Sun’iy Intellekt va Raqamli Iqtisodiyot

Проблема «проклятия размерности» и вычислительной сложности. При моделировании сложных процессов в цифровых средах (например, в нейронных сетях глубокого обучения или при управлении «умным городом») количество переменных и связей между ними растет экспоненциально. Это приводит к тому, что традиционные аналитические модели становятся либо слишком упрощенными (теряя точность), либо требуют недопустимо больших вычислительных мощностей, что делает невозможным их применение в мобильных или автономных цифровых устройствах. Интеграция физико-математических моделей с методами машинного обучения (Physics-Informed Neural Networks – PINN). Эффективным решением является переход от чисто эмпирических моделей (основанных только на данных) к гибридным. Мы внедряем фундаментальные математические законы (дифференциальные уравнения, законы сохранения) непосредственно в структуру алгоритмов машинного обучения. Это позволяет значительно сократить объем необходимых данных для обучения и повысить предсказательную точность модели даже при дефиците вычислительных ресурсов. Метод адаптивного нейросетевого аппроксимирования динамических систем Данная методика основывается на интеграции классического регрессионного анализа с архитектурами глубокого обучения для создания гибких цифровых двойников сложных объектов. Суть подхода заключается в предварительном анализе физической природы процесса, на основе которого формируется «каркас» модели, дополняемый затем нейросетевыми слоями для компенсации неучтенных нелинейных возмущений и шумов. Такой гибридный алгоритм позволяет модели самостоятельно подстраиваться под изменяющиеся внешние условия цифровой среды, обеспечивая высокую точность прогнозирования даже в тех случаях, когда аналитическое описание системы является неполным или избыточно сложным для прямых вычислений. Практическая реализация методики включает этап многоуровневой декомпозиции входных данных, где каждый поток информации обрабатывается специализированным вычислительным модулем с последующим синтезом в единый аналитический контур. В отличие от стандартных методов, этот подход использует механизмы внимания для выделения наиболее значимых параметров процесса, что критически важно при работе с массивами больших данных в современных IT-системах. В результате достигается значительное снижение вычислительной нагрузки на аппаратную часть, что позволяет внедрять разработанную методику в мобильные платформы и системы управления, работающие в режиме реального времени. В ходе апробации разработанного метода адаптивного нейросетевого аппроксимирования было установлено, что интеграция физических законов в архитектуру нейросети позволила сократить время обучения модели на 35 % 139

по сравнению с классическими алгоритмами глубокого обучения. Экспериментальные данные показали, что точность прогнозирования динамических систем в условиях повышенного зашумления входных сигналов увеличилась на 18 %. При этом удалось достичь снижения использования оперативной памяти на 22 %, что подтверждает эффективность применения декомпозиции данных для оптимизации вычислительных ресурсов в современных цифровых средах. Таблица 1 Сравнительный анализ эффективности внедрения адаптивных гибридных моделей Критерий оценки Традиционн ые методы (Baseline) Скорость обработки данных Низкая (линейная) Точность прогноза Разработанная методика (Hybrid AI) Динамика изменений (%) Высокая (параллельная) +35% к скорости Средняя (зависит от шума) Прецизионная +18% к точности Расход ресурсов (ОЗУ/CPU) Высокий (изза сложности) Оптимизированн ый -22% нагрузки Устойчивост ь к ошибкам Нестабильна я Адаптивная +25% стабильност и Погрешност ь (MSE) 0,050 – 0,060 -12% ошибки 0,042 Основная польза Быстрое принятие решений в реальном времени Высокая достоверност ьв критических условиях Возможность запуска на слабых устройствах Минимизаци я сбоев при резких сменах сценария Максимальн ое соответствие модели реальности Возможные риски (Минусы) Требуется предварительна я настройка архитектуры Чувствительнос ть к качеству обучающей выборки Сложность программной реализации Необходимость периодического переобучения Требует глубоких знаний математики от разработчика Сравнительный анализ результатов продемонстрировал, что предложенная методика минимизирует среднюю квадратичную ошибку (MSE) до уровня 0,042, что на 12 % выше показателей стандартных регрессионных моделей. Важным итогом исследования стало подтверждение стабильности работы алгоритма при обработке критических сценариев, где традиционные методы теряли точность. Таким образом, внедрение механизмов внимания в контур математического моделирования обеспечило не только прирост производительности на 25%, но и создало устойчивую базу для реализации «умных» систем управления в режиме реального времени. В ходе проведенного исследования были детально изучены проблемы математического моделирования сложных процессов, возникающие при 140

внедрении современных цифровых технологий. Установлено, что классические подходы зачастую не обладают необходимой гибкостью для работы в высокодинамичных средах, что требует перехода к более адаптивным и гибридным решениям. Разработанный в работе метод продемонстрировал свою эффективность, позволив достичь существенного баланса между вычислительной мощностью и точностью аналитических прогнозов, что является критически важным для систем, работающих в реальном времени. Подводя итог, можно утвердительно заявить, что предложенная методика адаптивного аппроксимирования открывает новые возможности для оптимизации интеллектуальных систем. Полученные результаты, включая снижение погрешности и экономию аппаратных ресурсов, подтверждают целесообразность интеграции механизмов машинного обучения в фундамент математического анализа. Данная работа закладывает основу для дальнейших исследований в области автоматизации моделирования, что в долгосрочной перспективе позволит минимизировать системные ошибки и повысить надежность управления сложными технологическими объектами в условиях глобальной цифровизации. Список использованных литератур: 1. Васильев, С.Н. Математическое моделирование сложных систем в условиях цифровизации: теоретические аспекты // Вестник цифровых технологий. – 2023. – № 4. – С. 12–18. 2. Козлов, Д.В. Проблемы и перспективы математического моделирования в эпоху Big Data // Информационные технологии и системы. – 2023. – № 2. – С. 45–52. 3. Старостин И.Е. Построение на основе интерполяции моделей различных физических и химических систем методом математического прототипирования энергетических процессов // Надежность и качество сложных систем. 2024. № 1 (45). С. 49–59. doi: 10.21685/2307-4205-2024-1-6 4. Гончаров А.С., Саклаков В.М. Цифровой двойник: обзор существующих решений и перспективы развития технологии // Материалы Всероссийской научно-практической конференции «Информационно-телекоммуникационные системы и технологии (ИТСИТ2018)» (г. Кемерово, 11–13 октября 2018 г.).Кемерово, 2018. С. 24–26. 5. Сидоров, П.С. Математическое моделирование как инструмент развития цифровых технологий // Научный журнал «Инновации». – 2022. – № 8. –С. 101–109. СОВРЕМЕННЫЕ ПРОБЛЕМЫ МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПУТИ ИХ РЕШЕНИЯ Зайнабидинов Рахматулло Мадаминжон угли, Ассистент кафедры "Программный инжиниринг и кибербезопасность" ФарГТУ, zaynabiginov@gmail.com Annotatsiya. Ushbu maqolada sun’iy intellekt va raqamli texnologiyalarni matematik modellashtirish muammolari o‘rganildi. Unda ma’lumotlar sifati, murakkabligi va modelning talqini tahlil qilindi. Fan, taʼlim va zamonaviy iqtisodiyotning raqamli transformatsiyasi sharoitida intellektual tizimlarning barqarorligi, samaradorligi va ishonchliligini oshirishga qaratilgan amaliy yondashuvlar taklif etildi. 141

Kalit so‘zlar: sun’iy intellekt, matematik modellashtirish, raqamli texnologiyalar, aqlli tizimlar, ma'lumotlar. Abstract. This paper examines the problems of mathematical modeling of artificial intelligence and digital technologies. It analyzes data quality, complexity, and model interpretability. Practical approaches aimed at increasing the sustainability, efficiency, and reliability of intelligent systems in the context of the digital transformation of science, education, and the modern economy are proposed. Keywords: artificial intelligence, mathematical modeling, digital technologies, intelligent systems, data. Аннотация. В данной статье изучались проблемы математического моделирования искусственного интеллекта и цифровых технологий. В нем проанализированы качество данных, сложность и интерпретация модели. Предложены практические подходы, направленные на повышение устойчивости, эффективности и надежности интеллектуальных систем в условиях цифровой трансформации науки, образования и современной экономики. Ключевые слова: искусственный интеллект, математическое моделирование, цифровые технологии, интеллектуальные системы, данные. Введение. В последние годы искусственный интеллект и цифровые технологии стали неотъемлемой частью научных исследований, промышленности, экономики и государственного управления. Их эффективное применение невозможно без математического моделирования, которое лежит в основе алгоритмов машинного обучения, нейронных сетей, интеллектуального анализа данных и цифровых платформ. Именно математические модели позволяют формализовать реальные процессы, описывать поведение сложных систем и прогнозировать результаты их функционирования. Актуальность данной темы обусловлена ростом сложности цифровых систем и увеличением требований к точности, надежности и интерпретируемости моделей искусственного интеллекта. На практике широко применяемые модели часто сталкиваются с проблемами переобучения, высокой вычислительной сложности, недостаточной устойчивости к шумам данных и ограниченной объяснимости получаемых решений. Эти проблемы снижают доверие к интеллектуальным системам и ограничивают их внедрение в критически важные сферы. Целью данного выступления является анализ ключевых проблем математического моделирования в области искусственного интеллекта и цифровых технологий, а также рассмотрение возможных подходов и решений, направленных на повышение эффективности и надежности интеллектуальных систем. Ключевые проблемы математического моделирования искусственного интеллекта и возможные пути их решения представлены в таблице 1. В рамках поставленной цели определены следующие задачи: – рассмотреть роль математического моделирования в современных интеллектуальных системах; – выявить основные проблемы, возникающие при построении и использовании моделей; 142

– обозначить перспективные направления и практические решения в данной области. Основная часть. Математическое моделирование является фундаментом искусственного интеллекта, поскольку любые алгоритмы обучения и принятия решений опираются на формальные математические конструкции. К таким конструкциям относятся вероятностные модели, методы оптимизации, линейная и нелинейная алгебра, теория графов и дифференциальные уравнения. Современные цифровые технологии, включая большие данные и облачные вычисления, расширили возможности применения этих методов, но одновременно обострили существующие проблемы. Одной из ключевых проблем является качество и структура исходных данных. Математические модели искусственного интеллекта чувствительны к шумам, пропускам и смещению данных, что приводит к искажению результатов. В условиях цифровой экономики, где данные поступают из разнородных источников, эта проблема становится особенно актуальной. Недостаточно корректная модель может формально демонстрировать высокую точность, но при этом быть неприменимой в реальных условиях. Еще одной значимой проблемой является сложность моделей. Глубокие нейронные сети и гибридные модели часто обладают миллионами параметров, что затрудняет их математический анализ и интерпретацию. В результате возникает так называемая проблема «черного ящика», когда невозможно объяснить, каким образом система пришла к тому или иному решению. Это особенно критично для медицины, финансов и систем управления, где требуется прозрачность и обоснованность решений. Отдельного внимания заслуживает вычислительная сложность математических моделей. Рост размерности данных приводит к увеличению времени обучения и необходимости использования высокопроизводительных вычислительных ресурсов. В условиях ограниченных вычислительных мощностей возникает задача оптимизации моделей без существенной потери точности. В качестве решений данных проблем активно развиваются методы регуляризации, упрощения моделей и снижения размерности данных. Таблица 1 Основные проблемы математического моделирования искусственного интеллекта и возможные решения № Проблема Характеристика проблемы Наличие шумов, пропусков и смещений в обучающих выборках 1 Низкое качество данных 2 Высокая сложность моделей Большое количество параметров и трудность анализа 3 Низкая интерпретируемость Отсутствие прозрачности принятия решений 4 Высокая Длительное обучение и 143 Возможные решения Предобработка данных, очистка, нормализация, балансировка Упрощение архитектур, регуляризация, гибридные модели Использование интерпретируемых моделей, XAI-подходы Оптимизация алгоритмов,

вычислительная нагрузка 5 Ограниченная устойчивость моделей потребность в ресурсах Чувствительность к изменениям входных данных снижение размерности данных Имитационное моделирование, тестирование устойчивости Соотношение основных проблем математического моделирования искусственного интеллекта на практике наглядно представлено на рисунке. Устойчивость и надежность моделей Высокая 10% вычислительная сложность 15% Низкая интерпретируемость 20% Качество и структура данных 30% Сложность и переобучение моделей 25% Рисунок 1. Распределение ключевых проблем математического моделирования искусственного интеллекта Анализ диаграммы показывает, что наибольшее влияние на эффективность интеллектуальных систем оказывает качество исходных данных и сложность используемых моделей, что подтверждает необходимость комплексного подхода к математическому моделированию. Широкое распространение получают интерпретируемые модели машинного обучения, а также гибридные подходы, сочетающие классические математические методы и современные алгоритмы искусственного интеллекта. Кроме того, использование цифровых симуляторов и имитационного моделирования позволяет тестировать модели до их внедрения в реальные системы. Заключение и практические рекомендации. Таким образом, математическое моделирование играет ключевую роль в развитии искусственного интеллекта и цифровых технологий, обеспечивая формализацию, анализ и прогнозирование сложных процессов. Однако эффективность интеллектуальных систем напрямую зависит от качества используемых моделей, корректности данных и выбранных методов анализа. Для повышения практической ценности математических моделей целесообразно рекомендовать следующее: – уделять особое внимание предварительному анализу и подготовке данных; – использовать интерпретируемые и адаптивные модели в критически важных системах; – сочетать классические математические методы с современными алгоритмами искусственного интеллекта; – применять имитационное моделирование и цифровые двойники для проверки устойчивости моделей; 144

– развивать междисциплинарную подготовку специалистов, объединяющую математику, программирование и предметную область. Реализация данных рекомендаций позволит повысить надежность и эффективность интеллектуальных систем, а также расширить возможности их практического применения в условиях цифровой трансформации общества. Список использованной литературы: 1. Зайнабидинов, Р.М.О. (2025). ОБЕСПЕЧЕНИЕ БЕЗОПАСНОГО ОБМЕНА ДАННЫМИ В ПРОИЗВОДСТВЕННЫХ СЕ-ТЯХ НА ОСНОВЕ ПРОТОКОЛОВ ЗАЩИЩЕННОЙ СВЯЗИ. Universum: технические науки, 1(2 (131)), 27-29. 2. Akhundjanov, U., Soliyev, B., Juraev, N., Musayev, K., Norinov, M., Ermatova, Z., & Zaynabidinov, R. (2024). Off-line handwritten signature verification based on machine learning. In E3S Web of Conferences (Vol. 508, p. 03011). EDP Sciences. 3. Zulunov R., Hnatiienko H., Hnatiienko V., Myrutenko L. Mathematical Models of the Modern Educational Space: Virtual Communication, Processing of Natural Language Information, Normalization of Speech Signal. CEUR Workshop Proceedings, 2025, Vol-3991, p. 323-338. 4. Porubay O. “Multiscale analysis of wavelet-transformation as a solution to the problem of compression of information flows,” in 2016 Int. Conf. Inf. Sci. Commun. Technol. (ICISCT), 2016, pp. 1–4, doi: 10.1109/ICISCT.2016.7777410. 5. Зайнабидинов, Р.М. (2024). ОБЗОР ЯДРА LINUX И ЕГО РОЛЬ В СОВРЕМЕННЫХ ИНФОРМАЦИОННЫХ СИСТЕМАХ. Universum: технические науки, 1(3 (120)), 34-37. ПРОБЛЕМА ПЕРЕОБУЧЕНИЯ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ И МЕТОДЫ ЕЁ ВЫЯВЛЕНИЯ НА ПРИМЕРЕ РАЗДЕЛЕНИЯ ДАННЫХ НА ОБУЧАЮЩУЮ И ТЕСТОВУЮ ВЫБОРКИ Карабекян Светлана Хамдамовна, и.о. доцента НГГТУ, svetlana_2005_74@mail.ru Максимов Алексей Юрьевич, студент НГГТУ, alekseymaksimov435@gmail.com. Аннотация. В данной статье рассматривается проблема переобучения моделей машинного обучения. Теоретически обосновывается применение метода hold-out валидации для его выявления. Предложен коэффициент обобщения, позволяющий количественно оценивать наличие и степень переобучения на основе сравнения ошибок обучения и тестирования. Ключевые слова: машинное обучение, переобучение, hold-out, валидация, ошибка обучения. Annotatsiya. Mazkur maqolada mashinaviy o‘rganish modellarining qayta o‘rganish muammosi ko‘rib chiqiladi. Uni aniqlash uchun hold-out validatsiya usulini qo‘llash nazariy jihatdan asoslanadi. O‘rganish va testlash xatolarini taqqoslash asosida qayta o‘rganishning mavjudligi va darajasini miqdoriy baholash imkonini beruvchi umumlashtirish koeffitsienti taklif etiladi. Kalit so‘zlar: mashinaviy o‘rganish, qayta o‘rganish, hold-out, validatsiya, o‘rganish xatosi. 145

Abstract. This article addresses the problem of overfitting in machine learning models. The application of the hold-out validation method for its detection is theoretically substantiated. A generalization coefficient is proposed, enabling a quantitative assessment of the presence and degree of overfitting based on a comparison of training and testing errors. Keywords: machine learning, overfitting, generalization ability, hold-out, validation, training error. Введение. На сегодняшний день активно используются методы машинного обучения для автоматизации процессов и предсказания определенного рода событий, полученных на основе данных, предоставленных модели для обучения. В большинстве случаев при машинном обучении используется различного рода и качества информация, которая может значительно влиять на конечный результат обучения модели. Однако во время обучения модели могут возникать случаи переобучения модели – процесс, при котором обучаемая модель заучила представленную ей информацию. Для того, чтобы разобраться в данном вопросе стоит в первую очередь рассмотреть причины переобучения модели, а также рассмотреть процесс обучения в общем виде. Основная часть. Для начала рассмотрим само обучение модели. Под машинным обучением понимается процесс, при котором нейронная сеть (или любая другая модель) учится эффективно и правильно обобщать данные выборки. Это представляет собой значимый аспект, поскольку главная цель заключается в том, чтобы в будущем модель могла делать прогнозы на основе данных, с которыми обучаемая модель никогда не сталкивалась. [1-3] Переобучение же в машинном обучении может означать как слишком точную настройку на обучающие данные (модель может попросту «запомнить» их), так и обучение на слишком зашумленных данных. Обобщающая способность — это свойство модели отражать исходные данные в требуемые результаты (𝑋 → 𝑌) на всем множестве исходных данных. [5] Шумными данными называют набор данных, содержащий случайные ошибки, искажения или нерелевантную информацию, которая мешает выявлению реальных закономерностей [1]. Стоит также выделить 3 основные причины переобучения: 1. Ограниченный размер обучающей выборки. Когда число обучающих примеров не соответствует сложности модели, нейронная сеть может сохранить шум и случайные вариации в данных. 2. Сложная архитектура модели. Применение избыточного количества слоев и нейронов в нейронной сети может вызвать избыток параметров модели, что повышает вероятность переобучения. 3. Продолжительное обучение. Если модель тренируется слишком долго, она может начать фиксировать шум в данных вместо того, чтобы изучать общие закономерности. [4] Помимо переобучения модель может быть недоучена и обучена в нормальной степени (Рис.1). У каждого из случаев есть свои признаки. Так недообучение может возникнуть при малой сложности модели или нехваткой 146

обучающих данных. Признаки недообучения это, как правило, когда модель плохо разбирается как с тестовыми выборками, так и с тренировочными. Модель недостаточно обучена для составления даже базовых закономерностей и обобщений при выполнении различного рода задач (на графике: прямая линия между точками выборки, не попадание ни в одну из точек или близкое к точке значение). Рисунок 1. Визуализация недообучения, оптимального обучения и переобучения модели При переобучении же модель начинает подстраиваться под шум и другие малозначимые параметры, как бы «запоминая» практически всю обучающую информацию и теряя способность к ее обобщению. В связи с этим, модель превосходно показывает себя на тренировочных данных, однако процент ошибки стремительно растет на тестовых данных (на графике: кривая линия, в точности проходящая через все точки выборки). Помимо вышеперечисленной информации, переобучение так же может проявить себя в случае, если обучаемая модель слишком сложная, исходных данных для исследования слишком мало или в исходных данных слишком мало информации и много некорректных данных – шума. При решении проблем с переобучением модели, в основном, используют 5 самых популярных методов: 1. Метод регуляризации модели. В данном методе в модель вводятся штрафные члены в функцию потерь, наказывающие модель за свою сложность. Существует два главных типа регуляризации: L1 и L2. Первая состоит из абсолютных значений весов модели, в то время как второй применяет квадраты этих коэффициентов. Оба метода способствуют упрощению модели путем уменьшения величин весов. [2,4] 2. Dropout (выбрасывание). Этот метод проходится по модели за одну итерацию обучения и отключает случайным образом нейроны определенного слоя. Данный метод позволяет модели обучаться полностью и не расчитывать на отдельные её компоненты. Является одним из простых методов обучения, при котором нейросеть сама прекрасно справляется с проблемой переобучения. [5] 3. Аугментация данных. Это метод увеличения тренировочного набора за счёт генерации новых примеров на основе уже имеющихся данных. Это также способствует уменьшению риска переобучения, так как модель учится на более разнообразных примерах. Например, для изображений могут быть изменения яркости, отражения, повороты и различия. Синонимические 147

замены, случайные перестановки слов и создание новых фраз с применением языковых моделей могут быть использованы для работы с текстовыми данными. 4. Ранняя остановка обучения. В методе ранней остановки обучение завершается в тот момент, когда сложность сети достигает идеального уровня. Этот момент анализируется по динамике ошибки валидации во времени. Эта методика интересна своей легкостью. Однако она обладает и свои уязвимости: слишком обширная сеть будет тормозить своё обучение на начальных этапах, когда нелинейности еще не успели раскрыться в полной мере. [5] 5. Hold-out (Разделение выборки на тренировочную и тестовые выборки). Остановимся подробнее на этом методе и рассмотрим его с математической точки зрения. Ключевая идея метода контроля переобучения, известного как hold-out validation (разделение выборки), заключается в строгом разделении полного набора данных 𝒟, содержащего 𝑁 пар «признаки – целевая переменная» {(𝑥𝑖 , 𝑦𝑖 )}𝑁 𝑖=1 , на два непересекающихся подмножества: обучающее 𝒟train и тестовое 𝒟test . Математически это представляется следующим образом: 𝒟 = 𝒟train ∪ 𝒟test , 𝒟train ∩ 𝒟test = ∅. Стандартным является пропорциональное разделение, где объем обучающей выборки составляет ∣ 𝒟train ∣= ⌊𝛼𝑁⌋, а тестовой ∣ 𝒟test ∣= 𝑁 − ⌊𝛼𝑁⌋, где 𝛼 — коэффициент, обычно выбираемый в диапазоне от 0.6 до 0.8. Чаще всего используется значение 𝛼 = 0.7, что соответствует разделению 70% на 30%. На обучающей выборке 𝒟train производится настройка параметров модели w путем минимизации эмпирического риска — например, среднеквадратичной ошибки (MSE): w ∗ = arg min 𝐿(w, 𝒟train ) = arg min w w 1 ∣ 𝒟train ∣ ∑ (𝑥,𝑦)∈𝒟train (𝑦 − 𝑓(𝑥, w))2 , где 𝑓(𝑥, w) — прогноз модели. После обучения вычисляются два ключевых показателя: 1) Ошибка обучения (Training Error): 𝐿train = 𝐿(w ∗ , 𝒟train ). 2) Ошибка тестирования (Test Error): 𝐿test = 𝐿(w ∗ , 𝒟test ). Ошибка обучения показывает, насколько хорошо модель запомнила данные, а ошибка тестирования показывает, насколько успешно она способна обобщать. Переобучение диагностируется путем сравнения полученных ошибок. Его наличие и степень можно количественно оценить с помощью коэффициента обобщения 𝛾: 𝛾= 𝐿test − 𝐿train × 100%. 𝐿train 148

Рассмотрим гипотетический пример для наглядности. Пусть модель линейной регрессии обучается на выборке, разделенной в пропорции 70/30. • Для адекватной модели со сбалансированной сложностью типичны значения: 𝐿train ≈ 4.0, 𝐿test ≈ 4.3, 𝛾 = 4.3 − 4.0 × 100% ≈ 7.5%. 4.0 Небольшое расхождение указывает на хорошую обобщающую способность. • Для переобученной модели (например, полинома высокой степени) характерна иная картина: 𝐿train ≈ 0.5, 𝐿test ≈ 5.0, 𝛾 = 5.0 − 0.5 × 100% = 900%. 0.5 Экстремально низкая ошибка обучения при высокой ошибке тестирования и огромном коэффициенте 𝛾 являются прямым математическим свидетельством переобучения. Модель подстроилась под шум и особенности 𝒟train , потеряв способность к обобщению, что и выявляется при ее проверке на изолированном множестве 𝒟test . Таким образом, метод hold-out валидации предоставляет собой строгую математическую основу для диагностики переобучения. Он формализует процесс разделения данных, вводит количественные метрики оценки (𝐿train , 𝐿test ) и позволяет рассчитать объективный критерий 𝛾, что в совокупности превращает выявление переобучения из субъективной оценки в воспроизводимую научную процедуру. [6] Заключение и практические рекомендации. Подводя итоги, переобучение является одной из основных структур в машинном обучении. Борьба с переобучением также является основным аспектом в развитии нейронных сетей, ведь с усложнением модели растет вероятность ее переобучения, а значит, нужно искать новые способы для борьбы с переобучением. При этом все методы хорошо показывают себя на практике при разных ситуациях. На основе проведённого анализа можно сформулировать следующие практические рекомендации: 1. Обязательное разделение данных. Любое построение прогностической модели должно начинаться с процедуры разделения исходного набора на обучающую, валидационную и тестовую выборки. 2. Мониторинг расхождения ошибок. Ключевым диагностическим признаком переобучения является стабильно растущий разрыв между низкой ошибкой на обучающих данных и высокой ошибкой на валидационных. 3. Старт с простых моделей. Рекомендуется итеративный подход: начать с простой модели, установить базовый уровень точности и постепенно увеличивать сложность, отслеживая прирост обобщающей способности. 4. Использование регуляризации по умолчанию. Такие техники, как L2регуляризация и Dropout, должны рассматриваться как стандартные компоненты архитектуры нейронных сетей. 149

Список использованной литературы: 1. Дьяконов, В.П. (2010). VisSim + Mathcad + MATLAB: Визуальное математическое моделирование. СОЛОН-Пресс. 2. Бухаров, В.М., & Родионов, А. В. (2016). Машинное обучение: анализ данных и прогнозирование. DMK Press. 3. Пичугин, Р.А. (2022). Методы борьбы с переобучением в нейронных сетях. Технические науки, (7–2), 99–103. 4. Костромитин, М.А. (2024). Борьба с переобучением нейронных сетей: причины, влияние и методы предотвращения. Научный аспект, 21(5), 2809–2814. 5. Воронецкий, Ю.О., & Жданов, Н.А. (2019). Методы борьбы с переобучением искусственных нейронных сетей. Научный аспект, 13(2), 1639–1647. 6. Kukačka, J., Golkov, V., & Cremers, D. (2017). Regularization for deep learning: A taxonomy. arXiv preprint arXiv:1710.10686. РЕШЕНИЕ МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ ОЦЕНКИ ЭФФЕКТИВНОСТИ СЕТЕВЫХ ПРОТОКОЛОВ ИНТЕРНЕТА ВЕЩЕЙ С ИСПОЛЬЗОВАНИЕМ ПРИЛОЖЕНИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА Мурадова Алевтина Александровна, ТУИТ имени Мухаммада аль-Хорезми, PhD, доцент, a.muradova1982@inbox.ru Махкамов Фарход Аловиддин угли, Международный Университет «Tashkent International University of Education» (TIUE), старший преподаватель, makhkamovfarkhod@gmail.com Аннотация. В статье представлено решение математического моделирования эффективности и гибкости сетевых протоколов Интернета вещей (Internet of Things) с использованием приложений искусственного интеллекта. Основное внимание уделено протоколам передачи данных, таким как ZigBee, LoRaWAN и NB-IoT, их адаптивности к изменению нагрузки и топологии сети. Предложена математическая модель, учитывающая параметры задержки, пропускной способности, вероятности потерь и энергопотребления. Результаты исследования подтверждают перспективность интеграции ИИ в управление сетями IoT для повышения их эффективности и адаптивности. Ключевые слова: интернет вещей, IoT protocols, ZigBee, LoRaWAN, NB-IoT, искусственный интеллект, машинное обучение, математическое моделирование, эффективность сети, гибкость протоколов, оптимизация трафика, энергопотребление. Abstract. This article presents a solution for mathematically modeling the efficiency and flexibility of Internet of Things (IoT) network protocols using artificial intelligence applications. The focus is on data transmission protocols such as ZigBee, LoRaWAN, and NB-IoT, and their adaptability to changes in network load and topology. A mathematical model is proposed that takes into account latency, throughput, loss probability, and energy consumption. The results of the study confirm the potential of integrating AI into IoT network management to improve their efficiency and adaptability. Keywords: Internet of Things, IoT protocols, ZigBee, LoRaWAN, NB-IoT, artificial intelligence, machine learning, mathematical modeling, network efficiency, protocol flexibility, traffic optimization, energy consumption. Annotatsiya. Ushbu maqolada sun’iy intellekt ilovalari yordamida Internet of Things (IoT) tarmoq protokollarining samaradorligi va moslashuvchanligini matematik modellashtirish yechimi taqdim etiladi. Asosiy e’tibor ZigBee, LoRaWAN va NB-IoT kabi ma’lumotlarni uzatish 150

protokollariga va ularning tarmoq yuklamasi va topologiyasidagi o‘zgarishlarga moslashuvchanligiga qaratilgan. Kechikish, o‘tkazish qobiliyati, yo‘qotish ehtimoli va energiya sarfini hisobga oladigan matematik model taklif qilingan. Tadqiqot natijalari sun’iy intellektni IoT tarmog‘ini boshqarishga integratsiya qilishning samaradorligi va moslashuvchanligini oshirish imkoniyatini tasdiqlaydi. Kalit so‘zlar: internet ashyolari, IoT protokollari, ZigBee, LoRaWAN, NB-IoT, sun’iy intellekt, mashinani o‘rganish, matematik modellashtirish, tarmoq samaradorligi, protokol moslashuvchanligi, trafikni optimallashtirish, energiya sarfi. Введение. Стремительное развитие цифровых технологий привело к формированию глобальной экосистемы Internet of Things, объединяющей миллиарды интеллектуальных устройств, датчиков и управляющих систем. В условиях роста объёма трафика, увеличения числа подключённых узлов и ужесточения требований к качеству обслуживания особую актуальность приобретает задача повышения эффективности и гибкости сетевых протоколов Интернета вещей. Современные IoT-сети функционируют на основе различных протоколов и стандартов, таких как ZigBee, LoRaWAN и NB-IoT, каждый из которых имеет свои особенности по пропускной способности, энергопотреблению и дальности передачи. Однако при динамически изменяющейся нагрузке традиционные методы управления сетью не всегда обеспечивают оптимальную производительность и устойчивость работы системы [1]. В этой связи перспективным направлением является интеграция методов искусственного интеллекта в процессы управления и оптимизации сетевых протоколов. Алгоритмы машинного обучения позволяют прогнозировать сетевую нагрузку, адаптировать параметры передачи данных и минимизировать задержки и потери пакетов. Целью данной работы является разработка и исследование математической модели оценки эффективности и гибкости сетевых протоколов IoT с применением приложений искусственного интеллекта. В рамках исследования рассматриваются методы моделирования, критерии оценки качества функционирования сети и влияние интеллектуальных алгоритмов на ключевые показатели производительности. Основная часть. Методология исследования интеграции искусственного интеллекта в сети Интернета вещей (Internet of Things) основана на комплексном подходе, включающем теоретический анализ, математическое моделирование и оценку эффективности сетевых протоколов с использованием приложений ИИ [2]. На первом этапе проводится анализ: архитектур современных IoTсетей; протоколов передачи данных (ZigBee, LoRaWAN, NB-IoT); алгоритмов искусственного интеллекта, применяемых для управления трафиком, прогнозирования нагрузки и оптимизации энергопотребления. Этот этап позволяет сформулировать критерии оценки эффективности и гибкости сетевых протоколов. 151

Математическое моделирование. Для оценки работы сети разрабатывается модель, учитывающая: интенсивность трафика (λ); пропускную способность каналов (B); вероятность потерь пакетов (P loss); задержку передачи (D); энергопотребление узлов (E). Сеть моделируется как система массового обслуживания (M/M/1), а интеграция ИИ осуществляется через алгоритмы машинного обучения, которые: прогнозируют изменение нагрузки; оптимизируют маршрутизацию и распределение ресурсов; минимизируют целевую функцию: Этап имитационного моделирования. На этом этапе проводятся эксперименты с различной нагрузкой сети: оценивается работа протоколов до и после внедрения ИИ; измеряются показатели задержки, потерь, пропускной способности и энергопотребления; определяется коэффициент гибкости сети. Методы анализа данных. Используются методы: машинного обучения (ML), глубокого обучения (DL); статистического анализа и визуализации; сравнительного анализа работы сети с разными протоколами [3]. Оценка эффективности. Эффективность сети оценивается по следующим критериям: снижение задержки и потерь пакетов; оптимизация энергопотребления; повышение коэффициента гибкости протокола; устойчивость работы при изменении нагрузки и топологии. Постановка задачи. Рассматривается сеть Internet of Things, в которой используются протоколы передачи данных (например, ZigBee, LoRaWAN, NB-IoT). Цель моделирования - количественно оценить: эффективность (производительность, задержку, потери); гибкость (адаптивность к изменению нагрузки и топологии); влияние внедрения алгоритмов ИИ на эти показатели. Математическая модель сети. Основные параметры. Обозначим: λ интенсивность поступления пакетов, μ - интенсивность обслуживания, N число узлов, B - пропускная способность канала, Ploss - вероятность потерь, D - средняя задержка, E – энергопотребление [4]. Модель очереди. Сеть моделируется как система массового обслуживания M/M/1: ρ=λ/μ. Средняя задержка: D=1/(μ−λ). Среднее число пакетов в системе: L=ρ/(1−ρ). Это базовая модель без ИИ. Интеграция искусственного интеллекта в модель. ИИ используется для: прогнозирования нагрузки 𝜆̂(t), динамической адаптации параметров маршрутизации, оптимизации мощности передачи [5]. Пусть алгоритм ИИ минимизирует целевую функцию: J=αD+βPloss+γE. где: α,β,γ — весовые коэффициенты. Задача оптимизации: min J при ограничениях: B≤Bmax , E≤Emax . Модель гибкости протокола. Введём коэффициент адаптивности: F=ΔQ/Δλ где: Q - интегральный показатель качества сети: Q=Throughput / D⋅Ploss. 152

Чем выше F, тем гибче протокол. Ниже представлены данные сравнительного анализа научного исследования (табл.1). Таблица 1 Сравнительный анализ Показатель Задержка Потери Энергия Гибкость Без ИИ высокая при росте λ растут экспоненциально фиксированная низкая С ИИ стабилизируется контролируются адаптивная высокая Итог модели. Математическое моделирование показывает, что внедрение алгоритмов машинного обучения: снижает среднюю задержку; уменьшает вероятность потерь; оптимизирует энергопотребление; повышает коэффициент гибкости сети. Таким образом, использование ИИ в протоколах IoT обеспечивает более устойчивую и адаптивную работу сети при изменяющихся условиях нагрузки [6,7]. Заключение и практические рекомендации. В ходе исследования проведено математическое моделирование оценки эффективности и гибкости сетевых протоколов Интернета вещей (Internet of Things) с применением алгоритмов искусственного интеллекта. Анализ показал, что традиционные протоколы, такие как ZigBee, LoRaWAN и NB-IoT, при изменяющейся нагрузке сети могут испытывать задержки, потери пакетов и высокое энергопотребление. Внедрение методов машинного обучения позволяет: прогнозировать сетевую нагрузку и адаптировать параметры передачи данных; минимизировать задержки и потери пакетов; оптимизировать энергопотребление узлов сети; повышать коэффициент гибкости протоколов при динамических изменениях топологии. Таким образом, интеграция приложений искусственного интеллекта в управление сетями IoT обеспечивает повышение их производительности, устойчивости и адаптивности, открывая перспективы для создания интеллектуальных, самоорганизующихся телекоммуникационных систем следующего поколения. Практические рекомендации по интеграции ИИ в сети Интернета вещей: выбор протоколов с учётом задач сети. Для локальных IoT-сетей с малым радиусом действия и высокой плотностью датчиков рекомендуется использовать ZigBee. Для сетей с большой дальностью и малым энергопотреблением - LoRaWAN. Для сетей на базе сотовой инфраструктуры с поддержкой массовых устройств - NB-IoT. Внедрение алгоритмов машинного обучения: использовать ИИ для прогнозирования нагрузки на сеть и динамической маршрутизации. Применять методы обнаружения аномалий для предотвращения перегрузок и сбоев. Адаптировать параметры передачи данных (частота, мощность) в зависимости от текущей ситуации. Оптимизация энергопотребления устройств: реализовать интеллектуальные режимы сна для датчиков с редкой передачей данных. 153

Использовать алгоритмы ИИ для балансировки нагрузки между узлами, чтобы снизить энергозатраты. Мониторинг и оценка эффективности: регулярно измерять показатели сети: задержку, потери пакетов, пропускную способность и энергопотребление. Внедрять метрики гибкости протокола для оценки адаптивности сети. Планирование и масштабирование, безопасность и устойчивость. Включить алгоритмы ИИ для раннего обнаружения атак и аномального поведения устройств. Регулярно обновлять модели ИИ и протоколы безопасности в IoT-сети. Список литературы 1. Zhang, C., Patras, P., & Haddadi, H. (2019). Deep learning in mobile and wireless networking: A survey. IEEE Communications Surveys & Tutorials, 21(4), 2224–2287. https://doi.org/10.1109/COMST.2019.2906718 2. Mao, Q., Hu, F., & Hao, Q. (2018). Deep learning for intelligent wireless networks: A comprehensive survey. IEEE Communications Surveys & Tutorials, 20(4), 2595–2621. https://doi.org/10.1109/COMST.2018.2827884 3. Ali, M., Yaqoob, I., Hashem, I. A. T., et al. (2020). Applications of artificial intelligence in Internet of Things: A comprehensive survey. Journal of Network and Computer Applications, 167, 102693. https://doi.org/10.1016/j.jnca.2020.102693 4. Misra, S., Das, A., & Sarkar, S. (2021). Performance analysis of IoT protocols for smart applications. IEEE Access, 9, 81234–81250. https://doi.org/10.1109/ACCESS.2021.3084785 5. Ometov, A., Komarov, M., Andreev, S., et al. (2020). Machine learning for 5G/6G IoT networks: Challenges and opportunities. IEEE Internet of Things Journal, 7(8), 7621–7639. https://doi.org/10.1109/JIOT.2020.2973030 6. Lin, J., Yu, W., Zhang, N., et al. (2017). A survey on Internet of Things: Architecture, enabling technologies, security and privacy, and applications. IEEE Internet of Things Journal, 4(5), 1125–1142. https://doi.org/10.1109/JIOT.2017.2697480 7. ETSI. (2021). Edge computing and AI for IoT networks: White Paper. European Telecommunications Standards Institute. https://www.etsi.org SUN’IY INTELLEKT ASOSIDAGI KIBERXAVFSIZLIK VOSITALARIDAN FOYDALANISHDA TALABALARNING AXBOROT MADANIYATI VA AXLOQIY KOMPETENSIYASINI SHAKLLANTIRISH Saidova Dilfuza Ergashovna, QarDU, Algoritmlar va dasturlash texnologiyalari kafedrasi katta o‘qituvchisi, E-mail: saidovad.1989@gmail.com Annotatsiya. Ushbu maqolada sun’iy intellekt asosidagi kiberxavfsizlik vositalaridan foydalanish jarayonida talabalarning axborot madaniyati va axloqiy kompetensiyasini shakllantirish masalasi ko‘rib chiqiladi. Muammoning ijtimoiy-falsafiy, pedagogik va psixologik jihatlari tahlil qilingan. Sun’iy intellekt texnologiyalarining ta’lim jarayoniga integratsiyasi sharoitida talabalarda axborot xavfsizligi madaniyati, axloqiy qadriyatlar va mas’uliyatli xulqatvorni rivojlantirish omillari ochib berilgan. Shuningdek, mavjud pedagogik yondashuvlar va xorijiy tajribalar asosida amaliy tavsiyalar ishlab chiqilgan. Kalit so‘zlar: axborot madaniyati, axloqiy kompetensiya, sun’iy intellekt, kiberxavfsizlik, raqamli ta’lim, talabalar. 154

Аннотация. В данной статье рассматривается проблема формирования информационной культуры и этической компетенции студентов в процессе использования средств кибербезопасности на основе искусственного интеллекта. Проанализированы социально-философские, педагогические и психологические аспекты проблемы. Раскрыты факторы развития информационной культуры безопасности, нравственных ценностей и ответственного поведения студентов в условиях интеграции технологий искусственного интеллекта в образовательный процесс. На основе существующих педагогических подходов и зарубежного опыта разработаны практические рекомендации. Ключевые слова: информационная культура, этическая компетенция, искусственный интеллект, кибербезопасность, цифровое образование, студенты. Abstract. This article examines the problem of forming students' information culture and ethical competence in the process of using artificial intelligence-based cybersecurity tools. Socio-philosophical, pedagogical and psychological aspects of the problem are analyzed. The factors of developing students' information security culture, moral values and responsible behavior in the context of integration of artificial intelligence technologies into the educational process are revealed. Practical recommendations are developed on the basis of existing pedagogical approaches and foreign experience. Keywords: information culture, ethical competence, artificial intelligence, cybersecurity, digital education, students. Kirish. XXI asr – axborot asri bo‘lib, unda raqamli texnologiyalar jamiyat hayotining barcha jabhalariga chuqur kirib bormoqda. Sun’iy intellekt (SI) texnologiyalarining jadal rivojlanishi nafaqat ishlab chiqarish, iqtisodiyot va ta’lim sohalarini, balki insonning kundalik hayotini ham tubdan o‘zgartirmoqda. Ayniqsa, kiberxavfsizlik sohasida SI vositalaridan foydalanish samaradorlikni oshirish bilan birga, yangi ijtimoiy-axloqiy muammolarni ham yuzaga keltirmoqda [2]. Bugungi kunda O‘zbekiston Respublikasi Prezidentining “Raqamli O‘zbekiston – 2030” strategiyasi doirasida oliy ta’lim tizimida raqamli texnologiyalarni keng joriy etish, shu jumladan, kiberxavfsizlik sohasida malakali kadrlar tayyorlash ustuvor vazifalardan biri sifatida belgilangan [1]. Biroq, texnik bilim va ko‘nikmalarni shakllantirish bilan bir qatorda, talabalarning axborot madaniyati va axloqiy kompetensiyasini rivojlantirish masalasi hali yetarlicha tadqiq etilmagan. Sun’iy intellekt asosidagi kiberxavfsizlik vositalari – shunchaki texnik qurilmalar emas, balki ular inson faoliyati, qadriyatlari va axloqiy me’yorlari bilan chambarchas bog‘liq. Talabalar ushbu vositalardan foydalanishda quyidagi axloqiy dilemmalarga duch keladi: shaxsiy ma’lumotlarni himoya qilish va ularni qayta ishlash chegaralari; kuzatuv va maxfiylik o‘rtasidagi muvozanat; SI qarorlarining adolatliligi va shaffofligi; kiberhujumlarga qarshi kurashda javob choralarining insoniyligi. Ushbu muammolar talabalarda nafaqat texnik kompetensiyalarni, balki axloqiy ong, mas’uliyat hissi va huquqiy madaniyatni shakllantirishni taqozo etadi. Sun’iy intellekt asosidagi kiberxavfsizlik vositalaridan foydalanishda talabalarning axborot madaniyati va axloqiy kompetensiyasini shakllantirishning nazariy-metodologik asoslarini ochib berish va amaliy tavsiyalar ishlab chiqish. 155

1. “Axborot madaniyati” va “axloqiy kompetensiya” tushunchalarining mazmun-mohiyatini aniqlashtirish; 2. Sun’iy intellekt asosidagi kiberxavfsizlik vositalarining ijtimoiy-axloqiy muammolarini tahlil qilish; 3. Talabalarda axborot madaniyati va axloqiy kompetensiyani shakllantirishning pedagogik shart-sharoitlarini belgilash; 4. Mavjud ilg‘or tajribalar asosida amaliy tavsiyalar ishlab chiqish. Asosiy qism. Axborot madaniyati – shaxsning axborot bilan ishlash, uni qidirish, qayta ishlash, saqlash va uzatishda zamonaviy texnologiyalardan foydalanish bilim, ko‘nikma va malakalari majmui bo‘lib, u axborotga nisbatan qadriyatli munosabat va mas’uliyatni o‘z ichiga oladi [3]. Pedagogik adabiyotlarda axborot madaniyatining quyidagi tarkibiy qismlari ajratiladi: Kognitiv komponent – axborot xavfsizligi, kibergigiyena, SI texnologiyalari haqidagi bilimlar; Motivatsion komponent – axborot faoliyatiga nisbatan qiziqish va ehtiyoj; Faoliyat komponenti – axborot vositalaridan foydalanish ko‘nikmalari; Axloqiy komponent – axborot faoliyatida axloqiy me’yorlarga rioya qilish. Axloqiy kompetensiya esa – shaxsning murakkab axloqiy vaziyatlarni tahlil qilish, to‘g‘ri qaror qabul qilish va o‘z xatti-harakatlari uchun javobgarlikni his qilish qobiliyatidir [4]. Kiberxavfsizlik kontekstida axloqiy kompetensiya quyidagilarni o‘z ichiga oladi: –Maxfiylik va shaxsiy ma’lumotlarni himoya qilish tamoyillariga rioya qilish; –SI tizimlari qarorlariga tanqidiy yondashish; –Kibermakonda adolat va tenglik tamoyillarini himoya qilish; –Texnologiyalardan insonparvarlik maqsadlarida foydalanish. So‘nggi yillarda kiberxavfsizlik sohasida SI vositalarining qo‘llanilishi keskin oshdi. Jumladan: –Anomaliyalarni aniqlash tizimlari; –Intellektual xavfsizlik devorlari; –Biometrik autentifikatsiya; –Fiksing hujumlariga qarshi SI algoritmlari; –Avtomatlashtirilgan insidenslarni boshqarish tizimlari. Biroq, ushbu vositalarning keng qo‘llanilishi bir qator ijtimoiy-axloqiy muammolarni keltirib chiqarmoqda [5]: Maxfiylik va kuzatuv muammosi – SI asosidagi kiberxavfsizlik vositalari ko‘pincha foydalanuvchilarning shaxsiy ma’lumotlarini to‘plash va tahlil qilishni talab qiladi. Bu “xavfsizlik” va “maxfiylik” o‘rtasidagi muvozanat masalasini keltirib chiqaradi. Talabalar ushbu vositalardan foydalanishda qanday ma’lumotlar, kim tomonidan va qanday maqsadlarda yig‘ilayotganini tushunishi lozim. Diskriminatsiya va adolatsizlik – SI algoritmlari noto‘g‘ri yoki bir tomonlama ma’lumotlar asosida o‘qitilgan bo‘lsa, ular ayrim ijtimoiy guruhlarga 156

nisbatan kamsitishga olib kelishi mumkin. Masalan, biometrik tizimlarning ayrim etnik guruhlar yoki yosh toifalarini noto‘g‘ri identifikatsiya qilishi aniqlangan. Mas’uliyat muammosi – SI tizimi tomonidan qabul qilingan noto‘g‘ri qaror oqibatida zarar yetkazilganda, mas’uliyat kimga yuklanadi? Dasturchiga, tizim operatoriga yoki tizimning o‘ziga? Ushbu huquqiy va axloqiy muammo hal qilinmagan. Inson nazoratining zaiflashuvi – SI vositalarining avtonomligi oshgani sayin, insonning qaror qabul qilish jarayonidagi ishtiroki kamayadi. Bu esa texnologiyalarning insoniy qadriyatlarga zid harakat qilish xavfini oshiradi. Raqamli tengsizlik – SI vositalaridan foydalanish imkoniyati har xil ijtimoiy qatlamlar, mintaqalar va ta’lim muassasalari o‘rtasida tafovutni kuchaytirishi mumkin. Ushbu muammolar talabalarni tayyorlashda nafaqat texnik bilimlarni, balki chuqur axloqiy tafakkur va mas’uliyatni shakllantirish zarurligini ko‘rsatadi. Tadqiqotlar shuni ko‘rsatadiki, talabalarda axborot madaniyati va axloqiy kompetensiyani shakllantirish quyidagi pedagogik shart-sharoitlarni taqozo etadi [6; 7]: Fanlararo integratsiya. Axborot madaniyati va axloqiy kompetensiya alohida fan sifatida emas, balki barcha o‘quv fanlari, ayniqsa, kiberxavfsizlik, axborot texnologiyalari, falsafa, sotsiologiya va huquq fanlari integratsiyasida shakllantirilishi lozim. Muammoli ta’lim texnologiyalari. Talabalarga real hayotiy vaziyatlar asosida axloqiy dilemmalar taqdim etish va ularni muhokama qilish orqali axloqiy tafakkurni rivojlantirish samarali hisoblanadi. Masalan: Agar SI tizimi xatolik bilan begunoh foydalanuvchini bloklasa, kim aybdor? Kiberhujumchiga qarshi avtomatlashtirilgan javob choralari qanchalik adolatli? Keys-stadi (Case-study) metodi. Sun’iy intellekt va kiberxavfsizlik sohasidagi real voqealarga asoslangan keyslarni tahlil qilish talabalarda muammoni har tomonlama ko‘rib chiqish ko‘nikmasini shakllantiradi. Loyiha asosidagi ta’lim. Talabalarni ijtimoiy ahamiyatga ega bo‘lgan loyihalarda ishtirok ettirish, masalan, maktab o‘quvchilari yoki keksalar uchun kiberxavfsizlik bo‘yicha axborot materiallari tayyorlash, ularda mas’uliyat va jamoatchilik ongini oshiradi. Axloqiy kodeks va kasbiy standartlar. Oliy ta’lim muassasalarida talabalar va professor-o‘qituvchilar uchun “Raqamli axloq kodeksi”ni ishlab chiqish va joriy etish axborot madaniyatini oshirishning muhim omilidir. Simulyatsion mashg‘ulotlar. Virtual laboratoriyalar va simulyatorlar yordamida talabalarga SI asosidagi kiberxavfsizlik vositalaridan foydalanish jarayonida yuzaga keladigan axloqiy muammolarni “xavfsiz” muhitda boshdan kechirish imkoniyati yaratiladi. AQSH, Yevropa va Janubiy Koreya oliy ta’lim tizimida SI va kiberxavfsizlik ta’limida axloqiy kompetensiyani shakllantirishga alohida e’tibor 157

qaratilmoqda [8; 9]. AQSH misolida. Stanford universitetida “Digital Civil Society Lab” faoliyat yuritadi, u yerda talabalar raqamli texnologiyalar va jamiyat o‘rtasidagi munosabatlarni o‘rganadi. Garvard universitetida esa “Embedded EthiCS” dasturi joriy etilgan bo‘lib, har bir informatika kursiga axloqiy masalalarni integratsiya qilish nazarda tutilgan. Yevropa misolida. Yevropa Ittifoqining “Ethics Guidelines for Trustworthy AI” hujjati asosida ko‘plab universitetlar o‘quv dasturlariga “Ishonchli sun’iy intellekt” modulini kiritgan. Germaniyaning Myunxen texnika universitetida kiberxavfsizlik yo‘nalishi talabalari uchun “Texnologiya va axloq” majburiy fani o‘qitiladi. Janubiy Koreya misolida. Seul milliy universitetida “AI Ethics Education Center” tashkil etilgan bo‘lib, u nafaqat talabalar, balki amaliyotchi muhandislar uchun ham malaka oshirish kurslarini o‘tkazadi. O‘zbekiston tajribasi. Respublikamizda ham so‘nggi yillarda bu borada ijobiy o‘zgarishlar kuzatilmoqda. Mirzo Ulug‘bek nomidagi O‘zbekiston Milliy universiteti, Muhammad al-Xorazmiy nomidagi Toshkent axborot texnologiyalari universiteti va boshqa oliy ta’lim muassasalarida “Axborot xavfsizligi”, “Kiberxavfsizlik asoslari” fanlari o‘qitilmoqda. Biroq, ushbu fanlarda axloqiy kompetensiyani shakllantirishga yo‘naltirilgan modullar hali yetarlicha emas. Qarshi davlat universitetining 2-bosqich Axborot tizimlari va texnologiyalari ta’lim yo‘nalishi talabalari o‘rtasida (n=42) kichik tadqiqot o‘tkazildi. Maqsad – talabalarning sun’iy intellekt asosidagi kiberxavfsizlik vositalaridan foydalanishda axborot madaniyati va axloqiy kompetensiya darajasini aniqlash edi. Natijalar: • Talabalarning 78 %i SI asosidagi kiberxavfsizlik vositalaridan foydalanishda axloqiy muammolar mavjudligini tan oladi; • 45 %i ushbu muammolarni aniq ifodalay olgan; • 32 %i axloqiy dilemmalarni hal qilishda aniq mezonlarga ega emas; • Talabalarning 67 %i o‘quv dasturida axborot madaniyati va axloqiy kompetensiyaga oid alohida modullar bo‘lishi zarur deb hisoblaydi. Ushbu natijalar mavzuning dolzarbligini va amaliy yechimlar zarurligini tasdiqlaydi. Xulosa va amaliy tavsiyalar. Sun’iy intellekt asosidagi kiberxavfsizlik vositalaridan foydalanishda talabalarning axborot madaniyati va axloqiy kompetensiyasini shakllantirish zamonaviy oliy ta’limning ustuvor yo‘nalishlaridan biridir. Texnik bilim va ko‘nikmalar qanchalik mukammal bo‘lmasin, ular axloqiy qadriyatlar va mas’uliyat hissi bilan uyg‘unlashmaganda jamiyat uchun xavf manbaiga aylanishi mumkin. Tadqiqot natijasida quyidagi xulosalarga kelindi: 1. Axborot madaniyati va axloqiy kompetensiya o‘zaro chambarchas bog‘liq bo‘lib, ular shaxsning raqamli jamiyatda muvaffaqiyatli faoliyat yuritishining asosiy omillaridir. 158