Management and Future Technologies | Volume 3, Issue 3 | № 011

23. Zhang, Y.; Guo, X.; Ma, J.; Liu, W.; Zhang, J. Beyond Brightening Low-Light Images. International Journal of Computer Vision, 2021, 129, 1013–1037. DOI: 10.1007/s11263-02001407-x. 24. Saydazimov, J. K., & Iskandarova, S. N. (2023). Shifoxonaga tegishli dorixonalar sotuv ko'rsatkichlarini raqamli tahlil qilish [Digital analysis of sales indicators of hospital pharmacies]. Turakulov, S. X., & Iskandarova, S. N. (2021, March 26–27). 25. Kutlimuratov, A., Sharipov, K., Allayarov, P., Iskandarova, S., Latyfskiy, R., Tolibaeva, G., & Makhmudov, F. (2026). SE-POSTER: Channel-enhanced landmark guided transformer for facial emotion recognition. Informatics, 13(8), Article 123. https://doi.org/10.3390/informatics13080123 O‘ZBEK TILI KORPUSI UCHUN KO‘P QATLAMLI LINGVISTIK ANNOTATSIYA 1 Qarshiyev Abduvali Berkinovich1, Tursunov Muhammadsolih Sa’din o‘g‘li2,* Sharof Rashidov nomidagi Samarqand davlat universiteti, Samarqand, O‘zbekiston 2 Oriental universiteti Samarqand kampusi, Samarqand, O‘zbekiston muhammadsolih927@gmail.com Annotatsiya: Ushbu maqolada o‘zbek tilidagi katta hajmli yozma manbalarni qabul qilish, me’yorlashtirish, tuzilmaviy birliklarga ajratish, ko‘p qatlamli lingvistik annotatsiyalash va korpus qidiruvi orqali taqdim etishga mo‘ljallangan veb-platforma ishlab chiqildi. Tizim Django 5.2 va PostgreSQL asosida qurilib, hujjat, abzats, gap, token hamda tinish belgisini alohida indekslangan obyekt sifatida, kengaytiriladigan lingvistik ma’lumotni esa versiyalangan JSON qatlamida saqlaydi. Matnni qayta ishlashda Unicode va apostrof variantlarini me’yorlashtirish, juft hamda takror so‘zlarni yaxlit token sifatida ajratish, mazmun xeshi orqali takror hujjatlarni cheklash va katta fayllarni paketlab qayta ishlash usullari qo‘llandi. Platformada konkordanser, chastotali va N-gram lug‘atlar, metama’lumotlar statistikasi, morfologik-sintaktik muharrir, NER, Entity linking va xatoliklarni uch bosqichda ko‘rib chiqish jarayoni birlashtirildi. Funksional verifikatsiyada autentifikatsiya, qidiruv, annotatsiya, ma’lumot yaxlitligi va administrator jarayonlarini qamrab olgan 38 ta testning barchasi muvaffaqiyatli bajarildi. Natijalar platforma o‘zbek tilining tadqiqot va ta’lim korpuslarini izchil kengaytirish uchun takrorlanuvchi, nazorat qilinadigan va yangi tahlil modullariga ochiq infratuzilma ekanini ko‘rsatdi. Kalit so‘zlar: o‘zbek tili korpusi; konkordanser; lingvistik annotatsiya; morfologik tahlil; sintaktik tahlil; nomlangan obyektlar; Entity linking; Django. 1. KIRISH Til korpusi tabiiy til birliklarini haqiqiy qo‘llanish kontekstida kuzatish, chastota va birikuvchanlikni o‘lchash, grammatik hodisalarni tekshirish hamda ta’lim va sun’iy intellekt tizimlari uchun ma’lumot tayyorlash imkonini beradigan raqamli resursdir. Korpus lingvistikasida ma’lumot hajmi bilan bir qatorda matnlarning reprezentativligi, metama’lumotlarning aniqligi, qidiruv mexanizmining takrorlanuvchanligi va annotatsiya qatlamlarining izchil boshqarilishi muhim hisoblanadi [1]. Zamonaviy korpus vositalari oddiy so‘z qidiruvidan tashqari konkordans, kollokatsiya, grammatik filtr, lug‘at va statistik tahlilni bir muhitda birlashtiradi; Sketch Engine 120

tajribasi bunday funksional integratsiyaning leksikografiya va empirik tilshunoslikdagi ahamiyatini ko‘rsatgan [2]. Korpus ma’lumotini uzoq muddatli saqlash va boshqa vositalar bilan almashishda qatlamlararo bog‘lanish alohida masaladir. ISO 24612 lingvistik annotatsiyani birlamchi ma’lumot va unga bog‘langan annotatsiya obyektlari sifatida ifodalashga yo‘naltirilgan umumiy modelni tavsiya qiladi [3]. So‘z shakli, lemma, token va morfosintaktik xususiyatlarning o‘zaro munosabati esa yangilangan ISO 24611-1:2025 modelining markaziy obyektidir [4]. Mazkur tamoyillar bitta monolit matn maydonidan foydalanish o‘rniga, hujjat, abzats, gap, token va annotatsiyani identifikatorlar orqali bog‘lash zarurligini asoslaydi. Ko‘p tilli tabiiy tilni qayta ishlashda universal so‘z turkumlari tizimi turli til va korpuslarni qiyoslash uchun umumiy tayanch yaratdi [5]. Universal Dependencies loyihasi bu yondashuvni lemma, UPOS, morfologik xususiyat va sintaktik tobelikni birlashtirgan ko‘p qatlamli daraxtbank modeliga aylantirdi [6,7]. Biroq o‘zbek tili agglutinativ tuzilishga ega bo‘lgani sababli universal teglar tilga xos ma’no, shakl, nisbat, egalik, kelishik va boshqa grammatik belgilarni to‘liq qamrab olmaydi. Shuning uchun platforma xalqaro nomlash bilan mos keladigan yuqori sathni saqlab, o‘zbek tiliga xos ichki kodlarni ham mustaqil annotatsiya qatlamida berishi lozim. O‘zbek tilida morfologik va sintaktik teglangan korpus yaratish bo‘yicha avvalgi ishda maxsus teglar to‘plami va veb-annotatsiya vositasi ishlab chiqilib, ekspertning so‘zma-so‘z belgilash jarayoni taklif qilingan [8]. Keyingi UzbekTagger tadqiqoti 12 turkumli qoidaviy POS teglash va affikslarni ajratishga asoslangan yondashuvni taqdim etdi [9]. UzMorphAnalyser esa o‘zbekcha so‘zlarning flektiv qo‘shimchalari, stemming, lemmalash va morfologik belgilarini birgalikda tahlil qilish masalasiga e’tibor qaratdi [10]. 2026-yilda e’lon qilingan UzbekPOS ma’lumotlar to‘plamida 25 soha bo‘yicha 4412 gap va 53113 token-teg juftligi ekspertlar ishtirokida tekshirilgan bo‘lib, o‘zbek tilida ko‘p domenli oltin standart resurslarga ehtiyoj saqlanib qolayotganini ko‘rsatadi [11]. Nomlangan obyektlarni aniqlash ham korpusning semantik imkoniyatlarini kengaytiradi. O‘zbek NER ma’lumotlari bo‘yicha tadqiqotda 2000 gap va 25865 so‘z BIOES sxemasida ekspert tekshiruvidan o‘tkazilgan [12]. Neyron quvurlar tokenlashdan NERgacha bo‘lgan vazifalarni birlashtira olishi Stanza tizimida ko‘rsatilgan [13], kontekstual til modellari esa kam resursli tillar uchun transfer o‘rganish imkoniyatlarini oshirdi [14]. Shunga qaramay, model natijasini korpusga to‘g‘ridan-to‘g‘ri yozish ekspert nazoratisiz xato annotatsiyaning ko‘payishiga olib kelishi mumkin. Entity linking vazifasi nomlangan obyektni kanonik bilim bazasi yozuviga bog‘lashni talab qilgani uchun NERdan keyingi alohida tekshiruv bosqichi sifatida qaraladi [15]. 2. MATERIALLAR VA USULLAR 2.1. Tadqiqot obyekti va funksional talablar Tadqiqot obyekti sifatida O‘zbek tili milliy korpusining v8.0 dasturiy platformasi olindi. Tizim Python muhitida Django 5.2 LTS freymvorki, PostgreSQL ma’lumotlar bazasi, HTML/CSS/JavaScript foydalanuvchi interfeysi va DOCX fayllarni o‘qish vositalari asosida qurilgan. Ishlab chiqarish muhitida Gunicorn yoki cPanel Passenger orqali ishga tushirish, statik resurslarni WhiteNoise yordamida uzatish va media fayllarni alohida saqlash ko‘zda tutilgan. Django 5.2 ning uzoq muddatli qo‘llab-quvvatlanadigan nashr sifatida tanlanishi xavfsizlik yangilanishlari va PostgreSQL bilan barqaror integratsiyani ta’minlaydi [16]. 121

Talablar uchta foydalanuvchi roliga ajratildi. Ochiq foydalanuvchi e’lon qilingan matnlar bo‘yicha konkordans, lug‘at va statistikadan foydalanadi, tokenning lingvistik ma’lumotini ko‘radi va xato haqida xabar yuboradi. Admin-filolog o‘z matnini yuklaydi, metama’lumotni to‘ldiradi, qayta ishlash jarayonini kuzatadi, tokenlarni sahifalab tahrirlaydi va avtomatik tahlil modullarini ishga tushiradi. Superadmin foydalanuvchilar, ma’lumotnoma jadvallari, publikatsiyalar, yangiliklar va annotatsiya xabarlarini boshqaradi. Rollarni ajratish tahrir huquqini manba egasi bilan cheklab, ochiq qidiruvni ma’lumotlar boshqaruvidan ajratadi. 2.2. Qatlamli arxitektura va ma’lumotlar modeli Platforma taqdimot, amaliy xizmat va saqlash qatlamlariga ajratildi. Taqdimot qatlami ko‘p tilli sahifalar, AJAX so‘rovlari va rollarga mos menyularni boshqaradi. Amaliy xizmat qatlami matnni ajratish, qidiruv, statistika, annotatsiya va sifat nazorati funksiyalarini bajaradi. Saqlash qatlami indekslangan relyatsion jadvallar, versiyalangan JSON obyektlari va yuklangan media fayllardan tashkil topadi. 1-rasmda ushbu qatlamlar hamda foydalanuvchi rollarining o‘zaro bog‘lanishi ko‘rsatilgan. 1-rasm. O‘zbek tili milliy korpusi platformasining qatlamli arxitekturasi. Har bir korpus hujjati metama’lumot, asl matn, DOCX manba fayli, mazmun xeshi, tayyor birliklar soni, ochiqlik belgisi va qayta ishlash holatini saqlaydi. Tuzilmaviy birliklarning umumiy modeli quyidagi to‘plam orqali ifodalanadi: D = ⟨M, P, S, T, U, A⟩ (1) bu yerda M - hujjat metama’lumotlari; P - abzatslar; S - gaplar; T - so‘z tokenlari; U - tinish belgilari; A - lingvistik annotatsiyalar majmui. Har bir P, S, T va U obyektida hujjat ichidagi tartib raqami va boshlanish-tugash ofseti saqlanadi. Bunday bog‘lanish foydalanuvchiga topilgan tokenni asl gap va abzats kontekstida qayta tiklash, sintaktik daraxtdagi tugun bilan bog‘lash va tahrirdan keyin JSON qatlamini sinxronlashtirish imkonini beradi. 122

1-jadval. Platformadagi asosiy ma’lumot qatlamlari va ularning vazifasi. Qatlam Asosiy obyektlar Vazifa Manba CorpusDocument, source_json DOCX tuzilmasi, metama’lumot va asl matnni saqlash Tuzilmaviy Paragraph, Sentence Abzats va gap chegaralari, tartib va belgilar ofsetini saqlash Leksik Token, Punctuation So‘z shakli, lemma, turkum, bo‘shliq va tinish belgilarini ajratish Lingvistik annotations, corpus_json Morfologiya, sintaksis, omonimlik, NER va EL qatlamlarini kengaytirish Jarayon ProcessingJob, AnalysisJob Paketli ishlov, progress, tezlik, ETA va xatoni qayd etish Sifat AnnotationReport, CanonicalEntity Xato xabari, tasdiqlangan tuzatish va kanonik obyekt bog‘lanishini yuritish 2.3. DOCX manbani qayta ishlash algoritmi Hujjat brauzerdan diskka oqimli tarzda qabul qilinadi. Avval paragraf va runlar ketmaketligi o‘qilib, asl matn hamda formatlash haqidagi manba JSONi tuziladi. Takror yuklashni cheklash uchun bo‘shliqlar birxillashtirilgan va registrdan mustaqil matndan SHA-256 mazmun xeshi hisoblanadi. Xeshning noyob cheklovi bir xil mazmundagi hujjat boshqa nom bilan yuborilganda ham dublikat yozuv hosil bo‘lishining oldini oladi. Me’yorlashtirish bosqichida matn Unicode NFC ko‘rinishiga o‘tkaziladi, satr boshidagi va oxiridagi ortiqcha bo‘shliqlar tozalanadi, turli tipografik apostroflar bitta o‘zbekcha apostrof belgisiga, noodatiy defislar esa standart defisga almashtiriladi. “bir-biri”, “asta-sekin”, “sochsoqol” kabi juft va takror birliklar defis bilan yaxlit token sifatida saqlanadi. Raqam va tinish belgisi so‘z chastotasini buzmasligi uchun tinish birliklari Token jadvaliga emas, Punctuation jadvaliga yoziladi; gapni qayta ko‘rsatishda esa token va tinish birliklari umumiy tartib bo‘yicha birlashtiriladi. Katta hujjat bir so‘rov davomida to‘liq qayta ishlanmaydi. ProcessingJob obyektida bosqich, kursor, jami va bajarilgan birliklar soni, sekundiga ishlangan birliklar hamda taxminiy qolgan vaqt saqlanadi. Hujjat abzatslar bo‘yicha, tokenlar esa alohida paketlarda bazaga yoziladi. Brauzer kichik AJAX so‘rovlari bilan jarayonni davom ettirishi yoki mustaqil worker navbatdagi ishni bajarishi mumkin. Bu usul veb-serverning so‘rov vaqti cheklovini kamaytiradi, muvaffaqiyatsiz bosqichdan nazoratli qayta boshlash va foydalanuvchiga aniq progress ko‘rsatish imkonini beradi. 2.4. Ko‘p qatlamli annotatsiya modeli Token sathida surface, normalized, lemma, part_of_speech, is_word, space_after, ofset va analysis_status maydonlari mavjud. Kengaytiriladigan annotations JSON obyektida morphology, syntax, homonymy, ner va entity_linking kabi nomlangan qatlamlar saqlanadi. Yangi analizator 123

qo‘shilganda mavjud jadvallarni majburiy o‘zgartirmasdan yangi qatlam yozish mumkin; keng qo‘llanadigan lemma va turkum kabi qiymatlar esa indekslash va qidiruv uchun alohida ustunlarda takror saqlanadi. Bu gibrid model qat’iy sxemaning tezkor so‘rovi bilan JSONning moslashuvchanligini birlashtiradi. Morfologik muharrir tanlangan so‘z turkumiga tegishli belgilarni dinamik chiqaradi. Masalan, ot uchun atoqli/turdosh, aniq/mavhum, son, kelishik va egalik; fe’l uchun semantik tur, tuzilish, bo‘lishlilik, o‘timlilik, nisbat, vazifa shakli, zamon, shaxs-son va mayl belgilanadi. Server har bir yuborilgan kodning tanlangan POS sxemasiga tegishli ekanini tekshiradi; begona yoki noma’lum kod darhol rad etiladi. Interfeysda guruh nomlarini takror ko‘rsatish o‘rniga faqat tanlangan qiymat va uning kodi ixcham chiqariladi. Sintaktik qatlamda har bir token uchun hokim token identifikatori va root, nsubj, obj, iobj, obl, amod, nmod, advmod, acl, case, cc, conj, compound, aux, cop, mark yoki dep munosabati beriladi. NER qatlami 15 turdagi obyektni, jumladan PER, ORG, GPE, LOC, EVENT, WORK, PRODUCT, LAW, LANGUAGE, DATE, MONEY va QUANTITY sinflarini qo‘llaydi. Ko‘p tokenli obyekt chegaralari BIO tamoyili asosida avtomatik shakllantiriladi. Entity linking muharriri aniqlangan birlikni CanonicalEntity yozuviga bog‘laydi, qoralama, tasdiqlangan yoki NIL holatini saqlaydi. NIL qiymati bilim bazasida mos obyekt topilmaganini aniq qayd etadi. Avtomatik modullar lemmalash, POS teglash, morfologik segmentatsiya va annotatsiya, sintaktik tahlil, omonimlik, NER hamda Entity linking uchun yagona AnalysisJob protokolida ishlaydi. Joriy v8.0 versiyadagi boshlang‘ich avtomatik qoidalar integratsiya va ish jarayonini tekshirishga xizmat qiladi; ular oltin standart korpusda aniqlik, to‘liqlik va F1 ko‘rsatkichlari bo‘yicha baholanmaguncha yakuniy lingvistik model deb qaralmaydi. Muvaffaqiyatli tugagan modulni qayta ishga tushirish interfeys va server sathida bloklanadi. Shu tariqa filologning keyingi qo‘lda tahriri tasodifan avtomatik natija bilan almashtirilmaydi. 2-rasm. Matnni korpusga kiritish va annotatsiya sifatini boshqarish jarayoni. 2.5. Konkordans, lug‘at va statistika usullari Konkordanser so‘rovni so‘z shakli yoki lemma maydonida aynan moslik, boshlanish va istalgan qism bo‘yicha bajaradi. Natijalar alohida kontekstlar soni bo‘yicha emas, avval hujjatlar kesimida guruhlanadi. Har bir hujjat ichida topilgan gaplar ikkinchi sathda sahifalanadi. Oddiy 124

kontekst kalit so‘z qatnashgan gap hamda faqat o‘sha abzatsdagi mavjud oldingi va keyingi gapni ko‘rsatadi; keng kontekst butun abzatsni qaytaradi. So‘rov, moslik turi, sahifadagi hujjatlar va kontekstlar soni URL parametrlarida saqlangani sababli tahlilni havola orqali takrorlash mumkin. Muallif va matn nomi bo‘yicha avtoto‘ldirish registr, bo‘shliq va apostrof variantlari birxillashtirilgandan so‘ng takror qiymatlarni bitta variantga birlashtiradi. Dinamik endpointlar hujjat metama’lumoti, barcha kontekstlar, abzats konteksti va sintaktik daraxtni faqat talab qilinganda yuklaydi. Bunday kechiktirilgan yuklash katta natija ro‘yxatida brauzerga ortiqcha matn va JSON yuborilishini kamaytiradi. Lug‘at moduli chastotali, alifbo-chastotali, ters, N-gram va KWIC ko‘rinishlarini hosil qiladi. So‘z chastotalarida is_word belgisi va me’yorlashtirilgan shakl ishlatilgani uchun tinish belgisi hisobga olinmaydi. Statistikada umumiy hisoblar hujjatlarning tayyor sentence_count, paragraph_count va token_count maydonlarini yig‘ish orqali olinadi; har safar katta Sentence va Token jadvallarini to‘liq JOIN qilish talab etilmaydi. Qismiy statistika muallif, yil, mavzu, janr, uslub, auditoriya, tashuvchi va subkorpus kabi metama’lumotlar bo‘yicha filtrlanadi. 2.6. Verifikatsiya mezonlari Tizimni baholashda funksional testlar, ma’lumot yaxlitligi tekshiruvlari va kod sathidagi so‘rov tahlili qo‘llandi. Testlar SQLite asosidagi izolyatsiyalangan muhitda Django test runner orqali bajarildi. Bu muhit ishlab chiqarishdagi PostgreSQL o‘rnini bosuvchi samaradorlik benchmarki emas, balki deterministik funksional verifikatsiya vositasidir. Mezonlar: (a) apostrof va tinish belgisini to‘g‘ri ajratish; (b) abzats, gap va token ofsetlarini saqlash; (c) dublikat mazmunni cheklash; (d) real kontekstni qaytarish va sahifalash; (e) rollar va egalik bo‘yicha ruxsat; (f) annotatsiya kodlarini tekshirish; (g) avtomatik jarayon holati; (h) xato xabarining uch bosqichli hayot sikli; (i) publikatsiya va yangiliklarni boshqarish. Bundan tashqari, katta hujjatlar uchun dashboard hisobining Sentence va Token jadvallariga JOIN qilmasligi, kontekstning faqat tegishli abzats bilan chegaralanishi, avtoto‘ldirishda me’yorlashtirilgan dublikatlarning birlashtirilishi va tugallangan modulni server tomonda qayta ishga tushirishning rad etilishi tekshirildi. JavaScript sintaksisi, migratsiyalar va statik fayllarni yig‘ish alohida texnik nazoratdan o‘tkazildi. 3. NATIJALAR 3.1. Amalga oshirilgan funksiyalar Ishlab chiqilgan platforma matnni yuklashdan ochiq tahlilgacha bo‘lgan jarayonni bitta axborot tizimida birlashtirdi. Admin-filolog DOCX faylni yuklagach, tizim dublikatni tekshiradi, qayta ishlash ishini yaratadi, abzats-gap-token-tinish qatlamlarini paketlab saqlaydi va yakunda hujjatning tayyor hisoblagichlarini yangilaydi. Hujjat ochiq deb belgilansa, u bosh sahifa hisoblari, konkordans, lug‘at va statistika so‘rovlariga qo‘shiladi. Xatolik yuz bersa, holat failed ga o‘tadi va diagnostik matn saqlanadi. Ochiq interfeys o‘zbek, rus va ingliz tillarida ishlaydi. Muallif hamda sarlavha avtoto‘ldirishi, dinamik metama’lumot oynasi, keng kontekst va token tafsilotlari foydalanuvchining katta sahifada yo‘nalishini soddalashtiradi. Konkordans natijasini 10, 20, 50 yoki 100 ta hujjat, har bir hujjatda esa 10, 20, 50 yoki 100 ta kontekst ko‘rinishida chiqarish mumkin. Bitta manbaning barcha kontekstlari alohida sahifada mustaqil paginatsiya qilinadi. 125

2-jadval. Funksional modullar va olingan tizim natijalari. Modul Amalga oshirilgan natija Nazorat mexanizmi Matnni qabul qilish DOCX, metama’lumot, SHA-256 mazmun xeshi Fayl turi va noyob xesh cheklovi Segmentatsiya Abzats, gap, token va tinish belgisi Ofset, tartib va noyob pozitsiya Konkordanser Shakl/lemma, 3 moslik turi, guruhlangan kontekst Indeks, filtr va ikki sathli paginatsiya Lug‘atlar Chastota, alifbo, ters, N-gram, KWIC is_word filtri va me’yorlashtirilgan shakl Annotatsiya Morfologiya, sintaksis, omonimlik, NER, EL Sxema validatsiyasi va qo‘lda tasdiqlash Sifat nazorati Foydalanuvchi xabari va uch holatli ko‘rib chiqish Token manzili, mas’ul shaxs va izoh Ma’muriy boshqaruv Foydalanuvchi, ma’lumotnoma, yangilik, publikatsiya Rolga asoslangan ruxsat va CRUD 3.2. Ma’lumot yaxlitligi va kengayuvchanlik Ma’lumotlar bazasida hujjat holati va ochiqligi, hujjat egasi va holati, subkorpus, muallifsarlavha, hujjat-lemma, hujjat-me’yorlashtirilgan shakl, gap-pozitsiya va kanonik obyekt turinomi bo‘yicha indekslar yaratildi. Sentence va Tokenning hujjat ichidagi pozitsiyasi, Tokenning gap ichidagi pozitsiyasi hamda Punctuationning birlik pozitsiyasi noyob cheklov bilan himoyalangan. Natijada bir birlikning takror yozilishi yoki tartib kolliziyasi ma’lumotlar bazasi sathida aniqlanadi. Kichik hujjatda corpus_json ichiga gap va tokenlar to‘liq joylashtirilishi mumkin; katta hujjatda esa JSON faqat cheklangan preview va sxema metama’lumotini saqlaydi, to‘liq birliklar relyatsion jadvallarda qoladi. Bu qaror bir tomondan eksport va yangi qatlamlar uchun o‘zini tavsiflovchi JSONni, ikkinchi tomondan katta korpusda indekslangan so‘rovni ta’minlaydi. schema_version va available_layers maydonlari keyingi analizator natijasini mavjud ma’lumotni buzmasdan qo‘shish imkonini beradi. Miqyoslash strategiyasi uch darajani qamrab oladi: matnni paketlab yozish, statistik umumiy qiymatlarni hujjat sathida denormalizatsiya qilish va ishlab chiqarishda PostgreSQLdan foydalanish. Juda katta korpusga o‘tilganda Token jadvalini hujjat yoki subkorpus bo‘yicha partition qilish, SSD/NVMe saqlash, muntazam ANALYZE va autovacuumni qo‘llash keyingi infratuzilmaviy qadam sifatida belgilandi. Biroq ushbu tadqiqotda million yoki milliard tokenli ishlab chiqarish yuklamasi bo‘yicha vaqt va xotira benchmarki o‘tkazilmadi; shuning uchun miqyoslanish xulosasi arxitektura va so‘rov dizayni darajasida beriladi. 126

3.3. Annotatsiya sifatini boshqarish natijasi Annotatsiya natijasi token oynasida oddiy shrift bilan ixcham ko‘rsatiladi. Morfologik qatlamda bo‘sh guruhlar chiqarilmaydi, NER va Entity linking qatorlari esa qiymat mavjud bo‘lmasa ham “Belgilanmagan” va “Bog‘lanmagan” holatlari bilan ko‘rinadi. Bu dizayn foydalanuvchiga ma’lumot yo‘qligi bilan interfeys xatosini farqlash imkonini beradi. Foydalanuvchi yuborgan xabar token, lemma, hujjat, muallif, gap konteksti va token tartibi bilan birga saqlanadi. Superadmin panelida xabarlar “ko‘rib chiqilmagan”, “ko‘rib chiqilmoqda” va “tuzatish tasdiqlangan” toifalariga ajratiladi. Mas’ul shaxs xabardan to‘g‘ridan-to‘g‘ri kerakli hujjat sahifasi va token ankori tomon o‘tadi. Tasdiqlash uchun bajarilgan tuzatish izohi majburiy; reviewed_by va resolved_at maydonlari qaror kim tomonidan va qachon qabul qilinganini qayd etadi. Avtomatik modul holatining queued, processing, complete va failed qiymatlari bir xil hujjatmodul juftligi uchun jarayonni nazorat qiladi. Complete holatdagi modul bloklanadi, failed holat esa qayta urinishga ruxsat beradi. Bu mexanizm avtomatik va qo‘lda annotatsiya o‘rtasidagi muhim kolliziyani - ekspert tuzatishining ustiga eski avtomatik natija yozilishini - kamaytiradi. 3.4. Funksional test natijalari Test to‘plami uchta Django ilovasiga taqsimlangan. corpus ilovasidagi 26 test ma’lumotni qayta ishlash, konkordans, annotatsiya, statistik va xabarlar jarayonini; core ilovasidagi 10 test ochiq sahifalar, lokalizatsiya, publikatsiya va yangiliklarni; accounts ilovasidagi 2 test administrator yaratish va forma mantiqini tekshiradi. 3-jadvalda natijalar keltirilgan. 3-jadval. Avtomatlashtirilgan funksional testlar natijasi. Ilova Testlar soni Muvaffaqiyatli Natija corpus 26 26 100% core 10 10 100% accounts 2 2 100% Jami 38 38 100% Barcha 38 test muvaffaqiyatli yakunlandi. Bundan tashqari, framework konfiguratsiyasi tekshiruvi, yangi migratsiyaning qo‘llanishi, JavaScript sintaksisi va statik fayllarni yig‘ish xatosiz bajarildi. Natija platformaning belgilangan funksional talablar bo‘yicha ichki izchilligini ko‘rsatadi. Shu bilan birga, 100% funksional test natijasi avtomatik lemmalash, POS, sintaksis yoki NERning lingvistik aniqligi 100% degani emas. Bunday xulosa uchun ekspertlar belgilagan mustaqil test to‘plami va precision, recall, F1, LAS/UAS kabi vazifaga xos metrikalar talab etiladi. 4. MUHOKAMA Tadqiqot natijasida korpus yaratishning uchta odatda alohida ko‘riladigan qismi - ma’lumot injiniringi, lingvistik annotatsiya va sifat boshqaruvi - bitta platformada birlashtirildi. Birinchi muhim jihat, matn tuzilmasining relyatsion obyektlar va versiyalangan JSONda parallel 127

ifodalanishidir. Faqat JSONdan foydalanish yangi qatlam qo‘shishni osonlashtiradi, ammo juda katta token to‘plamida indekslangan qidiruv va yaxlitlik cheklovlarini murakkablashtiradi. Faqat qat’iy relyatsion sxema esa yangi lingvistik belgi uchun ko‘p migratsiya talab qiladi. Gibrid model tez-tez so‘raladigan maydonlarni ustunda, o‘zgaruvchan belgilarni annotations obyektida saqlab, ushbu qarama-qarshilikni yumshatadi. Ikkinchi jihat, tinish belgilarining mustaqil qatlamga ajratilishidir. Konkordans va chastota tahlilida “.” yoki “,” kabi birliklarning so‘z sifatida hisoblanishi statistikani buzadi; biroq asl gapni qayta tiklashda tinish belgisi va undan keyingi bo‘shliq haqidagi ma’lumot zarur. Punctuation modeli ikkala talabni bir vaqtda qondiradi. Apostrof va defis variantlarini me’yorlashtirish esa o‘zbek lotin yozuvidagi amaliy heterogenlikni kamaytiradi. Shunga qaramay, normallashtirish siyosati asl matnni yo‘qotmasligi lozim; shu sabab original_text va source_json o‘zgarmagan manba sifatida saqlanadi. Uchinchi jihat, avtomatik annotatsiya va ekspert tahriri o‘rtasidagi chegaraning aniq belgilanishidir. Stanza kabi tizimlar bir nechta NLP vazifasini bitta quvurda bajarishi mumkin [13], BERT va keyingi transformerlar esa kontekstual belgilarni kuchaytiradi [14]. Ammo model versiyasi, o‘qitish korpusi va domen o‘zgarsa natija ham o‘zgaradi. Platformadagi AnalysisJob holati, available_layers ro‘yxati, manual analysis_status va qayta ishlash blokirovkasi har bir natijaning kelib chiqishini nazorat qilishga xizmat qiladi. Kelajakda model nomi, versiyasi, ishonchlilik balli va bajarilgan vaqtni annotatsiya provenance obyektida saqlash bu kuzatuvchanlikni yanada kuchaytiradi. To‘rtinchi jihat, foydalanuvchi xabarining oddiy aloqa formasidan aniq tokenli sifat jarayoniga aylantirilganidir. Xabar kontekst, hujjat va tahrir ankori bilan saqlangani sababli superadmin xatoni qayta qidirishga vaqt sarflamaydi. Uch holatli jarayon ochiq murojaat, ishga olingan murojaat va tasdiqlangan tuzatishni farqlaydi. Bu mexanizm korpusni bir martalik nashr emas, doimiy ravishda yaxshilanadigan ilmiy resurs sifatida boshqarish imkonini beradi. Tizimning cheklovlari ham mavjud. Birinchidan, joriy avtomatik modullar boshlang‘ich qoidaviy natija beradi va ularning lingvistik sifati ushbu ishda baholanmadi. Ikkinchidan, testlar funksional xatti-harakatni tekshiradi, real foydalanuvchilar ishtirokidagi usability tadqiqoti o‘tkazilmadi. Uchinchidan, PostgreSQLdagi katta yuklama, parallel so‘rovlar va milliard tokenli partition ssenariysi bo‘yicha tajriba natijasi yo‘q. To‘rtinchidan, mualliflik huquqi, litsenziya, shaxsiy ma’lumot va manba izini qayd etish uchun metadata siyosati tashkilot darajasida tasdiqlanishi kerak. Kelgusi tadqiqotlar to‘rtta yo‘nalishda rejalashtiriladi. Birinchi yo‘nalish - UzbekPOS, morfologik va NER datasetlari asosida mustaqil train/dev/test ajratmalari bilan modellarni o‘qitish va baholash. Ikkinchisi - annotatorlararo kelishuvni Cohen kappa yoki Krippendorff alfa bilan o‘lchash, murakkab misollar uchun adjudikatsiya protokolini joriy etish. Uchinchisi - konkordans va statistik so‘rovlarni PostgreSQL EXPLAIN ANALYZE, p95 kechikish, throughput va xotira ko‘rsatkichlari bilan benchmark qilish. To‘rtinchisi - CoNLL-U, JSONL va TEI/standart almashinuv formatlarida import-eksportni qo‘shib, boshqa ilmiy resurslar bilan interoperabellikni oshirish. 5. XULOSA O‘zbek tili milliy korpusi uchun ishlab chiqilgan v8.0 platforma DOCX manbani qabul qilish, Unicode va apostrofni me’yorlashtirish, abzats-gap-token-tinish birliklariga ajratish, 128

indekslangan saqlash, konkordans, lug‘at, statistika va ko‘p qatlamli annotatsiyani yagona boshqariladigan jarayonda birlashtirdi. Relyatsion obyektlar bilan versiyalangan JSONning gibrid modeli katta korpusdagi qidiruvni va yangi lingvistik qatlam qo‘shishni muvozanatlashtiradi. Platformaning amaliy yangiligi NER va Entity linkingni morfologik-sintaktik muharrir bilan bog‘lash, foydalanuvchi xatosini aniq token manziliga biriktirish, superadmin uchun uch bosqichli tuzatish jarayonini yaratish hamda tugallangan avtomatik modulni qayta bajarishdan himoyalashdan iborat. 38/38 funksional testning muvaffaqiyatli bajarilishi belgilangan talablarning dasturiy yaxlitligini tasdiqladi. Keyingi bosqichda avtomatik lingvistik modullar oltin standart o‘zbekcha datasetlarda alohida baholanib, katta PostgreSQL muhitida samaradorlik benchmarki o‘tkazilishi lozim. FOYDALANILGAN ADABIYOTLAR 1. McEnery, T.; Hardie, A. Corpus Linguistics: Method, Theory and Practice. Cambridge University Press: Cambridge, UK, 2012. 2. Kilgarriff, A.; Baisa, V.; Bušta, J.; Jakubíček, M.; Kovář, V.; Michelfeit, J.; Rychlý, P.; Suchomel, V. The Sketch Engine: Ten Years On. Lexicography 2014, 1, 7–36. https://doi.org/10.1007/s40607-014-0009-9. 3. International Organization for Standardization. ISO 24612:2012 Language Resource Management—Linguistic Annotation Framework (LAF). ISO: Geneva, Switzerland, 2012. 4. International Organization for Standardization. ISO 24611-1:2025 Language Resource Management—Morphosyntactic Annotation Framework (MAF)—Part 1: Core Model. ISO: Geneva, Switzerland, 2025. 5. Petrov, S.; Das, D.; McDonald, R. A Universal Part-of-Speech Tagset. In Proceedings of the Eighth International Conference on Language Resources and Evaluation (LREC’12), Istanbul, Turkey, 23–25 May 2012; pp. 2089–2096. 6. Nivre, J.; de Marneffe, M.-C.; Ginter, F.; Goldberg, Y.; Hajič, J.; Manning, C.D.; McDonald, R.; Petrov, S.; Pyysalo, S.; Silveira, N.; et al. Universal Dependencies v1: A Multilingual Treebank Collection. In Proceedings of LREC’16, Portorož, Slovenia, 23–28 May 2016; pp. 1659–1666. 7. Nivre, J.; de Marneffe, M.-C.; Ginter, F.; Hajič, J.; Manning, C.D.; Pyysalo, S.; Schuster, S.; Tyers, F.; Zeman, D. Universal Dependencies v2: An Evergrowing Multilingual Treebank Collection. In Proceedings of LREC 2020, Marseille, France, 11–16 May 2020; pp. 4034–4043. 8. A. Qarshiyev, S. Karimov, and M. Tursunov, “A program for the morphological analysis of Uzbek words,” (in Uzbek), Computer Linguistics: Problems, Solutions, Prospects, vol. 1, no. 1, pp. 101–107, 2024. [Online]. Available: https://compling.navoiyuni.uz/index.php/conferences/article/view/1013. 9. Sharipov, M.; Kuriyozov, E.; Yuldashev, O.; Sobirov, O. UzbekTagger: The Rule-Based POS Tagger for Uzbek Language. arXiv 2023, arXiv:2301.12711. https://doi.org/10.48550/arXiv.2301.12711. 10. Salaev, U. UzMorphAnalyser: A Morphological Analysis Model for the Uzbek Language Using Inflectional Endings. arXiv 2024, arXiv:2405.14179. https://doi.org/10.48550/arXiv.2405.14179. 129

11. Sharipov, M.; Kuriyozov, E.; Vičič, J. UzbekPOS: A Multi-Domain Dataset for Uzbek Part-of-Speech Tagging. Data in Brief 2026, 66, 112640. https://doi.org/10.1016/j.dib.2026.112640. 12. Mengliev, D.; Barakhnin, V.; Abdurakhmonova, N.; Eshkulov, M. Developing Named Entity Recognition Algorithms for Uzbek: Dataset Insights and Implementation. Data in Brief 2024, 54, 110413. https://doi.org/10.1016/j.dib.2024.110413. 13. Qi, P.; Zhang, Y.; Zhang, Y.; Bolton, J.; Manning, C.D. Stanza: A Python Natural Language Processing Toolkit for Many Human Languages. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics: System Demonstrations, Online, July 2020; pp. 101–108. https://doi.org/10.18653/v1/2020.acl-demos.14. 14. Devlin, J.; Chang, M.-W.; Lee, K.; Toutanova, K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. In Proceedings of NAACL-HLT 2019, Minneapolis, MN, USA, 2–7 June 2019; pp. 4171–4186. https://doi.org/10.18653/v1/N19-1423. 15. Kolitsas, N.; Ganea, O.-E.; Hofmann, T. End-to-End Neural Entity Linking. In Proceedings of CoNLL 2018, Brussels, Belgium, 31 October–1 November 2018; pp. 519–529. https://doi.org/10.18653/v1/K18-1050. 16. Django Software Foundation. Django 5.2 Release Notes. 2025. Available online: https://docs.djangoproject.com/en/5.2/releases/5.2/ (accessed on 3 September 2026). SANOAT SIFAT MENEJMENTI TIZIMLARIDA SUNʼIY INTELLEKT VA FAZZI– EHTIMOLIY MODELLAR INTEGRATSIYASI: TASNIFLASH, ANOMALIYALARNI ANIQLASH VA MEʼYORIY QAROR QABUL QILISH MEXANIZMI Durdiyev Oxunjon Orifjon o‘g‘li1,*, Axmedov Barat Maxmudovich2 va Murodov Jurabek Norpulatovich1 1 O‘zbekiston Standartlar instituti 2 Kadastr agentligi Davlat kadastrlari palatasi oxunjon.durdiyev@mail.ru Annotatsiya: (1) Maʼlumot: Zamonaviy sanoat korxonalarida mahsulot sifatini uzluksiz monitoring qilish va texnologik nuqsonlarni ishlab chiqarishning dastlabki bosqichlarida aniqlash sifat menejmenti samaradorligini belgilovchi asosiy omildir. Tadqiqotning maqsadi mashinaviy o‘rganish, anomaliyalarni bir sinfli aniqlash hamda fazzi-ehtimoliy xulosa chiqarish apparatini ISO 9001:2015 standarti talablari bilan integratsiyalagan ko‘p bosqichli sifat menejmenti modelini ishlab chiqishdan iborat. (2) Usullar: Mahsulot ko‘rsatkichlarini tasniflashda SVM, Random Forest, CNN va LSTM algoritmlarining matematik mexanizmlari tizimlashtirildi. Nomuvofiq mahsulotlarni operativ aniqlashda Isolation Forest va chuqur avtokodlovchilar, o‘lchov noaniqligi sharoitida boshqaruv qarorlarini shakllantirishda esa Mamdani fazzi xulosa chiqarish tizimi, fazzi-FMEA hamda Bayes tarmoqlari qo‘llanildi. (3) Natijalar: Empirik tahlillar past o‘lchamli parametrlar to‘plamida Random Forest va SVM modellari 99,2–99,4% aniqlik ko‘rsatib, resursi cheklangan Edge AI kontrollerlarida chuqur neyron tarmoqlarga nisbatan yuqori tejamkorlikka egaligini tasdiqladi. Anomaliyalarni aniqlash apparati ISO 9001:2015 ning 8.7- va 10.2-bandlari bilan bevosita bog‘lanib, nomuvofiq mahsulotlarni boshqarish va tuzatuvchi 130

harakatlarni avtomatlashtirish algoritmi shakllantirildi. (4) Xulosa: Taklif etilgan ko‘p bosqichli model ISO/IEC 23053, ISO/IEC TR 24028 hamda ISO/IEC 25059 standartlari talablariga to‘la muvofiq bo‘lib, ishlab chiqarish korxonalarida raqamli sifat monitoringini bosqichma-bosqich tatbiq etish uchun mustahkam ilmiy asos yaratadi. Kalit so‘zlar: sifat menejmenti tizimi; sunʼiy intellekt; SVM; Random Forest; CNN; LSTM; anomaliyalarni aniqlash; fazzi mantiq; Bayes tarmoqlari; ISO 9001:2015. 1. KIRISH Sanoat ishlab chiqarish jarayonlarini kompleks raqamlashtirish sharoitida sifat menejmenti tizimining amaliy samaradorligi texnologik og‘ishlarni o‘z vaqtida aniqlash hamda meʼyoriy jihatdan asoslangan qarorlarni tezkor qabul qilish tezligiga bevosita bog‘liqdir [1]. Xalqaro ISO 9001:2015 standarti doirasida sifat ko‘rsatkichlarining doimiy tahlili qatʼiy belgilangan: standartning 9.1-bandi jarayonlarni muntazam o‘lchash va monitoring qilishni yuklasa, 8.7-bandi («Nomuvofiq chiqishlarni nazorat qilish») talabga javob bermaydigan mahsulotlarni operativ izolyatsiya qilishni, 10.2-bandi («Nomuvofiqlik va tuzatuvchi harakat») esa yuzaga kelgan nuqsonlarning tub sabablarini aniqlab, tizimli tuzatuvchi choralarni ko‘rishni talab etadi [1]. Sanoat amaliyotida anʼanaviy vizual nazorat usullari hamda Shewhart statistik jarayon nazorati (SPC) kartalari uzoq vaqt davomida sifatni taʼminlashning asosiy vositasi bo‘lib keldi [2]. Biroq inson omili taʼsiridagi subyektiv xatoliklar, nazoratchi charchoqligi hamda SPC modellarining maʼlumotlar normal taqsimotiga bog‘liqligi ko‘p parametrli dinamik ishlab chiqarish jarayonlarida soxta ogohlantirishlar chastotasini oshiradi [2]. Mazkur metodologik cheklovlarni bartaraf etish maqsadida mashinaviy o‘rganish va chuqur neyron tarmoqlar sifat monitoringiga jadal tatbiq etilmoqda [2]: mahsulot yuzasidagi optik nuqsonlarni aniqlashda konvolyutsion neyron tarmoqlar (CNN) yuqori samaradorlik ko‘rsatsa, tebranish va harorat datchiklarining signallarini tasniflashda tayanuvchi vektorlar mashinasi (SVM) hamda tasodifiy o‘rmon (Random Forest) algoritmlari hisoblash resurslarini tejamkor sarflagan holda barqaror ishlaydi [2]. Vaqt bo‘yicha o‘zgaruvchan uzluksiz texnologik qatorlar monitoringida esa uzoqqisqa muddatli xotira (LSTM) tarmoqlari jarayon trendini aniqlash imkonini beradi. Shu bilan birga, sunʼiy intellekt modellarining sanoat korxonalarida qo‘llanilishi qatʼiy meʼyoriy-standartlashtirish talablari bilan uyg‘unlashtirilishi zarur. Xususan, ISO/IEC 23053:2022 standarti mashinaviy o‘rganishga asoslangan AI tizimlarining umumiy tuzilmasi va maʼlumotlar oqimini tartibga solsa [3], ISO/IEC TR 24028:2020 tizimlarning ishonchliligi, mustahkamligi va qarorlar shaffofligini (explainability) taʼminlash tamoyillarini belgilaydi [4]. Dasturiy taʼminot sifatini baholashda ISO/IEC 25059:2023 standarti talablariga tayanilsa [5], sanoat uskunalarining texnik holati va tebranish diagnostikasi ISO 13379-1:2012 meʼyorlari asosida yuritiladi [6]. Mazkur yondashuvlarning amaliy ahamiyati O‘zbekiston Respublikasining sifat infratuzilmasini raqamlashtirish strategiyasi doirasida yanada ortadi: akkreditatsiya organlari va sinov laboratoriyalari uchun AI asosidagi monitoring vositalari nazorat jarayonlarining shaffofligini oshirish, inson omiliga bog‘liq xatoliklarni kamaytirish hamda ISO 9001:2015 talablariga muvofiqlikni real vaqt rejimida tasdiqlash imkonini beradi. Shu bilan birga, bunday tizimlarni joriy etish metrologik nazorat, kadrlar tayyorgarligi va meʼyoriy-huquqiy baza bilan uyg‘un ravishda amalga oshirilishi lozim. 131

Sanoat sifat nazorati vazifalari, ularga mos AI algoritmlari va tegishli meʼyoriy standartlarning o‘zaro bog‘liqligi 1-jadvalda keltirilgan. 1-jadval. Sifat nazorati va texnologik monitoring vazifalarining AI algoritmlari hamda meʼyoriy asoslar bilan tizimli bog‘liqligi Asos bo‘luvchi meʼyoriy Sifat nazorati vazifasi Tavsiya etiladigan AI modeli standart Segmentatsiyaga asoslangan Optik va rentgen tasvirlaridagi ISO/IEC 23053:2022 CNN, CapsuleNet, sirtqi nuqsonlarni aniqlash ISO/IEC 25059:2023 [5] Autoencoder [3], Tebranish, harorat va sensor Support Vector Machine ISO 13379-1:2012 [6], ISO/IEC signallarini ko‘p sinfli (SVM), Random Forest 23053:2022 [3] tasniflash Dinamik vaqt qatorlari va LSTM, Bi-LSTM ketma-ket texnologik jarayon tarmoqlari tahlili neyron ISO 13379-1:2012 [6], ISO/IEC TR 24028:2020 [4] Bir sinfli maʼlumotlar asosida Isolation Forest, One-Class ISO 9001:2015 (8.7-band) [1], nomaʼlum anomaliyalarni SVM, chuqur ISO/IEC TR 24028 [4] aniqlash avtokodlovchilar Noaniqlik sharoitida xavfga Mamdani FIS, fazzi-FMEA, ISO 9001:2015 (10.2-band) [1], asoslangan boshqaruv Bayes tarmoqlari ISO/IEC TR 24028 [4] qarorlarini qabul qilish 2. MATERIALLAR VA USULLAR Tadqiqot doirasida ko‘rib chiqilayotgan ishlab chiqarish jarayonining o‘lchanadigan parametrlari p-o‘lchamli xususiyatlar fazosidagi vektor x ∈ ℝp ko‘rinishida ifodalanadi. Sifat holati o‘rganilayotgan texnologik talabga ko‘ra ikki qiymatli y ∈ {muvofiq, nomuvofiq} yoki ko‘p toifali y ∈ {1, 2, …, K} diskret to‘plam sifatida modellashtiriladi. 2.1. Tayanuvchi vektorlar mashinasi (SVM) SVM algoritmining asosiy maqsadi optimal ajratuvchi gipertekislikni shunday tanlashdan iboratki, turli sinflar orasidagi geometrik masofa (marja) maksimal qiymatga ega bo‘lsin [7]. Chiziqli ajralmaydigan sanoat maʼlumotlari yadro funksiyasi K(xi, xj) vositasida yuqori o‘lchamli Hilbert fazosiga akslantiriladi. Dual Lagranj optimallashtirish masalasi quyidagi ko‘rinishga ega bo‘ladi [7]: 𝑛 𝑛 𝑛 1 𝑚𝑎𝑥𝛼 ∑ 𝛼𝑖 − ∑ ∑ 𝛼𝑖 𝛼𝑗 𝑦𝑖 𝑦𝑗 𝐾(𝑥𝑖 , 𝑥𝑗 ) (1) 2 𝑖=1 𝑖=1 𝑗=1 𝑛 𝐶ℎ𝑒𝑘𝑙𝑜𝑣𝑙𝑎𝑟: 0 ≤ 𝛼𝑖 ≤ 𝐶, ∑ 𝛼𝑖 𝑦𝑖 = 0, ∀𝑖 ∈ {1, … , 𝑛} 𝑖=1 132

Bu yerda: αi — Lagranj ko’paytuvchilari; C — regulyarizatsiya parametri; K(xi, xj) — yadro funksiyasi. Sanoat parametrlarini tahlil qilishda Radial-Bazis Funksiyasi (RBF) yuqori barqarorlikni taʼminlaydi [7]: 𝐾(𝑥𝑖 , 𝑥𝑗 ) = 𝑒𝑥𝑝(−𝛾‖𝑥𝑖 − 𝑥𝑗 ‖2 ), 𝛾 > 0 (2) O‘qitilgan model asosida yangi obyekt x ning sinfi faqat tayanch vektorlar (SV) to‘plamiga tayangan holda hisoblanadi [7]: 𝑓(𝑥) = 𝑠𝑖𝑔𝑛 ( ∑ 𝛼𝑖 𝑦𝑖 𝐾(𝑥𝑖 , 𝑥) + 𝑏) (3) 𝑖∈𝑆𝑉 Bu yerda: b – ajratuvchi chegaraning siljish (bias) koeffitsienti[7]. 2.2. Tasodifiy o‘rmon (Random Forest) ansambli Tasodifiy o’rmon algoritmi T ta mustaqil qaror daraxtlaridan iborat ansambl bo‘lib, bagging hamda tasodifiy xususiyatlar tanlovi tamoyiliga tayanadi [8]. Har bir daraxt butstrap tanlanmasida o‘qitiladi, bu esa modellar o‘rtasidagi korrelyatsiyani pasaytirib, umumiy bashorat dispersiyasini kamaytiradi. Ansamblning yakuniy qarori ko‘pchilik ovoz berish prinsipi orqali shakllanadi [8]: 𝑇 𝑦 = 𝑎𝑟𝑔𝑚𝑎𝑥𝑐∈{1,…,𝐾} ∑ 𝟙(ℎ𝑡 (𝑥) = 𝑐) = 𝑚𝑜𝑑𝑒{ℎ1 (𝑥), ℎ2 (𝑥), … , ℎ𝑇 (𝑥)} (4) 𝑡=1 Bu yerda: 𝟙(·) — indikator funksiya; ht(x) — alohida t-daraxtning qarori. Mazkur arxitektura sanoat sensorlaridagi shovqinlarga nisbatan yuqori mustahkamlikka egadir [8]. 2.3. Konvolyutsion neyron tarmoqlari (CNN) Mahsulot yuzasidagi vizual nuqsonlarni optik tahlil qilishda konvolyutsion qatlamlar ierarxiyasi fazoviy xususiyatlarni avtomatik ajratib oladi [9]. l-qatlamdagi k-xususiyat xaritasi quyidagi ifoda yordamida shakllantiriladi: (𝑙) 𝑍𝑘 (𝑙−1) = 𝜎 (∑ 𝑋𝑐 (𝑙) (𝑙) ∗ 𝑊𝑘,𝑐 + 𝑏𝑘 ) (5) 𝑐 Bu yerda: * — ikki o‘lchamli diskret konvolyutsiya amali; W — yadro vaznlari; b — siljish vektori; σ — nolinchi chegarali faollashtirish funksiyasi (ReLU) [9]. Chiqish qatlamida esa har bir nuqson sinfiga tegishlilik ehtimolligi Softmax funksiyasi orqali hisoblanadi: 133

𝑃(𝑦 = 𝑐 ∣ 𝑥) = 𝑒𝑥𝑝(𝑤𝑐𝑇 ℎ + 𝑏𝑐 ) 𝑇 ∑𝐾 𝑗=1 𝑒𝑥𝑝(𝑤𝑗 ℎ + 𝑏𝑗 ) (6) 2.4. Uzoq-qisqa muddatli xotira (LSTM) tarmoqlari Texnologik parametrlarning vaqt bo‘yicha dinamik ketma-ketliklarini {x1, x2, …, xT} tahlil qilishda LSTM bloklari gradient yo‘qolishi muammosini darvoza mexanizmlari orqali hal etadi [10]: 𝑓𝑡 = 𝜎(𝑊𝑓 · [ℎ𝑡−1 , 𝑥𝑡 ] + 𝑏𝑓 ), 𝑖𝑡 = 𝜎(𝑊𝑖 · [ℎ𝑡−1 , 𝑥𝑡 ] + 𝑏𝑖 ) (7) 𝐶𝑡 = 𝑡𝑎𝑛ℎ(𝑊𝑐 · [ℎ𝑡−1 , 𝑥𝑡 ] + 𝑏𝑐 ), 𝐶𝑡 = 𝑓𝑡 ⊙ 𝐶𝑡−1 + 𝑖𝑡 ⊙ 𝐶𝑡 𝑜𝑡 = 𝜎(𝑊𝑜 · [ℎ𝑡−1 , 𝑥𝑡 ] + 𝑏𝑜 ), ℎ𝑡 = 𝑜𝑡 ⊙ 𝑡𝑎𝑛ℎ(𝐶𝑡 ) Bu yerda: ⊙ — Adamar ko’paytmasi; ft, it, ot — unutish, kiritish va chiqarish darvozalari; Ct — yacheykaning ichki holati. Mazkur mexanizm uskunaning bosqichma-bosqich eskirish dinamikasini erta aniqlash imkonini beradi [10]. 3. NATIJALAR 3.1. Anomaliyalarni aniqlash va ISO 9001:2015 asosida tuzatuvchi harakatlar arxitekturasi Ishlab chiqarish sharoitida nuqsonli mahsulotlar ulushi umumiy hajmga nisbatan juda kam bo‘lganligi sababli sinflar disbalansi yuzaga keladi. Shu sababli sifat nazoratida faqat muvofiq namunalar asosida o‘qitiladigan bir sinfli anomaliyalarni aniqlash (One-Class Learning) yondashuvi ustuvor ahamiyat kasb etadi. Isolation Forest algoritmi anomaliyalarning kam uchrashi va fazoda ajralib turish xususiyatiga asoslanadi [11]. Kuzatilayotgan x namunaning anomaliyalik darajasi daraxtlar bo‘ylab o‘rtacha yo‘l uzunligi E(h(x)) yordamida baholanadi: 𝑠(𝑥, 𝑛) = 2−𝐸(ℎ(𝑥))/𝑐(𝑛) (8) Bu yerda: c(n) — tanlanma hajmi n bo‘yicha normallashtiruvchi koeffitsient. Baholash ko‘rsatkichi s(x, n) → 1 ga intilganda obyekt anomaliya sifatida tasniflanadi [11]. Muqobil chuqur o‘rganish usuli sifatida konvolyutsion avtokodlovchilar faqat talabga to‘la javob beradigan sifatli namunalar oqimida o‘qitiladi. Kirish signali x siqilgan yashirin fazoga o‘tkazilib (enkoder fφ), so‘ng qayta tiklanadi (dekoder gθ). Tiklash xatoligi (reconstruction error) quyidagicha hisoblanadi [12]: 𝑚 1 2 𝐿𝑟𝑒𝑐 (𝑥, 𝑥) = ‖𝑥 − 𝑔𝜃 (𝑓𝜑 (𝑥)) ‖ = ∑(𝑥𝑖 − 𝑥𝑖 )2 (9) 𝑚 𝑖=1 Standart mahsulotlarda tiklash xatosi minimal bo‘ladi, notanish nuqsonga ega nomuvofiq mahsulotlarda esa Lrec keskin ortadi [12]. 134

Tadqiqotda mazkur mexanizm ISO 9001:2015 ning meʼyoriy talablari bilan uzviy bog‘landi [1]: anomaliya skori chegaraviy oraliqda bo‘lganda, tizim SPC kartalarida profilaktik ogohlantirishni faollashtiradi; ko‘rsatkich kritik chegaradan oshganda, standartning 8.7-bandiga muvofiq mahsulotga «nomuvofiq chiqish» maqomi berilib, konveyerdan ajratiladi [1]. Nuqsonlarning takrorlanish dinamikasi kuzatilganda esa 10.2-bandga binoan tuzatuvchi harakatlar (CAPA) mexanizmi ishga tushirilib, ildiz sabablar tahlili o‘tkaziladi [1]. 3.2. Sifat monitoringi algoritmlarining qiyosiy ko‘rsatkichlari Sanoat sifat nazorati vazifalarida qo‘llaniladigan algoritmlarning qiyosiy ko‘rsatkichlari tahlili 2-jadvalda keltirilgan. 2-jadval. Sifat nazorati vazifalarida qo‘llanilgan AI algoritmlarining qiyosiy metrikalari Sinov maʼlumotlar bazasi Aniqlik ko‘rsatkichi Manba Algoritm Random Forest Metall (PCA) quyma nuqsonlari SVM (RBF yadrosi) Metall (PCA) quyma nuqsonlari CNN (ResNet50 / Metall quyma optik tasvirlari ConvCapsule) [2] Aniqlik: 99,2 ± 0,0% [2] 98,0 ± 1,5% / 98,7% [2] Metall quyma hajmiy (3D) Aniqlik: tasvirlari 90,14% CNN 3D Gibrid CNN (Grad- NEU-CLS CAM) nuqsonlari Random GBDT Aniqlik: 99,4 ± 0,2% Forest Convolutional Autoencoder po‘lat / Mashinalarning signallari MVTec AD anomaliyalari sirtqi 88,61%, F1: Aniqlik: 99,4%, F1: 0,99 [2] [9] tebranish Aniqlik: 99,5%, AUROC: [8] 0,99 sanoat Yuqori PRO ko‘rsatkichi [12] Empirik natijalar shuni ko‘rsatadiki, tasvirlarni tahlil qilishda chuqur konvolyutsion modellar yuqori samaradorlikka ega bo‘lsa-da, oldindan shakllantirilgan statistik xususiyatlar to‘plamida klassik SVM va Random Forest algoritmlari kam hisoblash quvvati talab qilgan holda 99,2–99,4% aniqlikni taʼminlaydi [2]. Bu esa ishlab chiqarish liniyalaridagi Edge AI kontrollerlarida resurslarni sezilarli darajada tejash imkonini yaratadi. 3.3. Fazzi–ehtimoliy qaror qabul qilish apparati O‘lchov noaniqliklari hamda stoxastik tebranishlar mavjud sharoitda anʼanaviy qatʼiy chegaraviy qoidalar yetarli samaradorlik bermaydi [13]. Shu sababli boshqaruv qarorlarini qabul qilishda Mamdani fazzi xulosa chiqarish tizimi (FIS) [14], fazzi-FMEA [15] hamda Bayes tarmoqlari [16] integratsiyasi ishlab chiqildi. Tizimga uchta lingvistik o‘zgaruvchi (anomaliya ko‘rsatkichi, texnologik og‘ish va mahsulotning kritiklik darajasi) kiritilib, uchburchak aʼzolik funksiyalari orqali ifodalandi: 135

𝑥−𝑎 𝑐−𝑥 , ) , 0) 𝑏−𝑎 𝑐−𝑏 𝜇𝐴 (𝑥) = 𝑚𝑎𝑥 (𝑚𝑖𝑛 ( (10) Ekspertlar bilimiga asoslangan mantiqiy qoidalar bazasi umumlashtirilib, defazzifikatsiya bosqichida og‘irlik markazi (centroid) usuli orqali aniq boshqaruv signali z* aniqlanadi [14]: 𝑧∗= ∫ 𝑧 · 𝜇𝐶 (𝑧) 𝑑𝑧 (11) ∫ 𝜇𝐶 (𝑧) 𝑑𝑧 FMEA tahlilidagi noaniqliklarni hisobga olish maqsadida parametrlar (og‘irlik darajasi — S, yuzaga kelish ehtimoli — O, aniqlanish darajasi — D) fazzi sonlar sifatida olinib, xavfning ustuvor ko‘rsatkichi (FRPN) quyidagi fazzi vaznli geometrik o‘rtacha orqali hisoblanadi [15]: 𝐹𝑅𝑃𝑁 = 𝑆𝑤 ⊗ 𝑂𝑤 ⊗ 𝐷𝑤 (12) Nuqsonlarning eng ehtimolli ildiz sabablarini aniqlashda esa Bayes ehtimollik formulasi qo‘llaniladi [16]: 𝑃(𝐻𝑖 ∣ 𝐸) = 𝑃(𝐸 ∣ 𝐻𝑖 ) · 𝑃(𝐻𝑖 ) ∑𝑗 𝑃(𝐸 ∣ 𝐻𝑗 ) · 𝑃(𝐻𝑗 ) (13) Mazkur kompleks yondashuv ISO 9001:2015 ning 10.2-bandiga asosan tuzatuvchi choralarni eng yuqori ehtimolli sabablarga maqsadli yo‘naltirish imkoniyatini beradi [1]. 4. MUHOKAMA Olingan natijalar sanoat sifat menejmenti tizimlarida universal AI arxitekturasi mavjud emasligini, aksincha, modellar tanlovi texnologik vazifaning xususiyatiga to‘g‘ridan-to‘g‘ri bog‘liq ekanligini tasdiqlaydi [2]. Murakkab sirtqi va optik tasvirlar tahlilida konvolyutsion modellar ustunlik qilsa, past o‘lchamli sensor maʼlumotlarida SVM va Random Forest algoritmlari kam energiya sarflagan holda yuqori aniqlikni ko‘rsatadi. Bu esa ishlab chiqarish korxonalarida gibrid infratuzilmani yaratishni — og‘ir tasvir modellarini markaziy serverlarga, tejamkor tasniflagichlarni esa bevosita liniyadagi Edge qurilmalariga taqsimlashni taqozo etadi. Tavsiya etilayotgan ko‘p bosqichli modelni amaliyotga tatbiq etish uch bosqichda amalga oshiriladi: dastlab sensor va optik oqimlarda Isolation Forest hamda avtokodlovchilar vositasida ISO 9001:2015 standarti 8.7-bandiga ko‘ra nomuvofiq mahsulotlarni avtomatik izolyatsiyalash taʼminlanadi [1]; ikkinchi bosqichda to‘plangan maʼlumotlar asosida ko‘p sinfli tasniflagichlar faollashtiriladi; uchinchi bosqichda esa Mamdani FIS va Bayes tarmoqlari integratsiyasi orqali 10.2-band bo‘yicha ildiz sabablar tahlili va tuzatuvchi harakatlar boshqaruvi avtomatlashtiriladi [1]. O‘zbekiston Standartlar instituti kabi milliy standartlashtirish tashkilotlari uchun taklif etilgan model amaliy jihatdan bosqichma-bosqich joriy etish strategiyasini nazarda tutadi: dastlab pilot loyihalar doirasida alohida ishlab chiqarish uchastkalarida sinovdan o‘tkazish, so‘ngra 136

natijalar asosida metodik ko‘rsatmalar va ichki standartlarni ishlab chiqish maqsadga muvofiqdir. Bunday bosqichma-bosqich yondashuv texnologik xatarlarni minimallashtirish bilan bir qatorda, korxona xodimlarining yangi vositalarga moslashuvini ham taʼminlaydi. Tadqiqotning bir qator cheklovlari ham mavjud. Birinchidan, 2-jadvalda keltirilgan aniqlik ko‘rsatkichlari asosan laboratoriya sharoitidagi va ochiq maʼlumotlar to‘plamlariga tayanadi, shu sababli real ishlab chiqarish liniyalarida modellarni to‘liq validatsiyadan o‘tkazish talab etiladi. Ikkinchidan, fazzi-ehtimoliy apparat (Mamdani FIS, fazzi-FMEA) samaradorligi ekspert bilimlari sifatiga bog‘liq bo‘lib, qoidalar bazasini avtomatik shakllantirish istiqbolli yo‘nalish hisoblanadi. Kelgusi tadqiqotlar real vaqt rejimida Edge AI kontrollerlarida modellarni joriy etish, ISO/IEC 42001:2023 asosida AI boshqaruv tizimini integratsiyalash hamda raqamli egizak (Digital Twin) texnologiyalari bilan uyg‘unlashtirishga qaratilishi maqsadga muvofiqdir. 5. XULOSA Ushbu tadqiqotda sanoat sifat menejmenti tizimlarida mahsulot parametrlarini ko‘p bosqichli tasniflash, anomaliyalarni aniqlash va meʼyoriy boshqaruv qarorlarini qabul qilish modeli ishlab chiqildi. SVM, Random Forest, CNN hamda LSTM algoritmlarining nazariymatematik apparati tizimlashtirildi; nazoratsiz o‘rganishga asoslangan anomaliyalarni aniqlash mexanizmlari ISO 9001:2015 standarti bilan meʼyoriy muvofiqlashtirildi [1]. O‘lchov noaniqligi sharoitida Mamdani fazzi xulosa chiqarish tizimi va fazzi-FMEA apparatining qo‘llanilishi boshqaruv qarorlarining ishonchliligini taʼminlaydi. Ishlab chiqilgan ko‘p bosqichli yondashuv ISO/IEC 23053:2022, ISO/IEC TR 24028:2020 va ISO/IEC 25059:2023 xalqaro standartlari talablariga to‘liq javob beradi hamda sanoat korxonalarida raqamli monitoringni bosqichmabosqich joriy qilish uchun asos bo‘ladi [3–5]. FOYDALANILGAN ADABIYOTLAR: 1. ISO. ISO 9001:2015 Quality management systems — Requirements. International Organization for Standardization: Geneva, Switzerland, 2015. 2. Mjahad, A.; Rosado-Muñoz, A. Robust industrial surface defect detection using statistical feature extraction and capsule network architectures. Sensors 2025, 25, 6063. 3. ISO/IEC. ISO/IEC 23053:2022 Framework for Artificial Intelligence (AI) Systems Using Machine Learning (ML). ISO/IEC JTC 1/SC 42: Geneva, Switzerland, 2022. 4. ISO/IEC. ISO/IEC TR 24028:2020 Information technology — Artificial intelligence — Overview of trustworthiness in artificial intelligence. ISO/IEC JTC 1/SC 42: Geneva, Switzerland, 2020. 5. ISO/IEC. ISO/IEC 25059:2023 Software engineering — Systems and software Quality Requirements and Evaluation (SQuaRE) — Quality model for AI systems. ISO/IEC JTC 1/SC 7: Geneva, Switzerland, 2023. 6. ISO. ISO 13379-1:2012 Condition monitoring and diagnostics of machines — General guidelines on data interpretation and diagnostics techniques. ISO/TC 108/SC 5: Geneva, Switzerland, 2012. 7. Cortes, C.; Vapnik, V. Support-vector networks. Machine Learning 1995, 20, 273–297. 8. Breiman, L. Random forests. Machine Learning 2001, 45, 5–32. 9. LeCun, Y.; Bengio, Y.; Hinton, G. Deep learning. Nature 2015, 521, 436–444. 137

10. Hochreiter, S.; Schmidhuber, J. Long short-term memory. Neural Computation 1997, 9, 1735–1780. 11. Liu, F.T.; Ting, K.M.; Zhou, Z.-H. Isolation forest. In Proceedings of the 8th IEEE International Conference on Data Mining (ICDM), Pisa, Italy, 15–19 December 2008; pp. 413– 422. 12. Bergmann, P.; Fauser, M.; Sattlegger, D.; Steger, C. MVTec AD — A comprehensive real-world dataset for unsupervised anomaly detection. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, CA, USA, 15–20 June 2019; pp. 9584–9592. 13. Zadeh, L.A. Fuzzy sets. Information and Control 1965, 8, 338–353. 14. Mamdani, E.H.; Assilian, S. An experiment in linguistic synthesis with a fuzzy logic controller. International Journal of Man-Machine Studies 1975, 7, 1–13. 15. Wang, Y.-M.; Chin, K.-S.; Poon, G.K.K.; Yang, J.-B. Risk evaluation in failure mode and effects analysis using fuzzy weighted geometric mean. Expert Systems with Applications 2009, 36, 1195–1207. 16. Pearl, J. Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference; Morgan Kaufmann: San Francisco, CA, USA, 1988; pp. 29–142. O‘QUV-SIMULYATSIYA VOSITALARINING BO‘LAJAK HARBIY MUTAXASSISLAR HARBIY-KASBIY KOMPETENTLIGINI SHAKLLANTIRISHDAGI O‘RNI VA AHAMIYATI Maftuna Islamova 1, Sanjar Omonov2 1 ISFT instituti (International School Of Finance Techology And Science);islamovamaftuna523@mail.com 2 Toshkent shahri Vatan Universiteti3;s.omonov@tsue.uz Annotatsiya: Mazur maqolada oliy harbiy ta’lim muassasalarida kimyo fanini o‘qitish jarayonini raqamli transformatsiya qilish, zamonaviy raqamli didaktik vositalar, virtual laboratoriyalar, o‘quv-simulyatsiya vositalari va interaktiv trenajyorlardan foydalanish orqali kursantlarning harbiy-kasbiy kompetentligini rivojlantirish masalalari yoritilgan. Tadqiqot doirasida Chirchiq oliy tank qo‘mondonlik-muhandislik bilim yurti, O‘zbekiston Respublikasi Qurolli Kuchlari Akademiyasi, Qarshi oliy harbiy aviatsiya bilim yurti va boshqa oliy harbiy ta’lim muassasalari kursantlari ishtirokida anketa-so‘rovnoma, suhbat, pedagogik kuzatuv hamda tajriba-sinov ishlari olib borilgan. Kimyo fanini o‘qitishda an’anaviy yondashuv bilan bir qatorda virtual borliq, virtual laboratoriya va o‘quv-simulyatsiya texnologiyalaridan foydalanishning didaktik imkoniyatlari tahlil qilingan. Tajriba-sinov jarayonida, xususan, Crocodile Chemistry virtual laboratoriyasidan foydalanish asosida murakkab kimyoviy jarayonlarni modellashtirish va kursantlarning amaliy bilimlarini kasbiy faoliyat bilan integratsiyalash imkoniyatlari ko‘rsatib berilgan. Tadqiqot natijalariga ko‘ra, nazorat guruhida o‘zlashtirishning sifat ko‘rsatkichi 71 foizni, tajriba-sinov guruhida esa 97,5 foizni tashkil etgani, ya’ni tajriba guruhida 26,5 foiz yuqori natijaga erishilgani aniqlangan. Olingan natijalar oliy harbiy ta’limda kimyo fanini raqamli didaktik vositalar asosida tashkil etish kursantlarning kimyoviy bilimlari, amaliy ko‘nikmalari va harbiy-kasbiy kompetentligini rivojlantirish samaradorligini oshirishini ko‘rsatadi. 138

Kalit so‘zlar: oliy harbiy ta’lim, kursant, kimyo ta’limi, harbiy-kasbiy kompetentlik, raqamli ta’lim, raqamli didaktik vositalar, virtual laboratoriya, o‘quv-simulyatsiya vositalari, interaktiv trenajyor, Crocodile Chemistry, tajriba-sinov, ta’lim samaradorligi. 1.KIRISH Bugungi kunda oliy harbiy ta’limda ham ta’lim tizimi sifati va samaradorligini oshirish, o‘quv jarayonlarini raqamli transformatsiya qilish eng dolzarb vazifalardan biriga aylanib bormoqda. Shu sababdan jahonda oliy harbiy ta’lim tizimini raqamli transformatsiya qilish, xususan, ta’lim oluvchilarning auditoriyada va auditoriyadan tashqari o‘qib o‘rganish faoliyatini onlayn formatga o‘tkazish, kasbiy-professional kompetentlikni oshirishda raqamli ta’lim muhiti imkoniyatlaridan keng foydalanish zarurati yanada chuqurroq tan olinmoqda. Onlayn raqamli trenajyorlar va interaktiv simulyatsiya texnologiyalaridan foydalanish masalasiga AQSh, Yevropa Ittifoqi davlatlari, Janubiy Koreya va Rossiya kabi rivojlangan xorijiy mamlakatlarning yetakchi universitetlarida alohida e’tibor qaratilib, yirik tadiqoq ishlari malaga oshirilmoqda. O‘zbekiston Respublikasining “Ta’lim to‘g‘risida”gi Qonuni,1 O‘zbekiston Respublikasi Prezidentining 2020-yil 5-oktabrdagi “Raqamli O‘zbekiston - 2030” strategiyasini tasdiqlash va uni samarali amalga oshirish chora-tadbirlari to‘g‘risida”gi PF-6079-son Farmoni,2 “O‘zbekiston Respublikasi Prezidentining 2019-yil 8-oktabrdagi “O‘zbekiston Respublikasi oliy ta’lim tizimini 2030-yilgacha rivojlantirish konsepsiyasini tasdiqlash to‘g‘risida”gi PF-5847-son Farmoni,3 O‘zbekiston Respublikasi Prezidentining 2023-yil 24-maydagi “Raqamli xizmatlar qamrovi va sifatini oshirish hamda soha, tarmoq va hududlarni raqamli transformatsiya qilish chora-tadbirlari to‘g‘risida”gi PQ-162-son Qarori,4 O‘zbekiston Respublikasi Vazirlar Mahkamasining 2022-yil 17-avgustdagi “Oliy ta’lim muassasalarida ta’lim jarayonlarini raqamli texnologiyalar asosida boshqarish joriy etilishi munosabati bilan O‘zbekiston Respublikasi Hukumatining ayrim qarorlariga o‘zgartirish va qo‘shimchalar kiritish to‘g‘risida”gi 453-son Qarori,5 O‘zbekiston Respublikasi Vazirlar Mahkamasining 2021-yil 3-oktabrdagi “Oliy taʼlim tashkilotlarida masofaviy taʼlim shaklini joriy etish chora-tadbirlari toʻgʻrisida”gi 559-son Qarorida6 belgilangan vazifalarda ham oliy ta’limda raqamli didaktik vositalarni keng joriy etish vazifalari o‘z aksini topgan. Oʻzbekiston Respublikasining 23.09.2020 yildagi O‘RQ-637-son “Ta’lim to‘g‘risida”gi Qonuni https://lex.uz/docs/5013007 2 Oʻzbekiston Respublikasi Prezidentining Farmoni, 05.10.2020 yildagi PF-6079-son “Raqamli Oʻzbekiston - 2030” strategiyasini tasdiqlash va uni samarali amalga oshirish chora-tadbirlari toʻgʻrisida https://lex.uz/docs/-5030957 3 Oʻzbekiston Respublikasi Prezidentining Farmoni, 08.10.2019 yildagi PF-5847-son “Oʻzbekiston Respublikasi oliy taʼlim tizimini 2030-yilgacha rivojlantirish konsepsiyasini tasdiqlash toʻgʻrisida” https://lex.uz/docs/-4545884 4 Oʻzbekiston Respublikasi Prezidentining qarori, 24.05.2023 yildagi PQ-162-son “Raqamli xizmatlar qamrovi va sifatini oshirish hamda soha, tarmoq va hududlarni raqamli transformatsiya qilish chora-tadbirlari toʻgʻrisida” https://lex.uz/docs/-6472548 5 O‘zbekiston Respublikasi Hukumatining ayrim qarorlariga o‘zgartirish va qo‘shimchalar kiritish to‘g‘risida”gi 453son Qarori https://lex.uz/m/acts/-6721201 6 O‘zbekiston Respublikasi Vazirlar Mahkamasining 2021-yil 3-oktabrdagi “Oliy taʼlim tashkilotlarida masofaviy taʼlim shaklini joriy etish chora-tadbirlari toʻgʻrisida”gi 559-son Qarori https://lex.uz/docs/-6221502 1 139