi noaniqlikning noravshan yondashuvidan foydalanib ishlab chiqilgan [3-5]. Asosiy qism. Noravshan xulosa qoidalariga asoslangan kasallikni aniqlash algoritmi. Surunkali tonzillit asoratlarini keng qamrovda davolash uchun profilaktik dastur ishlab chiqish zarurligi aniqlangan. Bunday dastur bolalarda nogironlikka olib keladigan asoratlarni kamaytirish, kasallikning takrorlanishini oldini olish va reabilitatsiya muddatini qisqartirishga xizmat qiladi. Shu bois, tibbiy-biologik va algoritmik usullarni birlashtirish surunkali tonzillitni davolash samaradorligini oshirishda muhim ahamiyatga ega. 1-qadam. ( X r , yr ) tanlangan tajribaviy ma’lumotlar, i = 1, n , r = 1, M bu yerda X r = ( xr1 , xr 2 ,..., xrn ) - j- juftlikdagi kiruvchi vektori va y j - unga mos chiqish vektori [6-7]. 2-qadam. Normallashtirish: x − xmin zik = l ik (1) xmax − xmin turli birlikdagi biokimyoviy ko‘rsatkichlarni yagona [0,1] oraliqqa keltirish. 3-qadam. Fazzifikatsiyalash: 1 z − с 2 j ( zik ) = exp − ik ij (2) 2 ij bu yerda с – noravshan son markazi, – noravshan sonning kesimdagi interval kengligi. Har bir ko‘rsatkich uchun klinik normativ (m,σ)berilgan (masalan, katalaza c=2.21, σ=1.11). 4-qadam. T-norma ZT −norm amali asosida Z-son Z XY da har bir ( Z X , ZY ) juftlikni almashtirish: Z X Y = ZT − norm ( Z X , ZY ) = T (( AX , BX ), ( AY , BY )) (3) i i i i i 102 i i i i i i

5-qadam. T-konorma ZT −conorm amal asosida Z XY ning Z agg birlashma amalini bajarish: (4) Z agg = ZT −conorm ( Z g h , Z g h ,..., Z g h ) = S (( Ag h , Bg h ), ( Ag h , Bg h ),..., ( Ag h , Bg h )) 1) Kiruvchi to‘plamlar (9 shkalada): Ax , Bx , Ay , By Parametr: IgA i 1 1 2 2 n n 1 1 1 1 2 2 2 2 n n n n Ax = 0.00 / 0 + 0.00 /1 + 0.01/ 2 + 0.51/ 3 + 0.99 / 4 + 0.49 / 5 + 0.00 / 6 + 0.00 / 7 + 0.00 / 8; Ay = 0.00 / 0 + 0.05 /1 + 0.25 / 2 + 0.71/ 3 + 1.00 / 4 + 0.70 / 5 + 0.24 / 6 + 0.04 / 7 + 0.00 / 8; Bx = 0.00 / 0 + 0.00 /1 + 0.00 / 2 + 0.50 / 3 + 1.00 / 4 + 0.50 / 5 + 0.00 / 6 + 0.00 / 7 + 0.00 / 8; By = 0.00 / 0 + 0.04 /1 + 0.25 / 2 + 0.71/ 3 + 1.00 / 4 + 0.71/ 5 + 0.25 / 6 + 0.04 / 7 + 0.00 / 8; Parametr: IgM Ax = 0.00 / 0 + 0.20 /1 + 0.70 / 2 + 0.80 / 3 + 0.30 / 4 + 0.00 / 5 + 0.00 / 6 + 0.00 / 7 + 0.00 / 8; Ay = 0.09 / 0 + 0.41/1 + 0.88 / 2 + 0.95 / 3 + 0.51/ 4 + 0.14 / 5 + 0.02 / 6 + 0.00 / 7 + 0.00 / 8; Bx = 0.00 / 0 + 0.00 /1 + 0.00 / 2 + 0.50 / 3 + 1.00 / 4 + 0.50 / 5 + 0.00 / 6 + 0.00 / 7 + 0.00 / 8; By = 0.00 / 0 + 0.04 /1 + 0.25 / 2 + 0.71/ 3 + 1.00 / 4 + 0.71/ 5 + 0.25 / 6 + 0.04 / 7 + 0.00 / 8; Parametr: IgG Ax = 0.75 / 0 + 0.75 /1 + 0.25 / 2 + 0.00 / 3 + 0.00 / 4 + 0.00 / 5 + 0.00 / 6 + 0.00 / 7 + 0.00 / 8; Ay = 0.92 / 0 + 0.91/1 + 0.45 / 2 + 0.11/ 3 + 0.01/ 4 + 0.00 / 5 + 0.00 / 6 + 0.00 / 7 + 0.00 / 8; Bx = 0.00 / 0 + 0.00 /1 + 0.00 / 2 + 0.50 / 3 + 1.00 / 4 + 0.50 / 5 + 0.00 / 6 + 0.00 / 7 + 0.00 / 8; By = 0.00 / 0 + 0.04 /1 + 0.25 / 2 + 0.71/ 3 + 1.00 / 4 + 0.71/ 5 + 0.25 / 6 + 0.04 / 7 + 0.00 / 8; 2) bolalarda surunkali tonzillit kasalligi darajasini aniqlashning taxminiy bahosi р = A (u ) px (u )du (3.5) formulada tavsiflangan T-norma amali asosida R aniqlanadi. р = A (u ) px (u )du formula asosida noravshan diskret sonlarning minimum R va maksimumi aniqlanadi. 6-qadam: T-norm & T-konorm orqali Ã_xy SOD misolida 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.04 0.25 0.50 0.50 0.50 0.35 0.07 0.01 0.00 0.04 0.25 0.71 1.00 0.83 0.35 0.07 0.01 0.00 0.04 0.25 0.57 0.63 0.63 0.35 0.07 0.01 0.00 0.02 0.13 0.13 0.13 0.13 0.13 0.07 0.01 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 3) Har bir х uchun pA ( x) hisoblanadi: h1 9 9 A ( xA ,k ) p A ( xA ,k ) , A ( x k =0 x1 x1 hx x1 α = 0.1 uchun 103 k =0 y1 Ay , k 1 ) pAy ( x A ,k ) 1 y1

a55 (1.000 ) + a54 ( 0.714 ) + a56 ( 0.707 ) + a44 ( 0.508) + a45 ( 0.508) + IgA : a46 ( 0.508) + a64 ( 0.500 ) + a65 ( 0.500 ) + a66 ( 0.500 ) + a43 ( 0.255) + + a53 ( 0.255 ) + a63 ( 0.255) + a47 ( 0.249 ) + a57 ( 0.249 ) + a67 ( 0.249 ) ; a55 (1.000 ) + a43 ( 0.803) + a44 ( 0.803) + a56 ( 0.707 ) + a54 ( 0.707 ) + IgM : + a33 ( 0.697 ) + a34 ( 0.697 ) + a35 ( 0.510 ) + a45 ( 0.510 ) + a64 ( 0.500 ) + + a65 ( 0.500 ) + a66 ( 0.500 ) + a46 ( 0.500 ) + a32 ( 0.408 ) + a42 ( 0.408 ) ; a55 (1.000 ) + a11 ( 0.754 ) + a12 ( 0.754 ) + a21 ( 0.746 ) + a22 ( 0.746 ) + IgG : + a54 ( 0.707 ) + a56 ( 0.707 ) + a44 ( 0.500 ) + a45 ( 0.500 ) + a46 ( 0.500 ) + + a64 ( 0.500 ) + a65 ( 0.500 ) + a66 ( 0.500 ) + a13 ( 0.454 ) + a23 ( 0.454 ) ; P ( 0.2) = 0.917534; = 0.3 uchun; IgA : a55 (1.000 ) + a54 ( 0.714 ) + a56 ( 0.707 ) + a44 ( 0.508 ) + a45 ( 0.508 ) + + a46 ( 0.508 ) + a64 ( 0.500 ) + a65 ( 0.500 ) + a66 ( 0.500 ) ; a55 (1.000 ) + a43 ( 0.803) + a44 ( 0.803) + a56 ( 0.707 ) + a54 ( 0.707 ) + IgM: + a33 ( 0.697 ) + a34 ( 0.697 ) + a35 ( 0.510 ) + a45 ( 0.510 ) + a64 ( 0.500 ) + + a65 ( 0.500 ) + a66 ( 0.500 ) + a46 ( 0.500 ) + a32 ( 0.408 ) + a42 ( 0.408 ) ; a55 (1.000 ) + a11 ( 0.754 ) + a12 ( 0.754 ) + a21 ( 0.746 ) + a22 ( 0.746 ) + IgG : + a54 ( 0.707 ) + a56 ( 0.707 ) + a44 ( 0.500 ) + a45 ( 0.500 ) + a46 ( 0.500 ) + + a64 ( 0.500 ) + a65 ( 0.500 ) + a66 ( 0.500 ) + a13 ( 0.454 ) + a23 ( 0.454 ) ; P ( 0.4) = 0.724489 shunday har bir bemor uchun hisoblash ishlari amalga oshiriladi. Natijada natijaviy bahoni ZT −conorm ( Z12 , Z HG ) = S ( Z12 , Z HG ) = ( A, B) hisoblanadi: 3 yakuniy olish uchun T-konorma 3 P ( 0.1) = 0.960027; P ( 0.2) = 0.917534; P ( 0.3) = 0.791873; P (0.4 ) = 0.724489; Zagg ( A, B ) = max P = 0.960027; Tashxis: 2a (surunkali tonzillit I), kasallik darajasini aniqlash 0,86 ehtimollik bilan aniqlandi. Xulosa va amaliy tavsiyalar. Olingan natijalar ishlab chiqilgan algoritmning amaliy ahamiyatini tasdiqlaydi. Real klinik kuzatishlar misolida taklif etilgan tizim turli laborator ko‘rsatkichlar o‘rtasidagi noaniq, to‘liq bo‘lmagan va qarama-qarshi ma’lumotlar to‘g‘ri qayta ishlanadi, yakuniy tashxisni ehtimollik asosida silliqlashtirilgan ko‘rinishda beradi. Sezgirlik va barqarorlik tahlillari modelning operator parametrlariga nisbatan chidamli ekanligini ko‘rsatdi, bu esa taklif etilgan metodni klinik qarorlarni qo‘llab-quvvatlash tizimi sifatida ishonch bilan qo‘llash imkonini beradi. Z-sonlardan foydalanish natijasida noravshan xulosa tizimida yaqinlashgan, aniq bo‘lmagan ma’lumotlar bilan ishlashda noaniqlikni hisobga olishning samaraliroq imkoniyati yuzaga keladi. Ishonch bilan aytish mumkinki, ishlab chiqilgan algoritm ham tibbiyot ham muhandislikning, ham iqtisodiyotning turlituman masalalarini hal qilishda keng ko‘lamda tatbiq etiladi. Foydalanilgan adabiyotlar ro‘yxati 104

1. Atanassov K., Gargov G. (1989) Interval-valued intuitionistic fuzzy sets // Fuzzy Sets and Systems. – T. 31, № 3. – pp.343–349. 2. Primova X.A., Nabiyeva S.S. (2022) Surunkali tonzillit kasalligini Z-sonlarga asoslangan tibbiy tashhisi // O‘zbekiston Milliy Axborot Agentligi (O‘za) ilm-fan bo‘limi elektron jurnali, №12(38), pp.282–289. 3. Primova X.A., Nabiyeva S.S. (2023) A new method of medical diagnostics based on Znumbers // Journal of Computer Science Engineering and Information Technology Research, 49–50-betlar. 4. Seikh M. R., Mandal U. (2022). Q-rung orthopair fuzzy Frank aggregation operators and its application in MADM // Granular Computing. pp. 1–22. 5. Seikh M. R., Mandal U. (2021) Dynamic/picture/Frank-based operators // Informatica. – T. 45. 7. Seikh M. R., Mandal U. (2023) Interval-valued Fermatean fuzzy Dombi // Expert Systems with Applications. – T. 226. – Art. 120082. TIBBIYOT SOHASIDA TADQIQOT MODELLARINI CHUQUR O‘QITISHDA KO‘P MEZONLI QARORLARNI QABUL QILISH TIZIMI M.F. Vaydullayeva, Raqamli texnologiyalar va su’niy intellektni rivojlantirish ilmiy-tadqiqot instituti tayanch doktoranti mahbub_f@mail.ru Annotatsiya. Ushbu maqola tibbiyot sohasini chuqur o‘qitish (ChO‘) modellarini tanlash uchun analitik ierarxiya jarayoni (AIJ) asosidagi ko‘p mezonli qarorlar (KMQ) tizimining ishonchliligi hamda qaror qabul qilishni samarali qo‘llab-quvvatlashini isbotlaydi. Tashxislashda turli baholash mezonlari asosida modellarni solishtirib, yondashuvning ustuvor mezonlarni belgilaydi. Kalit so‘zlar: chuqur o‘qitish, tashxislash, bashoratlash, model. Аннотация. Данная статья демонстрирует надежность и эффективность основанной на методе AHP модели MCD для выбора моделей глубокого обучения в медицинской сфере. Путем сравнения моделей, основанных на различных диагностических критериях оценки, определяются приоритетные критерии для данного подхода. Ключевые слова: глубокое обучение, диагностика, прогнозирование, модель. Abstract. This study demonstrates the reliability and effectiveness of a MCD framework based on the AHP for selecting DL models in the medical field. By comparing models based on different diagnostic evaluation criteria, priority criteria for the approach are identified. Keywords: deep learning, diagnosis, prediction, model Kirish. Chuqur o‘qitish algoritmlari tibbiyot sohasida tashxislash, bashoratlash va davolash strategiyalarini rivojlantirishda muhim o‘rin egallamoqda. Ushbu algoritmlar katta hajmdagi tibbiy ma’lumotlarni, jumladan tasvirlar, genomik axborot va klinik yozuvlarni tahlil qilib, murakkab naqshlarni aniqlash imkonini beradi. Biroq, turli chuqur o‘qitish (ChO‘) modellarining arxitekturasi va o‘qitish mexanizmlari farqli bo‘lgani sababli, aniq vazifa uchun eng mos modelni tanlash qiyin hisoblanadi. Model samaradorligini faqat aniqlik bilan baholash yetarli emas, chunki sezgirlik, o‘ziga xoslik, aniqlik, F1 ball va AUC-ROC kabi ko‘rsatkichlar ham muhimdir. Shu bois ko‘p mezonli yondashuv zarur bo‘ladi. Ushbu maqolada sog‘liqni saqlash ilovalari uchun chuqur o‘qitish modellarini baholash va tanlashda analitik ierarxiya jarayoni asosidagi tizimli ramkani taklif etadi. Ramka empirik ma’lumotlarni integratsiyalab, qaror qabul 105

qilish jarayonini yanada ishonchli, moslashuvchan va asosli qilishni ko‘zlaydi. Bu yondashuv tadqiqotchilarga ustuvor mezonlarni belgilash, modellarni adolatli solishtirish va inson salomatligi bilan bog‘liq muammolar uchun eng maqbul yechimni tanlash imkonini beradi hamda klinik qarorlar sifatini oshirishga xizmat qiladi. Yana bir ko‘rsatkich – o‘ziga xoslik bo‘lib, u algoritmning haqiqiy salbiy holatlarni to‘g‘ri aniqlash qobiliyatini baholaydi, noto‘g‘ri musbatlarni kamaytiradi.[1] Tibbiy sohada tadqiqot modellarini chuqur o‘qitish (ChO‘) Chuqur o‘qitish algoritmlari murakkab tibbiy ma’lumotlarni tahlil qilish va sharhlash uchun kuchli vositalarni taqdim etish orqali tibbiyot sohasidagi tadqiqotlar muammosi yoki tadqiqot vazifasi uchun mos algoritmni tanlash muammosi mavjud. Tibbiyot sohasidagi tadqiqotlar uchun to‘g‘ri modelni tanlashning ahamiyatini e’tirof etgan holda, ushbu tadqiqotlarda qabul qilingan yondashuvlar ularning real ssenariylarda qo‘llanilishiga ta’sir qiluvchi sezilarli cheklovlarga ega. Umumiy metodologiyalardan biri tibbiyotning turli sohalarida keng qo‘llaniladigan chuqur o‘qitish algoritmlarini aniqlash va ularning hisobot natijalarini baholash uchun keng qamrovli adabiyotlarni ko‘rib chiqishdir.[2] Chuqur o‘qitish (Deep Learning) algoritmlari – sun’iy neyron tarmoqlarga asoslangan va katta hajmdagi ma’lumotlardan murakkab qonuniyatlarni avtomatik o‘rganishga qodir usullardan biri hisoblanadi. 1. Sun’iy neyron tarmoqlar (SNT) – asosiy Chuqur o‘qitish modeli bo‘lib, tasniflash va regressiya vazifalarida ishlatiladi. 2. Konvolyutsion neyron tarmoqlar (CNT) – tasvirlar, rentgen, MRT va KT ma’lumotlarini tahlil qilishda juda samarali. 3. Rekurrent neyron tarmoqlar (RNT) – vaqtga bog‘liq ma’lumotlar va ketma-ketliklarni qayta ishlashda qo‘llaniladi. 4. LSTM va GRU – RNNning takomillashtirilgan turlari bo‘lib, uzoq muddatli bog‘lanishlarni o‘rganadi. 5. Transformer modellari – tabbiyot tilini qayta ishlash va tibbiy matnlarni tahlil qilishda keng qo‘llaniladi. 6. Avtoenkoderlar – O‘lchamni kamaytirish va anomaliyalarni aniqlash uchun ishlatiladi. 7. Generativ adversarial tarmoqlar (GAT) – Sun’iy tibbiy tasvirlar yaratish va ma’lumotlarni boyitishda qo‘llaniladi. Bu algoritmlar sog‘liqni saqlash, moliya va tibbiyot sohalarida muhim ahamiyatga ega. Sog‘liqni saqlash vazifalari bilan bog‘liq bo‘lmagan Chuqur o‘qitish modellarining umumiy tanlovi haqida gap ketganda, tadqiqot xulosa qilish vaqti va aniqligini hisobga olgan holda, resurslar cheklangan o‘rnatilgan qurilmalarda chuqur neyron tarmoq modellarini tanlash uchun moslashtirilgan sxemani taklif qildi. Eng yaxshi chuqur o‘qitish modelini tanlash masalasini hal qilish uchun boshqa, yanada barqaror ramkalar va kutubxonalar taklif qilinadi. Masalan, Automated Machine Learning (AutoML) bo‘yicha yetakchi platformalar bo‘lgan AutoKeras va Google AutoML kiradi. TensorFlow, u neyron arxitekturasini 106

qidirish kabi usullardan foydalangan holda optimal arxitektura va giperparametrlarni avtomatik tanlash orqali chuqur o‘qitish modelini ishlab chiqishni osonlashtiradi. Bundan farqli o‘laroq, Google AutoML bulutga asoslangan yechim bo‘lib, u butun Mashinali o‘qitish ish jarayonini avtomatlashtirish uchun keng qamrovli vositalar to‘plamini taklif etadi [3]. Tibbiy sohasidagi tadqiqotlar uchun chuqur o‘qitish algoritmlarini tanlashda bir qator mezonlarni hisobga olish juda muhim, chunki sog‘liqni saqlash ma’lumotlarining xilma-xil va murakkab tabiati yuqori ixtisoslashtirilgan echimlarni talab qiladi. Tibbiy tasvir, bemor monitoringi yoki kasalliklarni bashorat qilish kabi vazifalar har biri turli yondashuvlarni talab qiladi va algoritm tanlash nafaqat aniq vazifaga, balki mavjud ma’lumotlarga va tekshirilayotgan buzilishlarga ham mos kelishi kerak. Bundan tashqari, har bir tadqiqotchi tadqiqot maqsadlaridan kelib chiqqan holda turli mezonlarga ustunlik berishi mumkin; masalan, ba’zilari aniqlikka e’tibor berishlari mumkin, boshqalari esa modelning murakkabligi yoki xato ehtimolini ta’kidlashi mumkin. Shuning uchun ko‘p mezonli qarorlar (KMQ) yondashuvi juda foydali. An’anaviy yondashuvlar ko‘pincha eng yaxshi modelni aniqlash uchun keng ko‘lamli tajriba va ko‘plab iteratsiyalarni talab qiladi, katta vaqt va resurslarni sarflaydi. Boshqa tomondan, ko‘p mezonli qarorlar (KMQ) tizimi tadqiqotchilarga boshidanoq turli xil modellarni bir nechta mezonlar bo‘yicha tizimli ravishda baholash imkonini beradi Taqqoslash mezonlari. Chuqur o‘qitish (ChO‘) modellarini taqqoslashda hisobga olinadigan mezonlarni aniqlashni o‘z ichiga oladi. Ushbu jarayon sog‘liq bilan bog‘liq vazifalar uchun ishlatiladigan ChO‘ modellarini baholash uchun keng tarqalgan mezonlarni aniqlash uchun adabiyotlarni qidirishdan boshlanadi. Keyinchalik, biz ushbu mezonlarni, shuningdek, e’tibordan chetda qolishi mumkin bo‘lgan muhim mezonlarni aniqlab, tuzilgan ierarxiyaga joylashtiramiz. Chuqur o‘qitish modellarini taqqoslashning muhim mezonlarini aniqlash uchun biz tibbiyot sohasida Chuqur o‘qitish algoritmlaridan foydalanish bo‘yicha adabiyotlarni ko‘rib chiqdik. Tegishli tadqiqotlarni aniqlash uchun keng qamrovli qidiruv strategiyasi ishlab chiqildi, unda “chuqur o‘qitish”, “sog‘liqni saqlash” va “sog‘liqni saqlash” kabi tegishli kalit so‘zlar va iboralar mavjud. Ushbu tadqiqotlar turli ko‘rsatkichlarni tahlil qilish orqali sog‘liqni saqlash sohasidagi ChO‘ modellarining ishlashi haqida tushunchalar beradi. Har bir tadqiqot o‘rganilgan modellarni, tadqiqotda ko‘rib chiqilgan buzilishlarni va modellarning ishlashini baholash yoki solishtirish uchun ishlatiladigan turli mezon yoki ko‘rsatkichlarni olish uchun tahlil qilindi.[6] Analitik ierarxiya jarayoni (AIJ). Optimal model tanlash uchun kompleks yondashuv shu nuqtai nazardan, MCDM (ChO‘) modellarini solishtirish uchun ishlatilishi mumkin, chunki u bir nechta mezonlarni hisobga olgan holda va turli manfaatdor tomonlarning fikr-mulohazalarini o‘z ichiga olgan variantlar to‘plamidan eng yaxshi alternativni tanlash uchun foydalaniladigan yondashuvdir. U eng mos tanlovni aniqlash uchun qarama-qarshi maqsadlar o‘rtasidagi kelishuvni baholaydi. Boshqa ko‘p mezonli qarorlar (KMQ) usullari bilan solishtirganda, 107

analitik ierarxiya jarayoni (AIJ) o‘zining tizimli yondashuvi va foydalanuvchi imtiyozlarini moslashtirish qulayligi bilan mashhur bo‘lib, u qaror qabul qiluvchilarga murakkab yechim muammolarini tizimli ravishda tuzishga, mezonlarni ierarxiyalarga ajratishga va juftlik taqqoslash orqali nisbiy ahamiyat og‘irliklarini belgilashga imkon beradi [4, 5]. Analitik ierarxiya jarayoni (AIJ) tadqiqotchilarga Chuqur o‘qitish (ChO‘) modellarini tanlashning turli jihatlarini tizimli ravishda baholash va birinchi o‘ringa qo‘yish imkonini beradi, turli taqqoslash va tanlash mezonlariga nisbiy ahamiyat beradi. Ierarxiya omillar bo‘lish va juftlik bilan taqqoslash orqali analitik ierarxiya jarayoni (AIJ) sub’ektiv mulohazalar va afzalliklarni miqdoriy jihatdan aniqlaydi, bu esa algoritmni baholashga oqilona va tizimli yondashuvni ta’minlaydi [6]. 1-algoritm muvofiqlikni tekshirish 1:Kirish: Normallashtirilgan juftlik taqqoslash matritsasi A oʻlchamdagi nn 2: Chiqish: Mustahkamlik nisbati (MN) 3: 1-qadam: Prioritet vektorini hisoblang w 4: har bir qator uchun i1 dan n gacha bajaring 5;Ustuvor vektor elementini wi = 1n nj = 1aij sifatida hisoblang 6: oxirigacha 7: 2-qadam: Asosiy xususiy qiymatni hisoblang maks 8: Aw ni Awi = nj = 1aij wj sifatida hisoblang 9: har bir element uchun i1 dan n gacha bajaring 10: Hisoblash Awi wi 11: oxirigacha 12: maksimalni quyidagicha hisoblang: max = 1n ni = 1Awiwi 13: 3-qadam: Muvofiqlik indeksini (MI) hisoblang 14: MI ni quyidagicha hisoblang: MI = max− n n −1 15: 4-qadam: Muvofiqlik nisbatini (MN) hisoblang 16: Matritsa o‘lchami uchun Tasodifiy indeksni (TI) aniqlang n 17: IN ni quyidagicha hisoblang: IN = IN TI 18: Chiqish: izchillik nisbati (IN) 4.1. Alternativlar mezonlari ballari bazasi Qaror qabul qilish jarayonlarida muayyan mezonlar asosida muqobil variantlarni baholash ko‘pincha ekspertlar ma’lumotlariga tayanadi, bunda ekspertlar o‘z sohasi bo‘yicha bilim va tajribalarini qo‘shadilar. An’anaga ko‘ra, ekspertlar juftlik taqqoslash, har bir mezon uchun muqobillarni tizimli ravishda baholash yoki afzalliklarni aniqlash uchun 1 dan 5 gacha bo‘lgan shkalalar bilan baholash usullaridan foydalanadilar. Bu jarayonni quyidagi bosqichlarda umumlashtirish 2-algoritmda keltirilgan. 2-algoritm alternativlar mezon ballari 1: muqobillarni solishtirish tartibi (ballar bazasi) 2: m alternativalar, n mezonlar 108

3: ma’lumotlar bazasi ballar matritsasi: ma’lumotlar bazasi i j k - bu ball muqobil i mezon uchun j on line k . 4: Ballarni boshlang: 5: i uchun = 1 dan m gacha 6: ball i j 0 Alternativ i uchun mezon j ballini boshlang. 7: oxirigacha 8: Umumiy ballarni hisoblang: 9: i uchun = 1 dan m gacha 10: Bal [𝑖][𝑗] ← 1𝐾𝑖 ∑𝐾𝑖𝑘=1 maʼlumotlar bazasi [𝑖][𝑗][𝑘] ⊳ 𝑗 mezon uchun muqobil 𝑖 uchun oʻrtacha ball 11: oxirigacha 12: Chiqish: 13: Adabiyotdan olingan ma’lumotlarga asoslangan har bir mezon bo‘yicha muqobil baholar. 14: tugatish tartibi 4.1. Sezuvchanlik tahlili Analitik ierarxiya jarayoni (AIJ)da sezuvchanlik tahlili mezon og‘irliklaridagi o‘zgarishlar alternativlar reytingiga qanday ta’sir qilishini o‘qitish uchun ishlatiladi. Bu ma’lum bir mezon uchun belgilangan vaznni uning qiymatini biroz oshirish yoki kamaytirish orqali tizimli ravishda o‘zgartirishni o‘z ichiga oladi. Umumiy og‘irlik summasini 1 (yoki 100 %)da ushlab turish uchun qolgan mezonlarning og‘irligi mutanosib ravishda o‘rnatiladi. Og‘irliklar yangilangandan so‘ng, har bir muqobil uchun yakuniy ballar yangi vazn taqsimoti asosida qayta hisoblab chiqiladi.[7] Bu jarayon reytingning mustahkamligini baholashga va natijalarning mezon og‘irliklaridagi o‘zgarishlarga qanchalik sezgirligini tushunishga yordam beradi va shu bilan qaror qabul qilish jarayonining barqarorligi va ishonchliligi haqida tushuncha beradi. Algoritm Sensitivlik 3 sezgirlikni tahlil qilish bosqichlarini jamlaydi. 3-algoritm 𝑛 mezonlari uchun umumiy sezgirlik tahlili 1: Kirish: 𝑛 mezonlari uchun 𝑤1, 𝑤2, … , 𝑤𝑛 𝐶1, 𝐶2, … , 𝐶𝑛 va ishlash ko‘rsatkichlari bo‘lgan modellar 2: Natija: Model reytinglari va har bir iteratsiya uchun umumiy ballar vazn o‘zgarishi 3: har bir mezon uchun 𝐶𝑖 bunda 𝑖 ∈ {1, 2, … , 𝑛} bajariladi 4: 𝛥 uchun = 0 dan 1 gacha boʻlgan oʻlchamdagi qadamlarda 𝑠 bajaring 5: 𝐶𝑖 mezonining vaznini sozlang: 𝑤𝑖 = 𝛥 6: Qolgan vaznni hisoblang: 𝑊𝑟𝑒𝑚𝑎𝑖𝑛𝑖𝑛𝑔 = 1 − 𝑤𝑖 7: Qolgan vaznni bir-biriga mutanosib ravishda taqsimlang mezonlar: 8: 𝑗 ≠𝑖 bajariladigan har bir 𝐶𝑗 uchun 9: 𝑤𝑗 = 𝑊𝑟𝑒𝑚𝑎𝑖𝑛𝑖𝑛𝑔 ×𝑤𝑗 ∑𝑗≠𝑖 𝑤𝑗 ⊳ Qolgan proportsional sozlash 10: oxirigacha 11: Har bir model 𝑀𝑘 uchun umumiy ballni 𝑆𝑘 qayta hisoblang: 109

12: 𝑆𝑘 = ∑𝑛𝑗=1(𝑤𝑗 × 𝑀𝑘 ning 𝐶𝑗 da ishlashi) 13: Modellarni umumiy ball boʻyicha 𝑆𝑘 kamayish tartibida tartiblang 14: Ushbu iteratsiyada har bir model uchun reyting va umumiy ballarni saqlang 15: oxirigacha 16: oxirigacha 17: Qaytish: Turli xil afzalliklar qaror qabul qilish jarayoniga qanday ta’sir qilishi mumkinligini tushunish uchun biz ikkita aniq mezon bo‘yicha sezgirlik tahlilini o‘tkazdik: aniqlik va aniqlik. Aniqlik, muhim og‘irligi 0,29 bo‘lib, uning ta’siri bo‘yicha barcha mezonlar orasida ikkinchi o‘rinda turadi, bu uning yakuniy qarorga sezilarli ta’sirini ta’kidlaydi. Ushbu yuqori vazn aniqlik mezonidagi o‘zgarishlar alternativalar reytingini sezilarli darajada o‘zgartirishi mumkinligini ko‘rsatadi. Aksincha, og‘irligi 0,94 dan kam bo‘lgan aniqlik umumiy qaror qabul qilish jarayonida nisbatan kichikroq rol o‘ynaydi. Ushbu ikkita mezonni tahlil qilish orqali biz ularning vaznidagi o‘zgarishlar yakuniy reytingga qanday ta’sir qilishini yaxshiroq tushunishimiz mumkin va shu bilan qaror natijalarining ushbu mezonlardagi o‘zgarishlarga nisbatan sezgirligini baholashimiz mumkin [8]. Reytinglarning aniqlik og‘irligidagi o‘zgarishlarga nisbatan sezgirligi shuni ko‘rsatadiki, aniqlik yakuniy qarorda hal qiluvchi rol o‘ynaydi va uning vaznidagi tebranishlar modellar reytingida muhim o‘zgarishlarga olib kelishi mumkin. Ushbu topilma qaror qabul qilishning joriy ssenariysi aniqlik mezoniga sezgir ekanligini anglatadi va uning umumiy baholashga sezilarli ta’sirini ta’kidlaydi Xulosa. Ushbu tadqiqot sog‘liqni saqlash sohasida chuqur o‘qitish (ChO‘) modellarini samarali baholash va tanlash muammosiga bag‘ishlangan. Chuqur o‘qitish (ChO‘)ning sog‘liqni saqlashga integratsiyalashuvi tibbiyotning turli sohalarida sezilarli o‘zgarishlarga olib keldi. Ta’kidlash joizki, Chuqur o‘qitish (ChO‘)ning modellari erta tashxis qo‘yish va samarali davolash strategiyalariga hissa qo‘shib, tasvirni shakllantirish va kasalliklarni aniqlash kabi vazifalarda ajoyib samaradorlikni ko‘rsatdi. An’anaviy analitik ierarxiya jarayoni (AIJ) yondashuvlaridan chetga chiqib, biz tegishli adabiyotlar natijalari asosida turli mezonlar bo‘yicha ishlashiga asoslangan chuqur o‘qitish modellariga ustuvorlik berib, ma’lumotlarga asoslangan qaror qabul qilish jarayonini taklif qilamiz.[9] Turli xil tadqiqotlardan olingan katta hajmdagi empirik topilmalarni jamlash orqali biz taqqoslashlarning aniqligi va ishonchliligini oshirishimiz mumkin va shu bilan yanada aniqroq baholash va qaror qabul qilish jarayonlarini osonlashtiramiz. Birinchidan, haqiqiy dunyo klinik ma’lumotlarini va sog‘liqni saqlash mutaxassislarining fikr-mulohazalarini o‘z ichiga olgan asosni kengaytirish uning amaliy ahamiyati va aniqligini oshiradi. Bu muayyan sog‘liqni saqlash kontekstlari uchun mezonlarni tanlash uchun domen mutaxassislari bilan ishlashni o‘z ichiga olishi mumkin. Foydalanilgan adabiyotlar 110

1. Farzan Shenavarmasouleh., Farid Ghareh Mohammadi., Khaled M., Rasheed, Hamid R, (2023). Arabnia, Deep learning in healthcare: An in-depth analysis, preprint arxiv: 2302.10904. 2. Yahui Jiang., Meng Yang., Shuhao Wang., Xiangchun Li., Yan Sun, (2020). Emerging role of deep learning-based artificial intelligence in tumor pathology, Cancer Commun. 40 (4) 154–166. 3. Ahsan Habib., Chandan Karmakar., John Yearwood, (2023). Optimising complexity of CNN models for resource constrained devices: QRS detection case study, preprint arxiv: 2301.09232. 4. Madjid Tavana., Mehdi Soltanifar., Francisco J., Santos-Arteaga., (2023). Analytical hierarchy process: Revolution and evolution, Ann. Oper. Res. 326 (2) 879–907. 5. Sarbast Moslem., Muhammet Deveci., Francesco Pilla, (2024). A novel best-worst method and Kendall model integration for optimal selection of digital voting tools to enhance citizen engagement in public decision making, Decis. Anal. J. 10 100378. 6. Shahid Ahmad Wani., S.M.K. Quadri., Gowhar Mohiudin, (2022). Applications, issues, and deep learning analysis of electronic health records, in: International Conference on Signal Processing and Integrated Networks, Springer, pp. 43–58. 7. Ngumimi Karen Iyortsuun., Soo-Hyung Kim., Min Jhon., Hyung-Jeong Yang, Sudarshan Pant, (2023). A review of machine learning and deep learning approaches on mental health diagnosis, in: Healthcare, vol. 11, (no. 3) MDPI, p. 285 8. Irina Canco., Drita Kruja., Tiberiu Iancu, (2021). AHP, a reliable method for quality decision making: A case study in business, Sustainability 13 (24) 13932. 9. Isselmou Abd El Kader., Guizhi Xu., Zhang Shuai., Sani Saminu., Imran Javaid., Isah Salim Ahmad., Souha Kamhi, (2021). Brain tumor detection and classification on MR images by a deep wavelet auto-encoder model, Diagnostics 11 (9) 1589. OVOZLI SUN’IY INTELLEKT YORDAMCHI YARATISH VA TOVAR TIJORAT HUJJATLARINI SUN’IY INTELLEKT TEXNOLOGIYALARINI QO‘LLAGAN HOLDA TAHLIL QILISH ISTIQBOLLARI Shuxratov Shoxijaxonbek, Bojxona instituti 4-kurs kursanti, e-mail: shuxratovshoxijaxonbek@gmail.com Ergashev Qobiljon, “Bojxona nazorati” kafedrasi katta o‘qituvchisi, e-mail: qobiljon881023@mail.ru Annotatsiya. Ushbu maqolada sun’iy intellekt texnologiyalarining ikki muhim qo‘llanish sohasi – bojxona sohasida tijorat hujjatlarini OCR texnologiyasi orqali tahlil qilish va o‘zbek tili uchun ovozli yordamchi yaratish bo‘yicha zamonaviy yechimlar tahlil qilingan. Tadqiqot natijalari yuqori aniqlik, past kechikish, maxfiylik va iqtisodiy samaradorlikni ta’minlash imkoniyatlarini aniqlashga qaratilgan. Kalit so‘zlar: sun’iy intellekt, ovozli yordamchi, OCR texnologiyasi, nutqni tanib olish, bojxona nazorati, hujjatlarni raqamlashtirish, gibrid arxitektura, mashinali o‘qitish, real vaqt qayta ishlash, raqamli transformatsiya. Аннотация. В данной статье анализируются современные решения в двух важных областях применения технологий искусственного интеллекта: анализ коммерческих документов в таможенной сфере с использованием технологии OCR и создание голосового ассистента для узбекского языка. Результаты исследования направлены на выявление возможностей обеспечения высокой точности, низкой задержки, конфиденциальности и экономической эффективности. Ключевые слова: искусственный интеллект, голосовой ассистент, технология OCR, распознавание речи, таможенный контроль, цифровизация документов, гибридная 111

архитектура, машинное обучение, обработка в реальном времени, цифровая трансформация. Abstract. This article analyzes modern solutions in two important areas of artificial intelligence technology application: analyzing commercial documents in the customs sphere using OCR technology and creating a voice assistant for the Uzbek language. The research results aim to identify opportunities for ensuring high accuracy, low latency, privacy, and economic efficiency. Keywords: artificial intelligence, voice assistant, OCR technology, speech recognition, customs control, document digitalization, hybrid architecture, machine learning, real-time processing, digital transformation. Kirish. Sun’iy intellekt (AI) va tabiiy tilni qayta ishlash (NLP) texnologiyalari butun dunyo bo‘ylab inson omili tomonidan bajariladigan ishlarni avtomatlashtirish orqali samaradorlikni oshirayotgan va qaror qabul qilishni yaxshilayotgan bir paytda bojxona operatsiyalariga ham o‘zining ta’sirini oʻtkazmasdan qolmaydi. Hozirda hujjatlarga ma’lumot kiritish va ularni tahlil qilish jarayonlari eng ko‘p avtomatlashtirish ishlari olib borilayotgan yo‘nalishlar bo‘lib qolmoqda[1]. Jumladan, Braziliya mamlakati o‘zining “Secretaria Especial da Receita Federal do Brasil” (RFB) deb nomlanuvchi bojxona organida sun’iy intellekt texnologiyalarini qo‘llash bo‘yicha 2020-yil 24-noyabrda “Decreto nº 10.550/2020” prezident farmonini qabul qilgan. Ushbu farmonning 5-moddasi 5.3-bandida “Bojxona hujjatlarini tekshirish uchun avtomatlashtirilgan tizimlar va sun’iy intellekt algoritmlarini ishlab chiqish milliy bojxona modernizatsiyasi dasturining ustuvor yo‘nalishi” sifatida belgilab o‘tilgan va ushbu dasturni 2026-yilda butun mamlakat miqyosida to‘liq joriy etish vazifasi berilgan. Ushbu o‘zgarishlar orqali bojxona rasmiylashtiruvi uchun sarflanadigan vaqtini 60 %ga qisqartirish, korrupsiya va qonunbuzarlik holatlarini 25 %ga kamaytirish va savdo hajmini yiliga 7 – 9 %ga oshirish kabi natijalar kutilmoqda[2]. Bundan tashqari, Xitoy mamlakati bojxona tizimida 2020-yil dekabrdan boshlab “Intelligent Examination” texnologiyasi qo‘llanila boshlangan. Mazkur tizim bojxona organlariga taqdim etiladigan tovar to‘g‘risidagi barcha hujjatlarni 100 % avtomatlashtirilgan holda tekshirish uchun AI algoritmlardan foydalanadi. Ushbu texnologiyani qo‘llash orqali yuk tekshiruvi uchun sarflanadigan vaqt avvalgi 18,5 daqiqadan 8,8 daqiqaga, ya’ni 52,4 %ga qisqartirildi va hujjatli tekshiruvni amalga oshirish vaqti esa o‘rtacha 67 %ga qisqartirildi[3]. Zamonaviy bojxona xizmatlarida tovarlarning tijorat hujjatlarini tezkor va aniq qayta ishlash muhim ahamiyatga ega. Import-eksport operatsiyalarining hajmi oshib borishi bilan qog‘oz ko‘rinishidagi hujjatlarni qo‘lda qayta ishlash jarayoni sezilarli muammolarga olib kelmoqda. Bu muammolarni hal qilish maqsadida sun’iy intellekt texnologiyalari, xususan, optik belgilarni tanib olish (OCR – Optical Character Recognition) texnologiyasi keng qo‘llanilmoqda. O‘zbekiston Respublikasida ham bojxona tizimini modernizatsiya qilish va sun’iy intellekt texnologiyalarini joriy etish bo‘yicha muhim qarorlar qabul qilingan. 2025-yil 25-mart kuni O‘zbekiston Respublikasi Prezidentining “Davlat bojxona xizmati organlarining faoliyati samaradorligini oshirish bo‘yicha choratadbirlar to‘g‘risida”gi 57-son farmoni qabul qilindi. Farmonning 2-ilovasi bilan 112

tasdiqlangan “Bojxona organlari faoliyatini raqamlashtirish hamda sohaga startap loyihalar va sun’iy intellekt texnologiyalarini joriy etish bo‘yicha kompleks choratadbirlar rejasi”ning II bo‘limida 2027-yilning may oyiga qadar “Bojxona organlariga taqdim etilayotgan qog‘oz ko‘rinishidagi ma’lumotlarni sun’iy intellekt elementlarini qo‘llagan holda elektron ko‘rinishga o‘tkazish va tahlil qilish imkonini o‘rganish yuzasidan tadqiqot olib borish” vazifasi belgilab qo‘yilgan. [4] OCR texnologiyasining asosiy bosqichlari: OCR texnologiyasi yordamida tijorat hujjatlarini qayta ishlash jarayoni besh asosiy bosqichdan iborat bo‘lib, har bir bosqich o‘z navbatida bir qator murakkab operatsiyalarni o‘z ichiga oladi. 1-bosqich: hujjatni tasvirga olish (image acquisition) Bu bosqichning asosiy maqsadi qog‘oz ko‘rinishidagi hujjatni raqamli tasvirga aylantirish hisoblanadi. Hujjatni raqamli tasvirga aylantirish jarayoni ikki asosiy usul orqali amalga oshirilishi mumkin. Skanerlash usuli: Hujjatlarni maxsus skaner yordamida raqamli formatga o‘tkazish eng yuqori sifatli natijani beradi. Professional skanerlar odatda 300 DPI (dots per inch - dyuym uchun nuqtalar soni) yoki undan yuqori aniqlikda hujjatlarni skanerlash imkonini beradi. Bu aniqlik darajasi hujjatdagi eng mayda matnlarni ham aniq qayd etish uchun yetarli hisoblanadi. Skanerlar yordamida skanerlashda hujjat bir tekis yoritiladi va turli burchaklardan tushgan soyalar yoki yorug‘lik o‘zgarishlari minimal darajada bo‘ladi. Shuningdek, zamonaviy skanerlar avtomatik ravishda bir nechta sahifalarni ketma-ket skanerlash va ularni alohida fayllar sifatida saqlash imkoniyatiga ega. Suratga olish usuli: Smartfon yoki raqamli kamera yordamida hujjatni suratga olish ham mumkin. Bu usul skanerlash usulidan ko‘ra qulay va tezkor bo‘lsa-da, bir qator talablarni hisobga olish zarur. Suratga olishda yorug‘likning yetarli ekanligi, tasvirning xiralashmaganligi va aniq bo‘lishi muhim ahamiyatga ega. Hujjat tekis yuzada joylashtirilishi va kamera obyektivi hujjatga nisbatan to‘g‘ri burchak ostida bo‘lishi kerak. Zamonaviy mobil ilovalar tasvirni avtomatik ravishda kesish, to‘g‘rilash va sifatini yaxshilash imkoniyatlariga ega bo‘lib, bu suratga olish usulining samaradorligini sezilarli darajada oshiradi. Qaysi usul tanlanganidan qat’iy nazar, olingan tasvir keyingi bosqichlarda qayta ishlash uchun PDF, JPEG yoki PNG formatlarida saqlanadi. Har bir formatning o‘ziga xos afzalliklari mavjud: PDF formati ko‘p sahifali hujjatlar uchun qulay, JPEG formati hajmni kamaytirish imkonini beradi, PNG formati esa yo‘qotishsiz siqish hisobiga yuqori sifatni ta’minlaydi. 2-bosqich: tasvirga dastlabki ishlov berish (image pre-processing) Tasvirga olingan hujjat OCR dasturi uchun optimal holatga keltirilishi zarur. Bu bosqichda tasvir tanib olish aniqligini sezilarli darajada oshiradi va keyingi bosqichlardagi xatoliklarni kamaytiradi. To‘g‘rilash (Deskew): Skanerlash yoki suratga olish paytida bir oz qiyshayib qolgan hujjat tasviri to‘g‘rilanadi. Bu jarayon maxsus algoritmlar yordamida avtomatik amalga oshiriladi. Algoritm hujjatdagi satrlarning yoki cheklara chiziqlari yo‘nalishini tahlil qilib, qancha gradus aylantirilishi kerakligini 113

aniqlaydi. To‘g‘rilash jarayoni hujjatdagi matnlarni gorizontal yo‘nalishda joylashtirib, keyingi bosqichlarda satrlarni va so‘zlarni ajratishni osonlashtiradi. Shovqinni tozalash (Denoising): Tasvirdagi keraksiz nuqtalar, chiziqlar va dog‘lar olib tashlanadi. Shovqinlar turli sabablarga ko‘ra paydo bo‘lishi mumkin: skaner yuzasidagi chang zarralar, hujjatning o‘zidagi dog‘lar, skanerlash jarayonidagi texnik muammolar yoki yorug‘lik sharoitlari. Maxsus filtrlar (Gaussian filter, Median filter) yordamida bu shovqinlar bartaraf etiladi. Shovqinlarni tozalash jarayonida asosiy matn ma’lumotlarini yo‘qotmaslik uchun ehtiyotkor yondashiladi. Binarizatsiya (Binarization): Tasvir oq-qora rangga o‘tkaziladi. Bu matn belgilarini (qora) fondan (oq) aniq ajratib olishga yordam beradi. Binarizatsiya jarayonida har bir piksel uchun chegara qiymati (threshold) belgilanadi va bu qiymatdan ochroq piksellar oq rangga, quyuqroq piksellar esa qora rangga aylantiriladi. Zamonaviy tizimlar adaptiv binarizatsiya usullarini qo‘llaydi, ya’ni har bir hudud uchun alohida chegara qiymati hisoblanadi, bu esa turli xil yoritilgan qismlar bo‘lgan hujjatlar uchun juda samarali. Orrientatsiyani aniqlash: Hujjatning to‘g‘ri (yuqoriga qarab) joylashganligi tekshiriladi va kerak bo‘lsa, aylantirilib to‘g‘rilanadi. Ba’zi hujjatlar 90, 180 yoki 270 gradusga aylantirilib qolgan bo‘lishi mumkin. Tizim matnning yo‘nalishini tahlil qilib, hujjatni to‘g‘ri holatga keltiradi. Bu jarayon harf shakllarini tahlil qilish va matn bloklar yo‘nalishini aniqlash orqali amalga oshiriladi. Kesish (Cropping): Hujjatning faqat matn joylashgan qismi qoldiriladi va ortiqcha fon kesib tashlanadi. Bu jarayon qayta ishlash tezligini oshiradi va tizimni faqat zaruriy ma’lumotlarga e’tibor qaratishga undaydi. Zamonaviy algoritmlar avtomatik ravishda hujjat chegaralarini aniqlab, keraksiz chekkalarni kesib tashlaydi. 1-rasm. OCR dasturining hujjat yuklangandagi ko‘rinishi 3-bosqich: matnni tanib olish (text recognition) Bu OCR jarayonining asosiy hisoblanadi. Dastlabki ishlov berilgan tasvir tahlil qilinib, undagi belgilar matnga aylantiriladi. Layout tahlili (Layout Analysis): Dastur hujjatdagi matn bloklari, ustunlar, jadvallar va rasmlarni aniqlaydi. Bu bosqichda hujjatning strukturasi to‘liq tahlil qilinadi va har bir element turi aniqlanadi. Masalan, tijorat hujjati raqami, importyor va eksportyor to‘g‘risida ma’lumotlar, tovarlar nomlari va miqdorlari, 114

jami summa va imzo qismlari alohida-alohida aniqlanadi. Layout tahlili natijasida hujjatning ierarxik strukturasi tuziladi va har bir element o‘z o‘rnini va boshqa elementlar bilan bog‘liqligini “biladi”. Satr va so‘zlarni ajratish: Matn bloklari alohida satrlarga, satrlar esa so‘zlarga bo‘linadi. Bu jarayon matnlar orasidagi bo‘shliqlarni tahlil qilish orqali amalga oshiriladi. Tizim gorizontal proyeksiya profilini tahlil qilib, satrlar orasidagi bo‘shliqlarni aniqlaydi, so‘ngra vertikal proyeksiya yordamida so‘zlar orasidagi bo‘shliqlarni topadi. Ba’zi hujjatlarda satrlar to‘g‘ri chiziqda emas, balki egri chiziq bo‘ylab ketishi mumkin (masalan, qo‘l bilan yozilgan hujjatlarda), bunday holatlarda maxsus algoritmlar qo‘llaniladi. Belgilarni segmentlash (Character Segmentation): So‘zlar ichidagi har bir belgi (harf, raqam, tinish belgisi) alohida segmentlarga ajratiladi. Bu jarayon juda muhim, chunki har bir belgini to‘g‘ri ajratish umumiy tanib olish aniqligiga bevosita ta‘sir qiladi. Ba’zi hollarda belgilar bir-biriga yopishib ketgan bo‘lishi mumkin (masalan, "rn" kombinatsiyasi "m" harfiga o‘xshab ketishi mumkin), yoki aksincha, bitta harf bir necha qismga bo‘linib ketgan bo‘lishi mumkin. Belgilarni tanib olish (Character Recognition): Maxsus algoritmlar (feature detection va neyron tarmoqlar) yordamida har bir segmentdagi belgi uning shakliga qarab aniqlanadi va kompyuter tushunadigan kodga (ASCII yoki Unicode) o‘giriladi. Zamonaviy OCR tizimlari chuqur o‘rganish (deep learning) texnologiyalariga asoslangan bo‘lib, millionlab belgi namunalari asosida o‘rgatilgan. Bu tizimlar turli xil shrift turlari, o‘lchamlar va hatto qo‘l yozuvi bilan yozilgan matnlarni ham taniy oladi. Tanib olish jarayonida tizim har bir belgi uchun ehtimollik darajasini hisoblab chiqadi, masalan, "o" harfi 95 % ehtimollik bilan "o" va 5% ehtimollik bilan "0" (nol raqami) bo‘lishi mumkinligini ko‘rsatadi. 4-bosqich: yakuniy ishlov berish va verifikatsiya (post-processing & verification) Dastlabki tanib olingan matnda xatoliklar bo‘lishi mumkin. Bu bosqichda natijalar tekshiriladi va to‘g‘rilanadi. Kontekstual tahlil: Sun’iy intellekt elementlari yordamida so‘zlarning gapdagi o‘rni va ma’nosi tahlil qilinib, mantiqiy xatolar to‘g‘rilanadi. Masalan, agar fakturada raqam bo‘lishi kerak joyda harf tanib olingan bo‘lsa (masalan, "1" o‘rniga "l" harfi yoki "0" o‘rniga "O" harfi), kontekstual tahlil orqali bu xato to‘g‘rilanadi. Inson tomonidan tekshirish (Human Verification): Yuqori aniqlik talab etiladigan hollarda, dastur tomonidan ishonchsiz deb topilgan so‘zlar yoki belgilar operator tomonidan qo‘lda tekshiriladi va to‘g‘rilanadi. Tizim shubhali joylarni maxsus belgi bilan ajratib ko‘rsatadi va operator faqat shu joylarga e’tibor beradi. Bu yondashuv to‘liq qo‘lda kiritishga nisbatan ancha tezkor va samarali. Ayniqsa, qo‘l bilan yozilgan hujjatlar yoki sifati past hujjatlar uchun inson nazorati zarur bo‘ladi. 5-bosqich: ma’lumotlarni strukturalash va eksport qilish (data structuring & export) 115

Oddiy matnni olgandan so‘ng, ko‘pincha undan kerakli ma’lumotlarni ajratib olish va ularni ma’lum bir formatga keltirish talab etiladi. Ma’lumotlarni ajratib olish (Data Extraction): Ayniqsa, ST-1 va Forma A kabi kelib chiqish sertifikatlari, CMR yoki invoice kabi standart hujjatlarda kerakli maydonlar (sana, summa, ism-sharif, kompaniya nomi va hokazo) avtomatik tarzda topiladi va alohida ajratib olinadi. Bu jarayon shablonlar (templates) yordamida amalga oshiriladi. Har bir hujjat turi uchun alohida shablon yaratiladi, bu shablonda zaruriy ma’lumotlar qayerda joylashganligi ko‘rsatilgan. Masalan, kelib chiqish sertifikatidan quyidagi ma’lumotlar ajratib olinadi: hujjat raqami va sanasi, yetkazib beruvchi ma’lumotlari, xaridor ma’lumotlari, tovar nomi, miqdori, ishlab chiqaruvchi mamlakat, jo‘natilayotgan mamlakat, invoice raqami va sanasi. 2-rasm. OCR dasturining yuklangan hujjatdagi ma’lumotlarni JSON formatida ajratib berishi natijasi Formatlash va eksport: Tahlil qilingan va strukturalangan ma’lumotlar foydalanuvchi uchun qulay formatda saqlanadi. Bu tahrirlanadigan Word formatdagi hujjat, Excel jadvallar, qidirish mumkin bo‘lgan PDF fayli yoki to‘g‘ridan-to‘g‘ri ma’lumotlar bazasiga yoziladigan JSON yoki XML fayli bo‘lishi mumkin. OCR texnologiyasini bojxona sohasida qo‘llash natijasida bir qator muhim afzalliklar erishiladi va jarayonlar sezilarli darajada takomillashtiriladi: ✓ Qayta ishlash tezligining oshishi: qo‘lda bir hujjatni tekshirish bir necha daqiqadan bir necha soatgacha vaqt olishi mumkin. OCR tizimi esa bir necha soniya ichida bir xil vazifani bajaradi. Masalan, bir sahifali hujjatni qo‘lda tekshirish o‘rtacha 5 – 10 daqiqa davom etsa, OCR tizimi buni 10 – 30 soniya ichida bajaradi. Agar kuniga 100 ta hujjat qayta ishlanishi kerak bo‘lsa, qo‘lda tekshirishda 8 – 16 soat vaqt ketadi, OCR yordamida esa bu jarayon 30 – 60 daqiqaga qisqaradi. ✓ Xatoliklarning kamayishi: inson omili tufayli qo‘lda ma’lumot kiritishda xatolar chastotasi, odatda 1 – 3 % atrofida bo‘ladi. Zamonaviy OCR tizimlari esa 99 % va undan yuqori aniqlikka erishadi. Ayniqsa, sun’iy intellekt elementlari qo‘shilgan tizimlarda kontekstual tahlil va avtomatik to‘g‘rilash xatolar sonini yanada kamaytiradi. 116

✓ Xodimlar samaradorligining oshishi: bojxona xodimlari murakkab va muhim vazifalar ustida ishlash uchun ko‘proq vaqtga ega bo‘ladi. Ular oddiy ma’lumot kiritish o‘rniga, hujjatlarni tahlil qilish, nomuvofiqliklarni tekshirish va qaror qabul qilish kabi yuqori malaka talab qiladigan ishlar bilan shug‘ullanadi. ✓ 24/7 ishlash imkoniyati: OCR tizimi kechayu kunduz to‘xtovsiz faoliyat ko‘rsatish qobiliyatiga ega. Dam olish kunlari va bayram kunlarida ham tizim ishlaydi. Bu ayniqsa xalqaro savdo uchun muhim, chunki turli vaqt mintaqalaridan hujjatlar har qanday vaqtda kelishi mumkin. ✓ Ma’lumotlar arxivini yaratish: har bir qayta ishlangan hujjat va uning natijalari maxsus ma’lumotlar bazasida saqlanadi. Bu arxiv kerak bo‘lganda tezda qidirib topish, statistik tahlillar o‘tkazish va tarixiy ma’lumotlarni ko‘rib chiqish imkonini beradi. Ma’lumotlar bazasida qidirish bir necha soniya ichida amalga oshiriladi, bu qog‘oz arxivdan kerakli hujjatni topishga nisbatan ming marta tezroq. ✓ Avtomatik taqqoslash imkoniyati: OCR yordamida ajratib olingan ma’lumotlar avtomatik ravishda bojxona yuk deklaratsiyasidagi ma’lumotlar bilan taqqoslanadi. Tizim deklaratsiyada ko‘rsatilgan tovar nomi, miqdori, qiymati kabi ma’lumotlarni taqdim etilgan hujjatlardagi ma’lumotlar bilan bir soniya ichida solishtiradi. Har qanday nomuvofiqlik holatlari avtomatik ravishda aniqlanadi va xodim diqqatiga havola qilinadi. Bu xavflarni boshqarish tizimining samaradorligini sezilarli darajada oshiradi. ✓ Integrasiya imkoniyatlari: zamonaviy OCR tizimlari boshqa dasturiy ta’minot yechimlari bilan oson integratsiya qilinadi. Ular mavjud bojxona axborot tizimlari, ERP (Enterprise Resource Planning) tizimlari, CRM (Customer Relationship Management) tizimlari va boshqa korporativ ilovalar bilan bog‘lanishi mumkin. Bu ma’lumotlar oqimini to‘liq avtomatlashtirish va manual intervensiyani minimal darajaga tushirish imkonini beradi. XXI asrda ovozli sun’iy intellekt yordamchilari global miqyosda keng qo‘llanilmoqda. Amazon Alexa, Apple Siri, Google Assistant kabi platformalar millionlab foydalanuvchilarga tabiiy til orqali texnologiya bilan muloqot qilish imkonini bermoqda. Biroq, o‘zbek tili kabi kam resursli tillar uchun yuqori sifatli yechimlar yetishmasligi kuzatilmoqda. Ovozli yordamchi tizimining yaratilishi murakkab texnologik komponentlarni birlashtirish va optimal integratsiya qilishni talab etadi. Quyida o‘zbek tili uchun ishlab chiqilgan ovozli yordamchining texnik arxitekturasi va ishlash prinsiplari tahlil qilingan [5]. Tizimning umumiy arxitekturasi. Ovozli yordamchi tizimi uchta asosiy komponentdan iborat: Nutqni matnga o‘tkazish (STT): foydalanuvchi ovozini matn formatiga o‘tkazuvchi modul lokal serverda joylashtirilgan. Bu ovoz ma’lumotlarining maxfiyligini ta’minlaydi. Katta til modeli (LLM): foydalanuvchi so‘rovini tushunish va javob generatsiya qiluvchi modul bulutli API orqali ishlaydi. Model 100 dan ortiq tilni qo‘llab-quvvatlaydi. 117

Matnni ovozga o‘tkazish (TTS): javob matnini tabiiy ovozga aylantiruvchi modul lokal serverda joylashtirilgan. Tizim ishlash jarayoni: foydalanuvchi ovozi WebSocket orqali serverga uzatiladi → STT matnga o‘tkazadi → LLM javob yaratadi → TTS ovozga aylantiradi. Butun jarayon 1,8 soniya davom etadi. Nutqni matnga o‘tkazish (STT) komponenti. O‘zbek tili uchun nutqni tanib olish modeli ko‘p tilli nutqni aniqlash modelidan olingan va o‘zbek tili uchun maxsus sozlangan. Model 680,000 soatlik audio ma’lumotlar asosida o‘rgatilgan. O‘zbek tili uchun optimal natijalar olish maqsadida fine-tuning jarayoni qo‘llanildi [6]. O‘qitish ma’lumotlari: Mozilla Common Voice loyihasining o‘zbek tili versiyasidan 35 – 40 soatlik tozalangan audio yozuvlar va matnli transkripsiyalar ishlatildi. Ma’lumotlar turli yoshdagi va dialektli so‘zlovchilarning ovozlarini o‘z ichiga oladi. Fine-tuning jarayoni uch bosqichdan iborat: 1. Audio fayllarni standart formatga (16 kHz, mono) o‘tkazish va matnlarni tozalash. 2. Model parametrlarini o‘zbek tilining fonetik xususiyatlariga moslash. 3. WER (Word Error Rate) metriki yordamida baholash. Model o‘zbek tili uchun 6 % WER ko‘rsatkichiga erishdi, bu 94 % aniqlikni anglatadi. Tizimda qo‘llanilishi: Audio qabul qilish → Faylni yig‘ish → 16 kHz ga standartlashtirish → Pipeline qayta ishlash → Matnni olish. Jarayon 0.6 soniya davom etadi. Ichki mexanizm: Model Encoder-Decoder arxitekturasiga asoslangan. Encoder audio to‘lqinni matematik tasvirga aylantiradi, Decoder esa bu tasvirdan matn generatsiya qiladi. Attention mexanizmi har bir yangi so‘zni yozishdan oldin kontekstga “diqqat qaratadi”. Matnni ovozga o‘tkazish (TTS) komponenti. Matnni tabiiy ovozga o‘tkazish uchun 1,100 dan ortiq tilni qo‘llab-quvvatlovchi ko‘p tilli model ishlatildi. Model oldindan o‘rgatilgan va qo‘shimcha sozlash talab qilmaydi [7]. Model lokal serverda joylashtirilgan bo‘lib, quyidagi afzalliklarni beradi: internet aloqasiga bog‘liq emas, tezroq qayta ishlash, maxfiylikni ta’minlash, API xarajatlari yo‘q. Qayta ishlash zanjiri: 1. Javob matni lotin alifbosida olinadi 2. Kirill alifbosiga transliteratsiya (sh→ш, ch→ч, o‘→ў, g‘→ғ) 3. Keraksiz belgilar olib tashlanadi 4. Ovoz to‘lqini generatsiya qilinadi 5. wav formatida saqlanadi Jarayon 0.8 soniya davom etadi. Model 22 kHz namuna chastotasida ishlaydi va 4.2/5 sifat baholashiga ega. Katta til modeli(LLM) integratsiyasi 118