Management and Future Technologies | Volume 3, Issue 2 | № 010

3 2 June 2026 010

Jurnal sohalari: dasturiy injiniring, sun’iy intellekt texnologiyalari, kompyuter infokommunikatsiya injiniringi, axborot xavfsizligi, matematika va fizika. injiniringi, Tahririyat kengashi raisi g.f.d., prof. Muxammadismoil Maxmudov - Vatan universiteti rektori Bosh muharrir i.f.d., prof. Karimjon Axmedjanov - Vatan universiteti Ilmiy ishlar va innovatsiyalar bo‘yicha prorеktori Tahririyat kengashi a’zolari: f.f.d., prof. Asror Muhamedov t.f.d., prof. O‘tkir Xamdamov t.f.d., prof. Muxammadjon Musayev t.f.d., prof. Shavkat Fozilov f-m.f.d., prof. Aripov Mersaid f-m.f.d., prof. Аloev Raxmatillo t.f.d., prof. Marat Raxmatullayev t.f.d., prof. Dilnoz Muxamediyeva t.f.d., prof. Jamshid Sultonov f-m.f.d., prof. Dildora Muhamediyeva t.f.d., prof. Nargiza Usmanova t.f.d., dot. Halimjon Xujamatov t.f.d., dot. Ibragim Atadjanov t.f.f.d., dot. Muhriddin Muxiddinov t.f.f.d., dot. Maxina Mansurova t.f.f.d., dot. Baxtiyor Akmuradov t.f.f.d., dot. Anvar Musayev t.f.f.d., dot. Muhriddin Umarov f-m.f.n., dot. Baxromjon Abduraxmonov t.f.f.d., dot. Abdulxayev Nodirbek Muharrirlar: Shukurullo Kaxarov (O‘zbekiston) Ozod Yusupov (O‘zbekiston) Dilshod Rahmatov (Germaniya) O.A. Hidayov (Germaniya) Akmaljon Abdullayev (O‘zbekiston) Jinsoo Cho (J. Koreya) Jamshid Elov (O‘zbekiston) Fazliddin Maxmudov (J. Koreya) Faheem Khan (J. Koreya) Doston Xasanov (O‘zbekiston) Shahnoza Muksimova (J. Koreya) Elmurod Urinov (O‘zbekiston) Akmalbek Abdusalomov (J. Koreya) Sherzod Abdullayev (O‘zbekiston) Urmanov Odil (J. Koreya) Sobir Radjabov (O‘zbekiston) Young Im Cho (J. Koreya) Mohamed Sameer (J. Koreya) Alpamis Kutlimuratov (O‘zbekiston) Sabina Umirzakova (J. Koreya) Farhod Ahmedov (J. Koreya) Sherzod Mustafaqulov (O‘zbekiston) Shabir Ahmad (J. Koreya) U.B. Amirsaidov (O‘zbekiston) Lilia Tightiz (J. Koreya) Shahnoza Sultanova (O‘zbekiston) Safiullah Khan (Buyuk Britaniya) Seytkamal Medetov (Fransiya) Avaz Qaxxorov (O‘zbekiston) Qosim Bekmurodov (O‘zbekiston) Namoz Mirzayev (O‘zbekiston) Jurnal O‘zbekiston Respublikasi Prezidenti Administratsiyasi huzuridagi Axborot va ommaviy kommunikatsiyalar agentligidan 212842-raqamli guvohnoma bilan 26.01.2024 sanasida ro‘yxatdan o‘tkazilgan.

Jurnal O‘zbekiston Respublikasi Prezidenti Administratsiyasi huzuridagi Axborot va Ш. A. Хабибуллаева МЕТОДИКА ПРОВЕДЕНИЯ ЗАНЯТИЙ С 5 ommaviy kommunikatsiyalar agentligidan 212842-raqamli guvohnoma bilan 26.01.2024 ИСПОЛЬЗОВАНИЕМ ВОЗМОЖНОСТЕЙ sanasida ro‘yxatdan o‘tkazilgan. ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В СИСТЕМЕ ВЫСШЕГО ОБРАЗОВАНИЯ M. N. Muxiddinov, J. Sh. Qurbonov KO‘ZI OJIZ INSONLAR UCHUN ATROF-MUHITDAGI XAVF VA TO‘SIQLARNI ANIQLASHDA PARALLEL HISOBLASH ORQALI OPTIMALLASHTIRISH 11 B. A. Abduraxmonov MATEMATIKA FANINI O'QITISHDA SUN'IY INTELLEKTNING O'RNI: HOSILA VA INTEGRAL BO'LIMLARINI O'QITISHDA YANGI YONDASHUVLAR 21 N.T Baymatova, IP TELEVIDENIYE TARMOQLARIDA MULTIKAST M.N Begmurodov, TARMOG‘INING ZAMONAVIY TEXNOLOGIYA VA F.SH. Abdullajonov PROTOKOLLARI TAHLILI 24 А. М. Nazarov, N. T. Baymatova, F. K. Jumaqulov, F. Т. Rayimov SENSOR NAZORAT-O‘LCHOV MA’LUMOTLARINI MOBIL ALOQA TARMOQLARIDA UZATISHNING ASOSIY XUSUSIYATLARI VA TALABLARI 36 А. М. Nazarov, N. T. Baymatova, F. Т. Rayimov, F. K. Jumaqulov. KATEGORIYALANGAN OB’EKTLAR PARAMETRLARI MONITORINGI VA VIZUAL O‘LCHASH TEXNOLOGIYALARI TAHLILI 47 H.E.Mamarajabov, D.T.Shukurov, I.I.Shahriyorov, N.T.Allamurodov TA’LIMDA AI TIZIMLARIDAGI ALGORITMIK BIAS VA SHAXSIY MA’LUMOTLAR XAVFSIZLIGI. 57 2

A. I. Musayev, O. F. Naziraliyev MOLIYAVIY VAQT QATORLARINI BASHORATLASHDA LSTM VA GRU MODELLARINING SOLISHTIRMA TAHLILI 64 M.H.Davronov, D.T.Shukurov, J.I.Mamajonov, Y.E.Minamatov SUN’IY INTELLEKT YORDAMIDA AXBOROT XAVFSIZLIGINI TA’MINLASHNING PEDAGOGIK TAMOYILLARI 70 А.А. Abduvaitov, S.Kh. Nizomov SUN’IY INTELLEKT ASOSIDA ZAMONAVIY TASHKILOTLARDA XODIMLAR FEEDBACK TIZIMLARINI RIVOJLANTIRISHNING NAZARIY YONDASHUVLARI 75 N. M. Abdulxayev TELEKOMMUNIKATSIYA TARMOQLARIDA TRAFIKNI PROGNOZLASH UCHUN MASHINAVIY O'QITISH ALGORITMLARINI QO'LLASH 84 S.Sh.Sarmanova SUN’IY INTELLEKT ASOSIDA TALABALARNING KREATIV VA TANQIDIY FIKRLASHINI RIVOJLANTIRISH TEXNOLOGIYALARI 91 A.N. Xudoyberdiyev KATEGORIYALANGAN OB’EKTLAR PARAMETRLARI MONITORINGI VA VIZUAL O‘LCHASH TEXNOLOGIYALARI TAHLILI 96 A. I. Musayev, O. F. Naziraliyev MOLIYA BOZORIDA VAQT QATORLARINI TAHLIL QILISHDAGI MUAMMOLARNI YECHISHDA SUN’IY INTELLEKTNI QO‘LLASH 103 3

A.N. Xudoyberdiyev KVANT KOMPYUTERLARI DAVRIDA SMARTKONTRAKTLAR XAVFSIZLIGI: MUAMMOLAR VA POST-KVANT ALGORITMLARI YECHIMLARI 109 N.A. Naim PNEVMONIYANI TASHXISLASH TIZIMINING KOGNITIV MODELI AXBOROT 114 A. D. Boboqulov CHIZIQLI REGRESSIYA VA TASODIFIY O‘RMON YORDAMIDA BASHORATLI MA’LUMOTLAR TAHLILI HISOR DAVLAT O‘RMON XO‘JALIGI HUDUDI BO‘YICHA 120 4

МЕТОДИКА ПРОВЕДЕНИЯ ЗАНЯТИЙ С ИСПОЛЬЗОВАНИЕМ ВОЗМОЖНОСТЕЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В СИСТЕМЕ ВЫСШЕГО ОБРАЗОВАНИЯ Хабибуллаева Шахло Азаматовна Старший преподаватель кафедры «Коммуникации и информационных технологий» университета «Vatan», shahlo.m.d@gmail.com Аннотация. Контекст: Математика является одной из дисциплин с наибольшим числом академических задолженностей в системе высшего образования Узбекистана, что обусловлено неравномерным уровнем школьной подготовки студентов и ограниченностью традиционных форм преподавания. Методы: В настоящей статье предлагается многоуровневая модель MLAIM (Multi-Layer AI Integration Model), объединяющая платформы Google Classroom, ChatGPT-4 и GeoGebra на основе анализа цифровых следов — данных об учебном поведении студентов в цифровой среде. Результаты: Разработана трёхэтапная дорожная карта пилотного внедрения модели в образовательный процесс Университета «Vatan»; модель охватывает четыре уровня: диагностику, формирование адаптивного контента, интерактивные упражнения и мониторинг в режиме реального времени. Заключение: Ожидаемые результаты включают повышение мотивации студентов и рост успеваемости на 10–15 % по сравнению с традиционными методами обучения, что согласуется с международным опытом внедрения ИИ в образование. Ключевые слова: искусственный интеллект; цифровой след; адаптивное обучение; математическое образование; модель MLAIM; персонализированное обучение; образовательная аналитика; цифровая трансформация. 1. АКТУАЛЬНОСТЬ ПРОБЛЕМЫ. Математика занимает особое место среди учебных дисциплин высшей школы: по данным внутренней статистики ряда узбекистанских университетов, именно по этому предмету фиксируется наибольшее число академических задолженностей и отчислений среди студентов первого и второго курсов. Причины носят системный характер и связаны с двумя взаимосвязанными факторами. Первый фактор — неоднородность базовой подготовки. Студенты, поступающие из разных регионов страны, общеобразовательных и специализированных школ, академических лицеев, демонстрируют существенно разный уровень математических знаний. Преподаватель, ориентированный на «среднего» студента, неизбежно оставляет за бортом как отстающих (для которых темп слишком высок), так и хорошо подготовленных (для которых он недостаточен). Второй фактор — унификация учебного процесса. В рамках традиционной аудиторной модели преподаватель не располагает инструментами для оперативной диагностики индивидуальных затруднений каждого из 25–30 студентов. Ошибки, допущенные при выполнении домашнего задания или на контрольной работе, обнаруживаются с опозданием — когда пропущенная тема уже стала основой для последующих разделов. Мировая практика демонстрирует убедительные ответы на эти вызовы. По состоянию на 2025 год образовательными платформами на базе ИИ — ChatGPT, Wolfram Alpha, Khan 5

Academy (Khanmigo), Carnegie Learning MATHia — пользуются сотни миллионов студентов и школьников по всему миру. Классический мета-анализ VanLehn (2011) показал, что интеллектуальные системы-репетиторы обеспечивают прирост учебных результатов, сопоставимый с эффектом индивидуального репетиторства [1]. Блум ещё в 1984 году сформулировал «проблему двух сигм»: студент, занимающийся один на один с репетитором, в среднем опережает студентов традиционного класса на два стандартных отклонения [2]. Сегодня технологии ИИ впервые делают подобную индивидуализацию доступной в масштабах целого потока. В Узбекистане государственная стратегия «Цифровой Узбекистан — 2030» ставит широкое внедрение цифровых технологий в сферу образования в разряд приоритетных задач [7]. Тем не менее, несмотря на активное оснащение вузов компьютерными классами и внедрение систем дистанционного обучения, целостная дидактическая модель, сочетающая ИИ и анализ цифровых следов студентов применительно к преподаванию математики, в отечественной педагогической науке остаётся недостаточно разработанной. Именно этот пробел определяет актуальность и научную значимость данного исследования. 2. ЦЕЛЬ ИССЛЕДОВАНИЯ И НАУЧНАЯ НОВИЗНА. Цель исследования — разработка научно обоснованной и практически применимой модели индивидуализированного преподавания математики на основе инструментов ИИ и цифровых следов студентов, а также определение поэтапного пути её внедрения в учебный процесс высшей школы. Задачи исследования: (1) проанализировать существующие подходы к применению ИИ в математическом образовании; (2) разработать архитектуру четырёхуровневой модели MLAIM; (3) обосновать математическое выражение эффективности модели; (4) сформировать трёхэтапную дорожную карту пилотного внедрения; (5) определить ожидаемые измеримые результаты. Научная новизна. Впервые для системы высшего образования Узбекистана предложена многоуровневая дидактическая модель MLAIM, комплексно обрабатывающая цифровые следы студента на четырёх взаимосвязанных уровнях. В отличие от ранее описанных подходов [3, 5, 6], модель не ограничивается отдельными инструментами ИИ, а интегрирует их в единый педагогический цикл: диагностика → адаптация → практика → мониторинг. Отличительной чертой является также её адаптированность к институциональным условиям узбекистанского вуза: учитываются языковая среда, аудиторная нагрузка преподавателя и требования действующих образовательных стандартов. Практическая значимость работы состоит в том, что предложенная модель может быть воспроизведена в любом университете страны, располагающем доступом к Google Classroom и базовыми инструментами ИИ, без значительных финансовых затрат. 3. МАТЕРИАЛЫ И МЕТОДЫ. Исследование проводилось на базе Университета «Vatan» (ранее УМФТ, Ташкент) в 2024–2025 учебном году. Экспериментальная выборка включала студентов первого курса направлений «Информационные технологии», «Экономика», «Логистика» и «Информационная безопасность», обучающихся по курсу «Высшая математика» (общий 6

охват — n = 75 человек, разделённых на контрольную и экспериментальную группы по 25– 40 человек в каждой). В исследовании применялся комплекс взаимодополняющих методов. Теоретические методы включали системный анализ отечественной и зарубежной литературы по проблемам применения ИИ в образовании [1, 2, 3, 6], а также сравнительный анализ действующих образовательных платформ. Эмпирические методы включали: педагогический эксперимент (доэкспериментальный и постэкспериментальный срезы); анализ цифровых следов студентов средствами встроенной аналитики Google Classroom (время выполнения заданий, процент правильных ответов, частота обращений к материалам); анкетирование студентов о субъективном восприятии учебного процесса. Статистическая обработка предполагала расчёт средних значений, стандартных отклонений и сравнение групп методом t-критерия Стьюдента. Платформенная основа модели: Google Classroom (управление курсом и сбор данных), ChatGPT-4 (генерация адаптивных объяснений и обратной связи), GeoGebra (динамическая визуализация математических объектов), Wolfram Alpha (верификация решений и пошаговые вычисления). Выбор именно этих инструментов обусловлен их бесплатной доступностью, совместимостью между собой и наличием русско- и узбекскоязычного интерфейса. 4. МОДЕЛЬ MLAIM: ОСНОВНАЯ СТРУКТУРА. Предлагаемая модель MLAIM (Multi-Layer AI Integration Model) — это педагогическая архитектура, в которой каждый следующий уровень строится на данных, полученных на предыдущем, образуя непрерывный цикл обратной связи между студентом, системой ИИ и преподавателем. Модель состоит из четырёх последовательных уровней. 1-й уровень — Диагностика. В начале каждого занятия или учебного блока алгоритм ИИ формирует для каждого студента персонализированный набор диагностических вопросов. Основой для генерации служат накопленные цифровые следы: типичные ошибки, темы с низким процентом правильных ответов, среднее время ответа на каждый тип задания. Диагностика занимает 5–7 минут и позволяет выявить актуальный уровень готовности студента к новой теме ещё до начала объяснения преподавателя. 2-й уровень — Адаптивный контент. По итогам диагностики система автоматически формирует для каждого студента индивидуальную учебную траекторию (learning path). Студентам с пробелами в базовых темах предлагаются вводные материалы и примеры повышенной детализации; студентам с высокими показателями — задания продвинутого уровня. Так, студенту, не освоившему метод замены переменной при вычислении интегралов, система рекомендует дополнительный видеоурок и набор тренировочных задач именно по этой теме, прежде чем перейти к интегрированию по частям. 3-й уровень — Интерактивные упражнения. На этом уровне студент работает с заданиями, интегрированными с Wolfram Alpha и GeoGebra. При допущенной ошибке система не просто сообщает о ней, но предоставляет пошаговый разбор с указанием конкретного шага, на котором произошла ошибка. Сложность заданий повышается адаптивно: студент переходит к следующему уровню трудности лишь после успешного освоения текущего. GeoGebra обеспечивает динамическую визуализацию — студент в 7

реальном времени наблюдает, как изменяется форма кривой при вариации параметров уравнения, что переводит абстрактные формулы в наглядные образы. 4-й уровень — Мониторинг в реальном времени. Панель мониторинга агрегирует цифровые следы всей группы и представляет их преподавателю в виде наглядных индикаторов: какие темы вызывают наибольшие затруднения, у каких студентов показатели ухудшились за последние два занятия, какова динамика группы в целом. На основе этих данных система формирует рекомендации для планирования следующего занятия: на какие темы следует выделить дополнительное время, кого из студентов стоит задействовать в разборе задачи у доски. Математическое выражение целевой функции модели (1): E = f(D, A, T) → max, (1) где, E — эффективность обучения (интегральный показатель успеваемости и мотивации); D — вектор цифровых следов студента; A — адаптивные рекомендации ИИ; T — учебное время. Задача системы — при заданном T максимизировать E за счёт оптимальной настройки вектора A на основе D. 5. ПРИМЕР ПРАКТИЧЕСКОГО ПРИМЕНЕНИЯ. Для иллюстрации работы модели рассмотрим два конкретных сценария, характерных для курса «Высшая математика». Сценарий 1. Дифференциальное исчисление. Студент первого курса дважды подряд допускает однотипную ошибку при нахождении производной функции f(x) = x³ − 3x² + 2x: применяет степенное правило к каждому члену, но при вычислении производной члена −3x² забывает умножить коэффициент на показатель степени. В традиционной системе эта ошибка, как правило, обнаруживается лишь при проверке домашнего задания — спустя день-два. В системе MLAIM ошибка фиксируется немедленно: студенту предлагается микро-урок «Правило дифференцирования произведения константы и степенной функции» с тремя нарастающими по сложности примерами. Последующие задания специально включают аналогичные члены для закрепления. На панели мониторинга преподаватель в тот же день видит, что данная ошибка характерна для 8 из 25 студентов группы, и планирует краткий разбор на следующем занятии. Сценарий 2. Визуализация функций. В курсе прикладной математики при совместном использовании GeoGebra и ИИ студенты исследуют семейство прямых y = kx + b. Изменяя параметры k и b в интерактивной среде GeoGebra, они в реальном времени наблюдают, как меняются угол наклона и положение прямой на плоскости. ChatGPT-4 отвечает на вопросы студентов на русском и узбекском языках, объясняя геометрический смысл каждого параметра. Такой подход позволяет студентам самостоятельно «открыть» взаимосвязь между алгебраической формулой и её геометрическим образом, что существенно повышает глубину понимания и учебную мотивацию. Оба сценария демонстрируют ключевое преимущество модели MLAIM: ошибка становится не источником оценки, а точкой входа в адаптивную учебную траекторию. Это меняет само отношение студентов к ошибкам — от избегания к анализу. 8

6. ПЛАН ВНЕДРЕНИЯ И ОЖИДАЕМЫЕ РЕЗУЛЬТАТЫ. Внедрение модели MLAIM в учебный процесс Университета «Vatan» предусматривает три последовательных этапа, рассчитанных на общий срок около двух лет. 1-й этап — Подготовительный (1–3 месяца). Техническая настройка: подключение ИИ-приложений (ChatGPT-4 API, GeoGebra, Wolfram Alpha) к учебным курсам в Google Classroom; разработка шаблонов диагностических тестов для каждого раздела курса высшей математики. Организационная подготовка: проведение двухдневных тренингов по цифровой грамотности для преподавателей, участвующих в эксперименте; ознакомительные сессии для студентов. Нормативная база: разработка и утверждение локальной политики конфиденциальности и защиты учебных данных студентов в соответствии с законодательством Республики Узбекистан. 2-й этап — Пилотный (1 семестр). Пилотное внедрение модели MLAIM в двух параллельных группах по дисциплинам «Математический анализ» (раздел «Дифференциальное исчисление функции одной переменной») и «Прикладная математика» (раздел «Линейная алгебра»). Параллельно ведётся контрольная группа, обучающаяся по традиционной методике. Данные Google Classroom Analytic обрабатываются еженедельно; по итогам каждого месяца проводится промежуточная коррекция адаптивных траекторий. 3-й этап — Масштабирование (2–3 семестра). Сравнительный анализ итоговой успеваемости, результатов анкетирования и данных мониторинга в экспериментальной и контрольной группах. При подтверждении гипотезы — тиражирование модели на все курсы математики университета и публикация результатов в рецензируемых изданиях. Параллельно — адаптация модели для использования в общеобразовательных школах в рамках сотрудничества с Министерством народного образования. Количественные ориентиры ожидаемых результатов основаны на международном опыте. Согласно данным Carnegie Learning MATHia, применение адаптивных ИИ-систем в математике даёт прирост результатов в пределах 10–20 % по сравнению с традиционными группами [1]. Опыт Сингапура и Южной Кореи демонстрирует устойчивый рост мотивации и снижение тревожности перед математикой при систематическом использовании интерактивных цифровых инструментов [6]. Для Узбекистана консервативный ориентир — 10–15-процентное улучшение среднего балла в экспериментальных группах относительно контрольных — представляется достижимым уже по итогам пилотного семестра. 7. ОБСУЖДЕНИЕ. Теоретические положения настоящего исследования вписываются в широкий международный контекст дискуссии об ИИ в образовании. Ouyang & Jiao [6] выделяют три парадигмы применения ИИ в образовательном процессе: ИИ как инструмент автоматизации (замена рутинных операций), ИИ как персональный тьютор (адаптивное взаимодействие) и ИИ как партнёр по совместному решению задач (коллаборативные сценарии). Модель MLAIM в её нынешнем виде преимущественно реализует первую и вторую парадигмы, закладывая при этом основу для перехода к третьей. Ключевым теоретическим понятием, на котором строится модель, является цифровой след (digital footprint) студента. Baker & Inventado [3] определяют образовательный датамайнинг как дисциплину, изучающую методы автоматического обнаружения 9

закономерностей в больших объёмах данных, собираемых в образовательных контекстах. Специфика нашего подхода состоит в том, что цифровые следы используются не ретроспективно (для оценки пройденного пути), а проспективно — как основа для формирования следующего шага учебной траектории студента. Практический опыт отечественных коллег также свидетельствует в пользу предложенного подхода. Abduraxmonov & Xabibullayeva [4] показали, что интегративный подход к преподаванию высшей математики, связывающий содержание курса с профессиональными задачами студентов конкретного направления, значительно повышает учебную мотивацию. Модель MLAIM органично дополняет этот подход, добавляя технологический слой персонализации. Xoliqov & Raximov [5] также указывают на необходимость не просто насыщать учебный процесс цифровыми инструментами, но выстраивать их в педагогически обоснованную систему — именно это и является целью настоящей работы. Вместе с тем реализация модели сопряжена с рядом ограничений, которые должны быть учтены при планировании эксперимента. Во-первых, неравномерная цифровая грамотность преподавательского состава требует системной методической поддержки. Вовторых, вопросы конфиденциальности данных студентов предполагают строгое следование нормам законодательства об обработке персональных данных. В-третьих, устойчивость модели зависит от стабильности интернет-инфраструктуры, которая в ряде корпусов университета пока остаётся недостаточной. Устранение этих ограничений является задачей первого, подготовительного этапа внедрения. 8. ЗАКЛЮЧЕНИЕ. Проведённое исследование позволяет сделать следующие основные выводы. Интеграция искусственного интеллекта и систематического анализа цифровых следов создаёт качественно новые возможности для индивидуализации математического образования в высшей школе. Предложенная модель MLAIM представляет собой теоретически обоснованную, структурированную и практически воспроизводимую архитектуру, адаптированную к институциональным условиям узбекистанского вуза. Модель решает центральное противоречие традиционного группового обучения: один преподаватель физически не может обеспечить индивидуальную траекторию для каждого из 25–30 студентов аудитории. MLAIM делегирует функции диагностики, адаптации контента и первичной обратной связи системе ИИ, высвобождая время преподавателя для педагогически более ценных взаимодействий: разбора нестандартных ситуаций, мотивационной поддержки, углублённой работы со студентами, требующими особого внимания. Исследование согласуется с приоритетами стратегии «Цифровой Узбекистан — 2030» и вносит вклад в формирование отечественной научно-методической базы в области образовательных технологий. На следующем этапе планируется проведение количественного педагогического эксперимента, верификация результатов и адаптация модели для уровня общеобразовательной школы. СПИСОК ЛИТЕРАТУРЫ: 1. VanLehn, K. The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational Psychologist, 2011, 46(4), 197–221. 10

2. Bloom, B. S. The 2 sigma problem: The search for methods of group instruction as effective as one-to-one tutoring. Educational Researcher, 1984, 13(6), 4–16. 3. Baker, R. S.; Inventado, P. S. Educational data mining and learning analytics. In Learning Analytics. Springer, New York, 2014; pp. 61–75. 4. Abduraxmonov, B. A.; Xabibullayeva, Sh. A. Oliy matematika fanini integrativ yondashuv asosida oʼlqitish. Respublika ilmiy-amaliy konferensiya materiallari, 2025, 34–36. 5. Xoliqov, A. A.; Raximov, B. X. Oliy taʼlimda raqamli texnologiyalarni qoʼlqlash. Oʼzbekiston taʼlim jurnali, 2023, 4(2), 12–21. 6. Ouyang, F.; Jiao, P. Artificial intelligence in education: The three paradigms. Computers and Education: Artificial Intelligence, 2021, 2, 100020. 7. Oʼzbekiston Respublikasi Prezidentining «Raqamli Oʼzbekiston — 2030» strategiyasi toʼgʼrisida qarori. Toshkent: Oʼzbekiston Respublikasi qonun hujjatlari milliy maʼlumotlar bazasi, 2020. KO‘ZI OJIZ INSONLAR UCHUN ATROF-MUHITDAGI XAVF VA TO‘SIQLARNI ANIQLASHDA PARALLEL HISOBLASH ORQALI OPTIMALLASHTIRISH Muxiddinov Muhriddin Nuriddin o‘g‘li1, Qurbonov Javohir Sharofiddin o‘g‘li2 1 Muhammad al-Xorazmiy nomidagi TATU, “Sun’iy intellekt” kafedrasi dotsenti 2 Muhammad al-Xorazmiy nomidagi TATU, “Sun’iy intellekt” kafedrasi magistranti Annotatsiya. Mazkur maqolada ko‘zi ojiz insonlar uchun atrof-muhitdagi xavf va to‘siqlarni aniqlash jarayonini optimallashtirish masalasi ko‘rib chiqilgan. Tadqiqotda kompyuter ko‘rish va chuqur o‘rganish texnologiyalariga asoslangan holda obyektni aniqlash va chuqurlikni baholash usullari tahlil qilinadi. Xususan, obyektlarni aniqlash uchun YOLO modeli, atrof-muhitdagi obyektlarning masofasini aniqlash uchun esa MiDaS modelidan foydalanish imkoniyatlari o‘rganilgan. Tadqiqot doirasida ushbu algoritmlarni ketma-ket va parallel hisoblash usullari yordamida bajarish jarayonlari taqqoslanadi. Parallel hisoblash texnologiyalarini qo‘llash natijasida tizimning ishlash tezligi va real vaqt rejimida ma’lumotlarni qayta ishlash samaradorligi oshishi aniqlangan. Olingan natijalar ko‘zi ojiz insonlar uchun mo‘ljallangan intellektual navigatsiya tizimlarini yaratishda muhim ahamiyatga ega. Kalit so‘zlar: kompyuter ko‘rish, sun’iy intellekt, obyekt aniqlash, chuqurlikni baholash, YOLO, MiDaS, parallel hisoblash, ketma-ket hisoblash, real vaqt tizimlari, ko‘zi ojizlar uchun yordamchi texnologiyalar, tasvirni qayta ishlash, optimallashtirish, multiprocessing, threading, Dask. 1.KIRISH. Hozirgi kunda ko‘zi ojiz va ko‘rish qobiliyati cheklangan insonlar uchun mustaqil harakatlanish imkoniyatlarini kengaytirish dolzarb vazifa sifatida qaraladi. Jahon sog‘liqni saqlash tashkiloti ma’lumotlariga ko‘ra, dunyo bo‘yicha kamida 2,2 milliarddan ortiq inson turli darajadagi ko‘rish qobiliyati qobiliyati bilan bog‘liq muammoga duch kelmoqda va ulardan kamida 1 milliard holatning oldini olish yoki davolash imkoniyati mavjud bo‘lgan [1]. Ko‘rish qobiliyatining pasayishi insonlarning kundalik faoliyatiga, mustaqil harakatlanishiga sezilarli darajada ta’sir ko‘rsatadi. Shu sababli ko‘zi ojiz insonlar uchun xavfsiz va samarali navigatsiya vositalarini yaratish ilmiy tadqiqotlarning muhim yo‘nalishlaridan biriga aylangan. 11

Ko‘zi ojiz insonlar kundalik hayotda ko‘plab xavfli vaziyatlar va to‘siqlarga duch keladi. Masalan, yo‘llarda harakatlanayotgan transport vositalari, zinapoyalar, baland yoki past darajadagi notekis joylar, devorlar, ustunlar hamda turli xil harakatsiz yoki harakatlanuvchi obyektlar ular uchun jiddiy xavf tug‘dirishi mumkin. Odatda ko‘zi ojiz insonlar navigatsiya jarayonida oq tayoq,yo‘l ko‘rsatuvchi itlardan, maxsus signal qurilmalari yoki boshqa yordamchi vositalardan foydalanadilar. Ammo odatdagi yordamchi vositalar atrof-muhitdagi obyektlarni masofadan aniqlash va ularning turini aniqlash imkoniyatiga ega emas. Tadqiqotlar shuni ko‘rsatadiki, ko‘zi ojiz insonlar uchun yaratilgan ko‘plab tizimlarda asosiy muammo obyektlarni real vaqt rejimida aniqlash va foydalanuvchiga tezkor ogohlantirish berish bilan bog‘liq [2]. So‘nggi yillarda axborot texnologiyalarining jadal rivojlanishi ushbu muammoni hal etishda yangi imkoniyatlar yaratib bermoqda. Xususan, sun’iy intellekt, kompyuter ko‘rish va chuqur o‘rganish algoritmlariga asoslangan tizimlar atrof-muhitni avtomatik tahlil qilish va turli obyektlarni aniqlash imkonini beradi. Kompyuter ko‘rish texnologiyalari yordamida tasvir yoki video oqimidan obyektlarni aniqlash, ularning joylashuvi va turini aniqlash, shuningdek atrofmuhitni semantik tahlil qilish mumkin. Bunday tizimlar yordamida transport vositalari, piyodalar, devorlar, zinapoyalar yoki boshqa to‘siqlarni aniqlash orqali foydalanuvchiga audio yoki vibratsion signal orqali ogohlantirish berish imkoniyati mavjud. Shu sababli kompyuter ko‘rish asosidagi yordamchi tizimlar ko‘zi ojiz insonlarning mustaqil harakatlanishini ta’minlashda muhim vosita sifatida qaralmoqda [3]. Biroq bunday tizimlarning samaradorligi ko‘p jihatdan hisoblash tezligiga bog‘liq. Atrofmuhitni real vaqt rejimida tahlil qilish jarayonida kamera orqali olingan tasvirlar katta hajmdagi ma’lumotlardan iborat bo‘ladi. Ushbu ma’lumotlarni tezkor qayta ishlash, obyektlarni aniqlash va natijani foydalanuvchiga yetkazish uchun yuqori hisoblash quvvati talab etiladi. Agar tizimning ishlash tezligi yetarli darajada bo‘lmasa, aniqlangan obyektlar haqidagi ma’lumot foydalanuvchiga kech yetib boradi va buning natijasida xavfli vaziyatlar sodir bo‘lishi mumkin. Shuning uchun real vaqt tizimlarida hisoblash jarayonlarini optimallashtirish muhim ilmiy masala hisoblanadi. Katta hajmdagi ma’lumotlarni tez qayta ishlash muammosini hal etishda parallel hisoblash texnologiyalari muhim ahamiyatga ega. Parallel hisoblash usullari yordamida murakkab hisoblash jarayonlari bir vaqtning o‘zida bir nechta protsessor yoki grafik protsessorlarda bajarilishi mumkin. Natijada tasvirni qayta ishlash, obyektlarni aniqlash va chuqurlikni baholash kabi jarayonlarning bajarilish tezligi sezilarli darajada oshadi. Zamonaviy kompyuter tizimlarida parallel hisoblash texnologiyalaridan foydalanish real vaqt rejimida ishlaydigan sun’iy intellekt tizimlarining samaradorligini oshirishda keng qo‘llanilmoqda [4]. Parallel hisoblash yondashuvlari yordamida bir nechta algoritmlarni bir vaqtning o‘zida bajarish imkoniyati mavjud. Bunday yondashuv tizimning umumiy ishlash vaqtini qisqartiradi va natijada xavfli obyektlarni tezroq aniqlash imkonini beradi. Shu sababli parallel hisoblash texnologiyalarini qo‘llash ko‘zi ojiz insonlar uchun yaratilayotgan intellektual navigatsiya tizimlarining samaradorligini oshirishda muhim ilmiy yo‘nalishlardan biri hisoblanadi. Mazkur tadqiqotning asosiy maqsadi ko‘zi ojiz insonlar uchun atrof-muhitdagi xavf va to‘siqlarni aniqlash jarayonini parallel hisoblash usullari yordamida optimallashtirishdan iborat. Ushbu maqsadga erishish uchun kompyuter ko‘rish va sun’iy intellekt algoritmlarini tahlil qilish, obyektlarni aniqlash jarayonining hisoblash murakkabligini baholash hamda parallel hisoblash asosida optimallashtirilgan model ishlab chiqish vazifalari qo‘yiladi. Tadqiqot natijalari ko‘zi ojiz 12

insonlar uchun xavfsiz navigatsiya tizimlarini yaratishda samaradorlikni oshirishga xizmat qilishi kutilmoqda. 2.BOG‘LIQ ISHLAR TAHLILI. Kompyuter ko‘rish (Computer Vision) - bu tasvir va video ma’lumotlarini avtomatik tahlil qilish va ulardan mazmunli axborot olishga qaratilgan sun’iy intellekt yo‘nalishi hisoblanadi. Ushbu sohaning asosiy maqsadi inson ko‘rish tizimining ayrim funksiyalarini kompyuter tizimlaridan foydalangan holda modellashtirishdan iborat. Kompyuter ko‘rish algoritmlari yordamida tasvirlardan obyektlarni aniqlash, ularni klassifikatsiya qilish, segmentatsiya qilish va vaziyatlarni tahlil qilishdan iborat [5]. Dastlabki kompyuter ko‘rish tizimlari tasvirni qayta ishlashning klassik usullariga asoslangan bo‘lib, ularda filtrlar, gradient operatorlari va geometrik xususiyatlardan foydalanilgan. Masalan, Canny edge detector, Sobel operatori va Hough transform kabi usullar tasvirdagi chegaralarni aniqlashda keng qo‘llanilgan [6]. Ammo bu metodlar murakkab vaziyatlarni tahlil qilishga samaradorligi past bo‘lgan.So‘nggi o‘n yillikda chuqur o‘rganish (Deep Learning) texnologiyalarining rivojlanishi kompyuter ko‘rish sohasida katta o‘zgarishlarga olib keldi. Ayniqsa konvolyutsion neyron tarmoqlar (Convolutional Neural Networks - CNN) tasvirlardan murakkab xususiyatlarni avtomatik o‘rganish imkonini berdi va buning natijasida obyektni aniqlash, yuzni tanish, avtonom transport tizimlari va robototexnika kabi ko‘plab sohalarda yuqori aniqliklarga erishib kelinmoqda [7]. CNN arxitekturasi odatda quyidagi qatlamlardan iborat: • convolution layer • activation function • pooling layer • fully connected layer Matematik jihatdan konvolyutsiya quyidagicha ifodalanadi: 𝑆(𝑖, 𝑗) = (𝐼 ∗ 𝐾)(𝑖, 𝑗) = ∑𝑚 ∑𝑛 𝐼(𝑖 − 𝑚, 𝑗 − 𝑛)𝐾(𝑚, 𝑛) (1) Bu yerda: • • • I - kiruvchi tasvir K - filtr (kernel) S - hosil bo‘lgan feature map CNN modellarining asosiy ustunligi tasvirdagi xususiyatlarni avtomatik ravishda o‘rganadi va shu sababli zamonaviy obyektni aniqlash algoritmlarining aksariyati CNN arxitekturasiga asoslanadi [8]. Obyekt aniqlash texnologiyalari vaqt o‘tishi bilan sezilarli darajada rivojlandi. Dastlabki yondashuvlar sliding window metodiga asoslangan bo‘lib, tasvirning har bir qismi alohida tekshirilgan. Biroq bu usul hisoblash jihatdan juda sekin bo‘lgan. Keyinchalik Region-based Convolutional Neural Networks (R-CNN) modeli taklif qilindi va ushbu model tasvirdagi ehtimoliy obyekt hududlarini aniqlab, keyin ularni CNN orqali klassifikatsiya qiladi [9]. R-CNN ning takomillashtirilgan variantlari quyidagilar hisoblanadi: • Fast R-CNN 13

• Faster R-CNN Biroq ushbu modellar ham real vaqt tizimlari uchun yetarli tezlikni ta’minlay olmadi va shu sababli real vaqt obyekt aniqlash uchun yangi algoritmlar ustida ish olib borildi va buning natijasida YOLO (You Only Look Once) algoritmi vujudga keldi real vaqt tizimida obyektlarni aniqlash uchun. Ushbu model tasvirni bir martalik neyron tarmoq orqali qayta ishlaydi va bir vaqtning o‘zida obyektlarning joylashuvini va klassini aniqlaydi [10]. YOLO algoritmi tasvirni S×S o‘lchamdagi panjaraga (grid) bo‘ladi. Har bir panjara quyidagi parametrlarni bashorat qiladi: • bounding box koordinatalari • obyekt ehtimoli • obyekt klassi Bounding box quyidagi parametrlar bilan ifodalanadi: 𝐵 = (𝑥, 𝑦, 𝑤, ℎ) (2) Bu yerda: • x,y - obyekt markazining koordinatalari • w,h - bounding box kengligi va balandligi YOLO modelida aniqlikni baholash uchun Intersection over Union (IoU) metrikasi ishlatiladi: 𝐴𝑟𝑒𝑎 𝑜𝑓 𝑂𝑣𝑒𝑟𝑙𝑎𝑝 𝐼𝑜𝑈 = 𝐴𝑟𝑒𝑎 𝑜𝑓 𝑈𝑛𝑖𝑜𝑛 (3) Bu metrika aniqlangan obyekt hududi va haqiqiy obyekt hududi o‘rtasidagi moslik darajasini ko‘rsatadi. YOLO modeli chuqur konvolyutsion neyron tarmoq arxitekturasiga asoslangan. Arxitektura odatda quyidagi komponentlardan iborat: • convolution qatlamlari • pooling qatlamlari • fully connected qatlamlar YOLO tarmog‘i tasvirni feature map ga aylantirib, ushbu xaritadan obyekt koordinatalari va klasslarini bashorat qiladi. YOLO algoritmining boshqa algoritmlardan bir nechta ustunlik tomonlari mavjud.Ular: • real vaqt ishlash tezligi • yuqori aniqlik • butun tasvirni bir vaqtning o‘zida tahlil qilish • hisoblash samaradorligi Quyidagi sxema YOLO ishlash jarayonini ko‘rsatadi: 14

1-rasm.YOLO ishlash sxemasi. Real vaqt tizimlarida YOLO modeli sekundiga 30–60 ta kadrni qayta ishlash imkoniyatiga ega [11]. MiDaS (Monocular depth estimation) - bu bitta kamera tasviri yordamida tasvirdagi obyektlarning masofasini aniqlash jarayoni hisoblanadi. Ushbu yondashuv robototexnika, avtonom transport tizimlari va navigatsiya tizimlarida keng qo‘llanib kelinmoqda [12]. MiDaS modeli chuqur o‘rganishga asoslangan bo‘lib, turli datasetlar yordamida o‘qitilgan va ushbu model kirish tasviridan holatning chuqurlik xaritasini shakllantiradi. MiDaS modelining umumiy ishlash jarayoni: 2-rasm.MiDaS modeli ishlash sxemasi. Depth map - bu tasvirdagi har bir piksel uchun masofa qiymatini ko‘rsatadigan xarita hisoblanadi. Matematik jihatdan depth qiymati quyidagicha ifodalanadi: D(x,y)=f(I(x,y)) Bu yerda: 15 (4)

• I(x,y) - tasvirdagi piksel • D(x,y) - mos keluvchi chuqurlik qiymati Depth map obyektlarning foydalanuvchiga qanchalik yaqin yoki uzoq ekanini aniqlash imkoniyatini taqdim etadi. MiDaS modeli quyidagi tizimlarda keng foydalanilyapdi: • avtonom robotlar • dron navigatsiyasi • robototexnika • yordamchi texnologiyalar Ko‘zi ojiz insonlar uchun yaratadigan tizimlarimizda depth map yordamida oldinda joylashgan obyektlarning masofasini aniqlashda foydalanishimiz mumkin . 3.METODOLOGIYA. Axborot texnologiyalari rivojlanishi bilan katta hajmdagi ma’lumotlarni tez va samarali qayta ishlash masalasi muhim ahamiyat kasb etmoqda. Ayniqsa sun’iy intellekt, kompyuter ko‘rish, katta ma’lumotlar (Big Data) va real vaqt tizimlari sohalarida murakkab hisoblash jarayonlarini tez bajarish zarurati ortib bormoqda. Bunday muammolarni hal qilishda parallel hisoblash texnologiyalari muhim rol o‘ynaydi [13]. Parallel hisoblash - bu murakkab hisoblash vazifalarini bir vaqtning o‘zida bir nechta protsessor yoki hisoblash yadrolari yordamida bajarishga asoslangan hisoblash usuli hisoblanadi. Ushbu yondashuv katta hajmdagi ma’lumotlarni tez qayta ishlash imkonini beradi va tizimlarning umumiy ishlash samaradorligini sezilarli darajada oshiradi [14]. Odatdagi hisoblash tizimlarida vazifalar odatda ketma-ket tarzda bajariladi. Bunda barcha hisoblash operatsiyalari bitta protsessor tomonidan bosqichma-bosqich amalga oshiriladi va bu usul oddiy masalalar uchun yetarli bo‘lishi mumkin, ammo katta hajmdagi ma’lumotlar yoki murakkab algoritmlar bilan ishlashda hisoblash jarayoni juda ko‘p vaqt sarflashga olib keladi [15]. 3-rasm.Vazifalarning ketma-ket bajarilishi. Parallel hisoblash esa ushbu muammoni hal qilish uchun vazifani bir nechta kichik qismlarga ajratadi va ularni bir vaqtning o‘zida turli protsessorlarda bajaradi. Natijada umumiy hisoblash vaqti sezilarli darajada qisqarishiga guvoh bo‘lamiz. 16

4-rasm.Vazifalarning parallel bajarilishi. Parallel hisoblash tizimlarida vazifalar odatda ikki xil usulda tashkil etiladi: ma’lumotlar bo‘yicha parallelizm va vazifalar bo‘yicha parallelizm. Ma’lumotlar bo‘yicha parallelizmda bir xil operatsiya katta hajmdagi ma’lumotlarning turli qismlariga bir vaqtning o‘zida qo‘llaniladi. Masalan, tasvirlarni qayta ishlash jarayonida rasmning turli qismlari alohida protsessorlarda parallel ravishda tahlil qilinishi mumkin [16]. Vazifalar bo‘yicha parallelizmda esa turli xil vazifalar alohida hisoblash resurslariga taqsimlanadi. Masalan, bir protsessor ma’lumotlarni qabul qilish bilan shug‘ullansa, boshqasi ularni qayta ishlaydi, yana biri esa natijalarni saqlash yoki foydalanuvchiga yetkazish vazifasini bajaradi. Parallel hisoblash samaradorligini baholash uchun ilmiy adabiyotlarda turli matematik modellar qo‘llaniladi. Ulardan eng mashhurlaridan biri Amdahl qonuni hisoblanadi [17]. Ushbu qonunga ko‘ra, parallel tizimning tezlanishi quyidagi formula bilan ifodalanadi: 𝑆= 1 (1−𝑃)+ bu yerda 𝑃 𝑁 (5) • S - tizimning tezlanish koeffitsienti (speedup), • P - algoritmning parallel bajarilishi mumkin bo‘lgan qismi, • N esa ishlatilayotgan protsessorlar sonini bildiradi. Ushbu formula parallel hisoblash tizimlarining samaradorligini baholashda muhim ahamiyatga ega. Agar algoritmning katta qismi parallel tarzda bajarilishi mumkin bo‘lsa, tizimning umumiy tezligi sezilarli darajada oshadi. Zamonaviy kompyuter tizimlarida parallel hisoblashni amalga oshirish uchun turli apparat arxitekturalari qo‘llaniladi. Ulardan eng keng tarqalganlari ko‘p yadroli markaziy protsessorlar (multi-core CPU), grafik protsessorlar (GPU) va klaster hisoblash tizimlaridir [18]. Ko‘p yadroli protsessorlar bir nechta mustaqil hisoblash yadrolaridan iborat bo‘lib, ular bir vaqtning o‘zida turli vazifalarni bajarishi mumkin. Bu texnologiya zamonaviy shaxsiy kompyuterlar va serverlarda keng qo‘llaniladi. Grafik protsessorlar esa minglab kichik hisoblash yadrolariga ega bo‘lib, ayniqsa katta hajmdagi ma’lumotlarni parallel qayta ishlashda yuqori samaradorlikni ta’minlaydi. 17

Shu sababli GPU texnologiyalari sun’iy intellekt, chuqur o‘rganish va kompyuter ko‘rish tizimlarida keng qo‘llanilmoqda. Parallel hisoblash texnologiyalari ayniqsa kompyuter ko‘rish va sun’iy intellekt sohalarida muhim ahamiyatga ega. Tasvirlarni qayta ishlash jarayonida juda katta hajmdagi piksel ma’lumotlari tahlil qilinadi. Masalan, yuqori aniqlikdagi video oqimni real vaqt rejimida qayta ishlash uchun katta hisoblash quvvati talab etiladi. Parallel hisoblash yordamida tasvirning turli qismlarini bir vaqtning o‘zida tahlil qilish mumkin bo‘ladi, bu esa tizimning ishlash tezligini sezilarli darajada oshiradi[18]. Kompyuter ko‘rish sohasida keng qo‘llaniladigan zamonaviy algoritmlar, masalan obyektlarni aniqlash va chuqurlikni baholash modellarida ham parallel hisoblash texnologiyalari muhim rol o‘ynaydi. Obyektlarni aniqlash algoritmlari tasvir ichidagi turli obyektlarni aniqlash va ularning joylashuvini belgilash vazifasini bajaradi va bunday algoritmlar ko‘pincha chuqur neyron tarmoqlarga asoslangan bo‘lib, katta hajmdagi ma’lumotlarni tez qayta ishlashni talab qiladi. Parallel hisoblash texnologiyalari yordamida ushbu jarayonlar tezlashtiriladi va real vaqt tizimlarida qo‘llash imkoniyati paydo bo‘ladi. Parallel hisoblash texnologiyalari yordamida real vaqt navigatsiya va yordamchi tizimlarni yaratish ham mumkin. Masalan, ko‘zi ojiz insonlar uchun ishlab chiqilayotgan zamonaviy yordamchi tizimlarda kamera yordamida olingan tasvirlar tezkor ravishda tahlil qilinadi va foydalanuvchiga atrof-muhitdagi xavfli obyektlar haqida ogohlantirish beriladi va bunday tizimlarda obyektlarni aniqlash, ularning masofasini baholash va natijani foydalanuvchiga yetkazish jarayonlari bir vaqtning o‘zida bajarilishi kerak. Parallel hisoblash texnologiyalari aynan shu jarayonlarni tez va samarali bajarishga imkon yaratadi. 4. NATIJALAR VA TAHLILLAR Python dasturlash tilida parallel hisoblashni amalga oshirish uchun multiprocessing, threading, joblib va Dask kutubxonalaridan foydalanishimiz mumkin [19]. Python tilida parallel hisoblashni tashkil etishning asosiy usullaridan biri bu-multiprocessing moduli hisoblanadi. Ushbu modul yordamida dastur bir nechta mustaqil jarayonlarga bo‘linadi va har bir jarayon alohida protsessor yadrosida bajariladi. Bu usul ayniqsa katta hajmdagi hisoblash masalalarida samarali hisoblanadi. Multiprocessing moduli Global Interpreter Lock (GIL) cheklovlarini chetlab o‘tishga imkon beradi va shu sababli ko‘p yadroli protsessorlardan samarali foydalanish imkonini yaratadi [20]. Python tilida parallel hisoblashni amalga oshirishning yana bir usuli threading moduli orqali bajarishimiz mumkinn. Threading moduli yordamida dastur ichida bir nechta oqimlar (threads) tashkil etiladi va ular bir vaqtning o‘zida turli vazifalarni bajarishi mumkin. Biroq Python interpreterida mavjud bo‘lgan Global Interpreter Lock (GIL) sababli threading moduli asosan kirish-chiqish operatsiyalariga bog‘liq vazifalarda samarali ishlaydi [20]. Bundan tashqari, Python muhitida katta hajmdagi ma’lumotlarni parallel qayta ishlash uchun Dask kutubxonasi ham keng qo‘llaniladi. Dask katta ma’lumotlar bilan ishlash jarayonini bir nechta protsessor yoki hatto bir nechta kompyuterlar o‘rtasida taqsimlash imkonini beradi. Ushbu kutubxona NumPy va Pandas kabi ilmiy kutubxonalar bilan integratsiya qilinishi mumkin [21]. Biz ushbu tadqiqotimizda Python dasturlash tilining YOLO va MiDaS algoritmlaridan va parallel hisoblash uchun threading, multiprocessing vositalaridan foydalandik.YOLO – 18

algoritmidan obyektni aniqlash uchun,MiDaS dan esa obyekt masofasini aniqlash uchun foydalandik. 5-rasm.YOLO va MiDaS algoritmlarining parallel ishlashi. Bu algoritmlarning parallel ishlashi natijasida tizimning umumiy ishlash vaqti sezilarli darajada kamaydi. 6-rasm.Dastur natijasi. Dastur natijasida ko’rinib turibdiki algoritmlardan parallel hisoblashdan foydalanganimizda 1.67 marta tezlashganiga guvoh bo‘lyabmiz. 19