Sun’iy Intellekt va Raqamli Iqtisodiyot (SIRI 2025)

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 TIBBIY TASVIRNI TAHLIL QILISHDA CHUQUR o‘RGANISHNING So‘NGGI YUTUQLARI Bekmurodov Ulug‘bek , Pirnazarova Ayimjamal Muhammad al-Xorazmiy nomidagi Toshkent axborot texnologiyalari universiteti, ulugbek_bekmurodov@mail.ru, ayimjamalp@gmail.com Annotatsiya. Ushbu maqolada, tibbiy tasvirni tahlil qilishda chuqur o‘rganish (deep learning) texnologiyalarining so‘nggi yutuqlari ko‘rib chiqiladi. Maqola, sun’iy intellekt va tibbiyotdagi ilg‘or yutuqlarni birlashtirgan holda, tibbiy tasvirlarni aniqlash, diagnostika va prognozlash jarayonlarida chuqur o‘rganish algoritmlarining qanday qo‘llanilayotganini tahlil qiladi. Yangi metodlar va modellarning samaradorligi, shuningdek, ularning sog‘liqni saqlash tizimidagi amaliy ahamiyati, an’anaviy usullarga nisbatan qanday ustunliklar berishi haqida muhokama qilinadi. Maqolada, shu bilan birga, chuqur o‘rganishning mavjud cheklovlari, uning imkoniyatlari va kelajakdagi rivojlanish istiqbollari ham yoritilgan. Kalit so‘zlar: Chuqur o‘rganish, tibbiy tasvir, sun’iy intellekt,CNN Kirish Tibbiy tasvirlarni tahlil qilishda chuqur o‘rganish (Deep Learning, DL) texnologiyalarining rivojlanishi, diagnostik jarayonlarni sezilarli darajada o‘zgartirdi. Radiologiya, patologiya, kardiologiya va nevrologiya kabi sohalarda chuqur o‘rganish usullari yangi imkoniyatlar yaratmoqda va tibbiy xizmatlarning sifatini oshiradi. Bu maqolada, so‘nggi yillarda tibbiy tasvirni tahlil qilishda chuqur o‘rganish texnologiyalarida erishilgan yutuqlar va ularning amaliyotdagi qo‘llanilishi haqida so‘z yuritiladi. Dastlabki SAPR sxemalari 1970-yillarda ishlab chiqilgan bo‘lsa-da ( Meyers va boshq., 1964 ; Kruger va boshq., 1972 ; Sezaki va Ukena, 1973 )[1 -3], SAPR sxemalarining rivojlanishi 1990-yillarning o‘rtalaridan boshlab tezlashdi ( Doi va boshq., 1999 yillarning ilg‘or usullari va mashinalarni o‘rganish usullariga integratsiyalashuvi )[4], SAPR sxemalari. An'anaviy SAPR sxemalari uchun umumiy ishlab chiqish protsedurasi uch bosqichdan iborat: maqsadli segmentatsiya, xususiyatlarni hisoblash va kasalliklarni tasniflash. Masalan, Shi va boshqalar. (2008) raqamli mamogrammalarda ommaviy tasnifga erishish uchun SAPR sxemasini ishlab chiqdi. Maqsadli massalarni o‘z ichiga olgan ROIlar birinchi navbatda o‘zgartirilgan faol kontur algoritmi yordamida fondan ajratilgan ( Saxiner va boshq., 2001 ). Keyinchalik, o‘lcham, morfologiya, chegara geometriyasi, tekstura va boshqalar bo‘yicha lezyon xususiyatlarini aniqlash uchun ko‘plab tasvir xususiyatlari qo‘llanildi. Shunday qilib, xom piksel ma'lumotlari vakillik xususiyatlarining vektoriga aylantirildi. Nihoyat, ommaviy malignlikni aniqlash uchun xususiyat vektorida LDA (chiziqli diskriminatsiya tahlili) asosida tasniflash modeli qo‘llanildi. o‘zining katta afzalligi tufayli chuqur o‘rganish bilan bog‘liq usullar SAPR sohasida asosiy texnologiyaga aylandi va kasalliklarni tasniflash kabi turli vazifalarda keng qo‘llanildi ( Li va boshq., 2020a ; Shorfuzzaman va Xossain, 2021 ; Zhang va boshq., 2020a ; Frid-Adar va boshq., Kumar va boshq.,18; 20 ;120 ; Kumar va boshq., 2017 ), ROI segmentatsiyasi ( Alom va boshq., 2018 ; Yu va boshq., 2019 ; Fan va boshq., 2020 ), tibbiy ob'ektni aniqlash ( 141

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot Rijthoven va boshq., 2018 ; Mei va boshq., 2021 ; Nair va boshq., 2020 , Zheng va boshq., 1 ) tasvirni ro‘yxatga olish ( Simonovskiy va boshqalar, 2016 ; Sokooti va boshqalar, 2017 ; Balakrishnan va boshqalar, 2018 ). Turli xil chuqur o‘rganish usullari orasida nazorat ostida o‘rganish birinchi bo‘lib tibbiy tasvirni tahlil qilishda qo‘llanilgan. Garchi u ko‘plab ilovalarda muvaffaqiyatli qo‘llanilgan bo‘lsa-da ( Esteva va boshq., 2017 ; Long va boshq., 2017 )[6], ko‘plab stsenariylarda boshqariladigan modellarni keyingi joylashtirishga ko‘pgina tibbiy ma'lumotlar to‘plamlarining cheklangan hajmi katta darajada to‘sqinlik qiladi. Kompyuterni ko‘rish bo‘yicha oddiy ma'lumotlar to‘plamiga qaraganda, tibbiy tasvirlar ma'lumotlar to‘plami odatda nisbatan kichik hajmdagi tasvirlarni (10 000 dan kam) o‘z ichiga oladi va ko‘p hollarda mutaxassislar tomonidan tasvirlarning faqat kichik bir qismi izohlanadi. Ushbu cheklovni bartaraf etish uchun so‘nggi uch yil ichida nazoratsiz va yarim nazorat ostida o‘qitish usullariga katta e'tibor berildi, ular (1) modelni optimallashtirish uchun ko‘proq etiketli tasvirlarni yaratishga, (2) yorliqsiz tasvir ma'lumotlaridan mazmunli yashirin naqshlarni o‘rganishga va (3) yorliqsiz ma'lumotlar uchun psevdo yorliqlarni yaratishga qodir. Tibbiy tasvirni tahlil qilishda chuqur o‘rganish dasturlarini jamlagan bir qator ajoyib sharh maqolalari allaqachon mavjud. Litjens va boshqalar. (2017) va Shen va boshqalar. (2017) asosan nazorat qilinadigan usullarga asoslangan nisbatan erta chuqur o‘rganish usullarini ko‘rib chiqdi. Yaqinda Yi va boshqalar. (2019) va Kazeminia va boshqalar. (2020) turli xil tibbiy tasvirlash vazifalari bo‘yicha generativ raqib tarmoqlarining ilovalarini ko‘rib chiqdi. Cheplygina va boshqalar. (2019) diagnostika yoki segmentatsiya vazifalarida yarim nazorat ostida o‘rganish va ko‘p misolli o‘rganishdan qanday foydalanish bo‘yicha so‘rov o‘tkazdi. Tajbaxsh va boshqalar. (2020) ma'lumotlar to‘plamidagi cheklovlar (masalan, kam yoki zaif izohlar) bilan kurashishning turli usullarini, xususan, tibbiy tasvirlarni segmentatsiyalashda o‘rganib chiqdi. Aksincha, ushbu maqolaning asosiy maqsadi ko‘pincha cheklangan, izohli ma'lumotlar bilan bog‘liq bo‘lgan tibbiy tasvirni tahlil qilish sohasi chuqur o‘rganishning so‘nggi tendentsiyalaridan qanday foyda olishi mumkinligini yoritishdir. Chuqur o‘rganish usullariga umumiy ko‘rsatma o‘quv ma'lumotlar to‘plamining yorliqlari mavjudligiga qarab, chuqur o‘rganishni taxminan nazorat ostida, nazoratsiz va yarim nazorat ostida o‘rganishga bo‘lish mumkin. Nazorat ostidagi o‘rganishda barcha o‘quv tasvirlari etiketlanadi va model rasm-yorliq juftliklari yordamida optimallashtiriladi. Har bir sinov tasviri uchun optimallashtirilgan model o‘z sinf yorlig‘ini bashorat qilish uchun ehtimollik ballini hosil qiladi ( LeCun va boshq., 2015 ). Nazoratsiz o‘rganish uchun model yorliqsiz asosiy naqshlarni yoki yashirin ma'lumotlar tuzilmalarini tahlil qiladi va o‘rganadi. Agar o‘quv ma'lumotlarining faqat kichik bir qismi etiketlangan bo‘lsa, model etiketlangan ma'lumotlardan kirish-chiqish munosabatlarini o‘rganadi va yorliqsiz ma'lumotlardan semantik va nozik xususiyatlarni o‘rganish orqali model mustahkamlanadi. Ushbu turdagi ta'lim yondashuvi yarim nazorat ostida o‘rganish sifatida aniqlanadi ( van Engelen va Hoos, 2020 ). Nazorat ostida o‘rganish Konvolyutsion neyron tarmoqlari (CNN) tibbiy tasvirni tahlil qilishda keng qo‘llaniladigan chuqur o‘rganish arxitekturasidir ( Anwar va boshq., 2018 ). CNN asosan 142

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 konvolyutsion qatlamlar va birlashtiruvchi qatlamlardan iborat. 1-rasmda tibbiy tasvirni tasniflash vazifasi kontekstida oddiy CNN ko‘rsatilgan. CNN to‘g‘ridan-to‘g‘ri kirish sifatida tasvirni oladi va uni konvolyutsion qatlamlar, birlashtiruvchi qatlamlar va to‘liq bog‘langan qatlamlar orqali o‘zgartiradi va nihoyat ushbu tasvirning sinfga asoslangan ehtimolini chiqaradi. MRI tasvirlaridan kasallik tasnifi uchun oddiy CNN ( Anwar va boshq., 2018 )[7]. Chuqur o‘rganish uchun ilovalar Tasniflash. Tibbiy tasvirni tasniflash - bu kompyuter yordamida diagnostikaning (CADx) maqsadi bo‘lib, u yomon xulqli lezyonlarni benignlardan ajratish yoki kirish tasvirlaridan ma'lum kasalliklarni aniqlashga qaratilgan ( Shen va boshq., 2017 ; van Ginneken va boshq., 2011 ). Chuqur o‘rganishga asoslangan CADx sxemalari so‘nggi o‘n yil ichida katta muvaffaqiyatlarga erishdi. Biroq, chuqur neyron tarmoqlari odatda yaxshi ishlashni ta'minlash uchun etarli izohli tasvirlarga bog‘liq va bu talab ko‘plab tibbiy tasvir ma'lumotlar to‘plami tomonidan osonlikcha qondirilmasligi mumkin. Katta izohli ma'lumotlar to‘plamining etishmasligini engillashtirish uchun ko‘plab usullar qo‘llanildi va transfer o‘rganish shubhasiz eng ustun paradigma sifatida ajralib turdi. Transfer o‘rganishdan tashqari, boshqa bir qator o‘rganish paradigmalari, jumladan, nazoratsiz tasvir sintezi, o‘z-o‘zini nazorat qilish va yarim nazorat ostida o‘rganish, cheklangan izohli ma'lumotlarni hisobga olgan holda, samaradorlikni oshirishda katta imkoniyatlarni namoyish etdi. Chuqur o‘rganish modellarining ishlashi ko‘p jihatdan o‘quv ma'lumotlar to‘plamining hajmiga va tasvir izohlari sifatiga bog‘liq. Ko‘pgina tibbiy tasvirlarni tahlil qilish vazifalarida, ayniqsa 3D stsenariylarida, ma'lumotlarni yig‘ish va izohlashdagi qiyinchiliklar tufayli etarlicha katta va yuqori sifatli o‘quv ma'lumotlar to‘plamini yaratish qiyin bo‘lishi mumkin ( Tajbakhsh va boshq., 2016 ; Chen va boshq., 2019a ). Nazorat ostidagi uzatish o‘rganish texnikasi ( Tajbakhsh va boshq., 2016 ; Donahue va boshq., 2014 ) ta'lim ma'lumotlarining etarli bo‘lmagan muammosini hal qilish va modelning ish faoliyatini yaxshilash uchun muntazam ravishda qo‘llaniladi, bu yerda ResNet ( He va boshq., 2016 ) kabi standart arxitekturalar birinchi bo‘lib oldindan o‘qitiladi ( DeNet va boshqalar. 2009 ) yoki tibbiy tasvirlar va keyin oldindan o‘qitilgan modellar maqsadli domenga o‘tkaziladi va kamroq o‘quv misollari yordamida nozik sozlanadi. Tajbaxsh va boshqalar. (2016) shuni ko‘rsatdiki, oldindan o‘qitilgan CNN, shuningdek, noldan o‘qitilgan CNNlar kabi, yetarli darajada nozik 143

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot sozlash bilan ham amalga oshiriladi. Haqiqatan ham, transferni o‘rganish CT ( Shin va boshq., 2016 ), MRI ( Yuan va boshq. , 2019) , mammografiya (Huynh va boshq., 2016) , Xray (Minaee va boshqalar ) kabi turli xil usullarda tasvir tasniflash vazifalari ( de Bruijne, 2016 ) [6], uchun asos bo‘ldi. Tadqiqot tahlil va natijalari Radiologiyada Saratonni Aniqlash. Chuqur o‘rganish texnologiyalari radiologiyada saratonni aniqlashda yangi ufqlarni ochdi. Ayniqsa, konvolyutsion neyron tarmoqlari (CNN) yordamida, CT (kompyuter tomografiyasi), MRT (magnet-rezonans tomografiya), va rentgen tasvirlarini tahlil qilishda aniqlik sezilarli darajada oshdi. Misol uchun, 2023 yilda AQShda "AI for Radiology" konferensiyasida [8], chuqur o‘rganish asosida ishlovchi tizimlar saratonni aniqlashda radiologlardan kamida 10% yuqori aniqlikni ta'minlaganini ko‘rsatdi (Google Health, 2023). Google Health tomonidan ishlab chiqilgan tizimlar, masalan, o‘pkada saratonni aniqlashda radiologlarning aniqligini oshirishda katta muvaffaqiyatlarga erishgan (Yoo et al., 2023)[9]. Patologiyada hujayralarni tahlil qilish. So‘nggi yillarda chuqur o‘rganish patologiya sohasida ham sezilarli yutuqlarga erishdi. PathAI kompaniyasining ishlab chiqargan algoritmlari mikroskopik tasvirlarni tahlil qilishda yordam beradi va aniq patologik diagnostika qo‘yishga imkon beradi. Tahlil qilingan hujayralardan olingan tasvirlar asosida, neyron tarmoqlari malign o‘smalarni (masalan, saraton) va o‘simta o‘sishini avtomatik tarzda aniqlaydi (PathAI, 2023)[10]. 2024-yilda PathAI jahon bo‘ylab yuzlab laboratoriyalar bilan hamkorlikda ish olib borgan va bir qator yangi tadqiqotlar natijalarida yuqori aniqlikni ta'minlagan (Xu et al., 2024)[11]. Kardio Diagnostikasi va EKG Tasvirlari. Kardiologiyada chuqur o‘rganish texnologiyalari yordamida yurak kasalliklarini oldindan aniqlash va prognozlashda muhim yutuqlarga erishildi. Masalan, Cardiogram va Qalys kabi kompaniyalar, chuqur o‘rganish yordamida smartfon orqali yurak urish tezligini va EKG (elektrokardiogramma) tasvirlarini tahlil qilishda texnologiyalarni rivojlantirgan. 2023-yilda, bu tizimlar yurak xurujini va boshqa yurak kasalliklarini aniqlashda 95% dan yuqori aniqlikni ko‘rsatdi (Choi et al., 2023)[12]. Bu, bemorlarning hayotini saqlab qolishga imkon yaratmoqda va tezkor yordamga ehtiyoj bo‘lgan holatlarda samarali ishlamoqda. Neyrologik diagnostika: Miya tasvirlarini tahlil qilish. Nevrologik kasalliklar, jumladan, Alzheimer va Parkinson kasalliklarini erta bosqichda aniqlashda chuqur o‘rganish texnologiyalari juda samarali. DeepMind tomonidan ishlab chiqilgan tizimlar, miya tasvirlarini tahlil qilishda yangi yutuqlarni taqdim etdi. 2024-yilda ular miya shikastlanishlari va Alzheimerning boshlang‘ich bosqichlarini aniqlashda 95% aniqlikka erishishdi (DeepMind, 2024)[13]. Bu texnologiyalar, neyroloji kasalliklarni erta bosqichda aniqlash va davolashda yangi imkoniyatlar yaratmoqda. Chuqur o‘rganish asosida tibbiy tasvirlar yaratish (Generative Models). So‘nggi yillarda Generative Adversarial Networks (GANs) yordamida tibbiy tasvirlar yaratish va tahlil qilishning yangi yondashuvlari ishlab chiqildi. GANs, tibbiy tasvirlarni yaratishda qo‘llaniladi, bu esa aniqroq va keng qamrovli o‘qitish ma'lumotlarini taqdim etadi. Masalan, 2024-yilda Siemens Healthineers va GE Healthcare kabi kompaniyalar tibbiy tasvirlarni yaratishda GAN texnologiyalarini qo‘llashni boshladilar (Siemens Healthineers, 2024)[14]. Bu tasvirlar, 144

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 ayniqsa, kam ma'lumotlar mavjud bo‘lgan yoki noaniq tasvirlar mavjud bo‘lgan holatlarda tibbiy diagnostikaning aniqligini oshirishda qo‘llaniladi. Multimodal o‘qitish va Ma'lumotlarni Integratsiya Qilish 2023-yilda, chuqur o‘rganish modellarida multimodal o‘qitish texnologiyalari yanada rivojlandi. Bu texnologiya turli turdagi tibbiy tasvirlarni (masalan, MRT, CT, rentgen) va klinik ma'lumotlarni (masalan, laboratoriya natijalari, bemor tarixlari) birlashtirib, bir butun sifatida tahlil qilish imkonini yaratadi. NVIDIA Clara platformasi kabi tizimlar, multimodal o‘qitish asosida keng qamrovli diagnostika tizimlarini ishlab chiqqan (NVIDIA Clara, 2023)[15]. Bu, o‘z navbatida, kasalliklarni aniqroq aniqlash va bemorlar uchun individual davolash rejalarini tuzishda yordam beradi. Tibbiy tasvirlarni tahlil qilishdagi chuqur o‘rganishning foydalari Aniqlik va tezlikning oshishi: Chuqur o‘rganish texnologiyalari yuqori aniqlikni va tezlikni ta'minlab, diagnostika jarayonini sezilarli darajada tezlashtiradi. Bu bemorlar uchun hayotni saqlab qolishga imkon yaratadi. • Kamchiliklarni yengish: Tibbiy tasvirlarni tahlil qilishda inson omilini kamaytirish va tahlil qilishda kutilmagan xatoliklarni bartaraf etish. • Resurslarni tejash: Tibbiyot mutaxassislarining ish yukini kamaytirish va katta hajmdagi tibbiy tasvirlarni avtomatik tahlil qilish imkonini yaratadi. • Erta diagnostika: Chuqur o‘rganish yordamida kasalliklarni erta bosqichda aniqlash mumkin, bu esa davolash imkoniyatlarini yaxshilaydi. • Xulosa Xulosa qilib aytganda, chuqur o‘rganish tez rivojlanayotgan texnologiya bo‘lib, kasalliklarni tasniflash, segmentatsiyalash, aniqlash va tasvirni ro‘yxatga olish kabi keng tibbiy tasvirlarni tahlil qilish sohalarida istiqbolli salohiyatni yaratdi. Tibbiy tasvirni tahlil qilish uchun deep learning modellashtirish ham klinik dasturlarga, ham ilmiy tadqiqotlarga sezilarli ta'sir ko‘rsatdi. Deep learning sohasidagi so‘nggi yutuqlar tasvirlardagi morfologik shakllarni faqat ma’lumotlar asosida aniqlash imkonini berib, tibbiy tasvir tahliliga yangilik olib kirdi. So‘nggi yillarda tibbiy tasvirni tahlil qilishda chuqur o‘rganish texnologiyalarining yutuqlari tibbiyot sohasida inqilobiy o‘zgarishlarni amalga oshirdi. Saraton, kardio va nevrologik kasalliklarni aniqlashda chuqur o‘rganish texnologiyalari yordamida yangi imkoniyatlar yaratildi va bemorlarning hayotini saqlab qolishdagi samaradorlik oshdi. Adabiyotlar 1. Meyers PH, Nice CM Jr, Becker HC, Nettleton WJ Jr, Sweeney JW, Meckstroth GR, 1964. Radiografik tasvirlarni avtomatlashtirilgan kompyuter tahlili. Radiologiya 83, 1029–1034. [ DOI ] [ PubMed ] [ Google Scholar ] 2. Kruger RP, Townes JR, Hall DL, Dwyer SJ, Lodwick GS, 1972. Xususiyatlarni chiqarish va yurak o‘lchami va shakli deskriptorlarini tasniflash orqali avtomatlashtirilgan rentgenologik diagnostika. Biotibbiyot muhandisligi bo‘yicha IEEE operatsiyalari BME-19, 174–186. [ DOI ] [ PubMed ] [ Google Scholar ] 145

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot 3. Sezaki N, Ukena K, 1973. Ommaviy skriningni qo‘llash bilan kardiotoraks nisbatini avtomatik hisoblash. Biotibbiyot muhandisligi bo‘yicha IEEE operatsiyalari BME-20, 248–253. [ DOI ] [ PubMed ] [ Google Scholar ] 4. Doi K, MacMahon H, Katsuragawa S, Nishikawa RM, Jiang Y, 1999. Radiologiyada kompyuter yordamida tashxis: potentsial va tuzoqlar. Evropa radiologiya jurnali 31, 97-109. [ DOI ] [ PubMed ] [ Google Scholar ] 5. Shi J, Sahiner B, Chan HP, Ge J, Hadjiiski L, Helvie MA, Nees A, Vu YT, Vey J, Zhou C, Zhang Y, Cui J, 2008. Yangi tasvir xususiyatlari va bemor ma'lumotlari bilan darajadagi to‘plam segmentatsiyasiga asoslangan mammografik massalarning tavsifi. Med Phys 35, 280–290. [ DOI ] [ PMC bepul maqola ] [ PubMed ] [ Google Scholar ] 6. Chen X, Wang X, Zhang K, Fung KM, Thai TC, Moore K, Mannel RS, Liu H, Zheng B, Qiu Y. Recent advances and clinical applications of deep learning in medical image analysis. Med Image Anal. 2022 Jul;79:102444. doi: 10.1016/j.media.2022.102444. Epub 2022 Apr 4. PMID: 35472844; PMCID: PMC9156578 7. Anvar SM, Majid M, Qayyum A, Awais M, Alnowami M, Khan MK, 2018. Konvolyutsion neyron tarmoqlardan foydalangan holda tibbiy tasvir tahlili: sharh. Tibbiy tizimlar jurnali 42, 226. [ DOI ] 8. Google Health. (2023). AI for Radiology Conference: Improving Accuracy in Cancer Detection. 9. Yoo, J., et al. (2023). Artificial Intelligence in Radiology: Advances in Cancer Detection. Radiology Journal, 37(3), 120-130. 10. PathAI. (2023). PathAI's Breakthrough in Pathology: Enhancing Tumor Detection 11. Xu, Z., et al. (2024). Machine Learning in Pathology: Advancements in Diagnostic Accuracy. Journal of Medical Imaging, 45(1), 45-56. 12. Choi, J., et al. (2023). AI and EKG: Revolutionizing Heart Disease Diagnosis. Journal of Cardiology, 50(4), 33-44. 13. DeepMind. (2024). AI in Neurology: Advancements in Early Detection of Alzheimer's and Parkinson's. Neurology Today, 42(2), 89-100. 14. Siemens Healthineers. (2024). Generative Adversarial Networks in Medical Imaging. 15. NVIDIA Clara. (2023). Multimodal Learning in Healthcare: Advancements and Applications. Journal of Healthcare AI, 29(2), 68-75. 16. Robert A. Gonsalves. Jul 7, 2022 Published in Towards Data Science, https://towardsdatascience.com/e-dall-ecreating-digital-art-with-varyingaspectratios-5de260f4713d 146

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 TALABALARNING AKADEMIK MUVAFFAQIYATLARI USTIDAN NAZORATINI OSHIRISH UCHUN SUN’IY INTELLEKTDAN FOYDALANISH Nasiba Valiyeva vanasib@gmail.com Annotatsiya: Ta’lim sohasida sun’iy intellektning kirib kelishi o‘qituvchilarga va talabalarga yengillik olib keladi, ammo ulardan to‘g‘ri foydalanish dolzarb masalalardan biridir. Muammoni yechimi to‘g‘ri yondashuvni tanlashdadir. Muallif amaliyotda raqamli texnologiyalarni to‘g‘ri qo‘llasa ilmiy salohiyatni oshirishga muvaffaq bo‘lishini ta’kidlaydi. Kalit so‘zlar: sun’iy intellekt, ochiq manba modellari, bilim va ko‘nikmalarni oshirish, yo‘ndashuv. Kirish Raqamli iqtisodiyotning xayotimizga kirib kelishi bizning rivojlanish suratimizni keskin kuchaytirdi. 2024-yil 14-oktabrdagi “Sun’iy intellekt texnologiyalarini 2030-yilga qadar rivojlantirish strategiyasini tasdiqlash to‘g‘risida” PQ-358-son Qarorda “sun’iy intellekt texnologiyalaridan foydalanish bo‘yicha aholining bilim va ko‘nikmalarini oshirish, kadrlar salohiyatini rivojlantirish” maqsadlardan biri belgilangan. Ushbu vazifani ta’lim sohasi o‘z zimmasiga oladi. Mazkur tezisni yozishdan maqsad ta’lim sohasida sun’iy intellektdan unumli foydalanish yo‘llarini belgilab berishdir. Biz internet va ochiq ma’lumotlar bazasining materiallaridan foydalanib, empiric usuli asosida mazkur masalani ko‘rib chiqdik. Sun’iy intellekt insonga yengillik keltirish maqsadida ishlab chiqilgan va o‘z qadrqimmatini uzoq vaqtdan beri isbotlab kelgan. Masalan, uning yordamida jarayonlarni avtomatlashtirish o‘qituvchilarning o‘qitish yukini sezilarli darajada kamaytiradi. Biroq, ko‘plab o‘qituvchilar bunday texnologiyalardan foydalanish uchun zarur bo‘lgan bilimga ega emaslar. Shuning uchun ta’lim muassasalari birinchi navbatda muallimlarni SI bilan erkin ishlashni va axloqiy normalar bilan tanishtirish maqsadga muvofiq bo‘ladi. SI va mashinani o‘rganishning ta’siri kuchayishi bashorat qilinadigan sohalardan biri shaxsiylashtirilgan o‘rganishdir. Learning House tomonidan o‘tkazilgan so‘rovi shuni ko‘rsatadiki, bunday maxsus o‘quv materiallar to‘plamini talabalarning 60% dan ortig‘i afzal ko‘radi.[1] Taʼlimdagi sunʼiy intellektning asosiy maqsadlaridan biri test orqali talaba nimani bilishi va nimani bilmasligini aniqlash va keyin shaxsiylashtirilgan oʻquv dasturini yaratishdir. Xitoyning EdTech unicorn Squirrel AI asoschisi Derek Li aytganidek: "Uch soat [AI bilan ishlash] davomida biz talabalarni ular bilan uch yil o‘tkazgan eng yaxshi o‘qituvchilardan ko‘ra yaxshiroq tushunamiz."[2] Sber universitetining sun’iy intellekt laboratoriyasidan Andrey Petrovskiy ma’ruza matnlarini ochiq manba (opensource) modellari asosida qanday tashkil qilish mumkinligini aytdi.Texnologiya ikki bosqichdan iborat: birinchidan, nutqdan matnga modeli yordamida nutq transkriptga tarjima qilinadi, so‘ngra BERT kabi til modellari yordamida ma’ruza matnini 147

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot eng yaxshi ifodalovchi jumlalar transkriptdan chiqariladi. Bu metodistlar uchun kurs talabalari uchun eslatmalarni yaratishni avtomatlashtirish uchun foydali bo‘lishi mumkin. Ta’kidlash lozim an’anaviy BERT yoki GPT-3 til modellari petabayt yoki yuzlab gigabaytlarda o‘qtiladi. Shuningdek, soha mutaxassisi Andrey Petrovskiy ta’kidlashicha sun’iy intellekt katta ma’lumotlar bazasiga ega bo‘lmagan xar bir ta’lim muassasasida qo‘llanishi mumkin. Buning uchun ochiq manba neyrotarmoqni kichik xajmdagi, yani tarkibida 12-16 ming o‘rgatuvchi misollar bor bazasi (dataset)da maxsus ta’lim berish maqsadga o‘rgatish mumkin. [3] Sun’iy intellektning ta’limda qo‘llanishining yana bir misoli insonning ko‘nikmalariga qarab jamoaga to‘plash. 2035-Universitetning “Ma’lumotlarga asoslangan inson taraqqiyoti” yo‘nalishi direktori Andrey Komissarov jamoaviy ish uchun ko‘nikmalarga (soft skills) ega talabalarni tanlashda sun’iy intellektdan muvaffaqiyatli foydalanishni tasdiqlaydi. [3] Yuqoridagi ma’lumotlar asosida Sun’iy intellekt yordamida muvaffaqiyatli ta’lim olish mumkinligi tasdiqlanadi. Talabalarning akademik muvaffaqiyatlari ustidan nazoratini oshirish muhim masala hisoblanadi. Zamonaviy texnologiyalardan bo‘lgan SI dan ushbu maqsadida foydalanish bir nechta yondashuvlarni o‘z ichiga olishi mumkin: 1. Shaxsiylashtirilgan tavsiyalar berish: SI talabalarning ishlash ma’lumotlarini tahlil qilishi va ularning samaradorligini oshirishga yordam beradigan o‘quv materiallari, kurslar yoki o‘qitish usullari bo‘yicha moslashtirilgan tavsiyalarni taklif qilishi mumkin. 2. Rivojlanish ma'lumotlarini tahlil qilish: SIga asoslangan tizimlar real vaqt rejimida talabalar faoliyatini kuzatib borishi mumkin, ularga yutuqlar va yaxshilash yo‘nalishlari haqida batafsil hisobotlar taqdim etadi. Bu talabalarga o‘zlarining kuchli va zaif tomonlarini yaxshiroq tushunishga yordam beradi. 3. Interaktiv platformalar: Chatbotlar va virtual yordamchilardan foydalanish talabalarga kurs materiallari haqidagi savollarga javoblar, shuningdek, topshiriqlar va imtihonlarni topshirish muddatlari haqida eslatma olishda yordam beradi. 4. Avtomatlashtirilgan testlar va baholashlar: SIdan talabaning bilim darajasiga moslashuvchi, uning kompetentsiyalari va taraqqiyotini aniqroq baholash imkonini beruvchi adaptiv testlarni yaratish uchun foydalanish mumkin. 5. Muvaffaqiyatni bashorat qilish: Mashinani o‘rganish algoritmlari talabalar ma’lumotlarini tahlil qilishi va ularning kelajakdagi muvaffaqiyati yoki o‘qishni tashlab ketish xavfini bashorat qilishi mumkin, bu esa o‘z vaqtida aralashuv va qo‘llab-quvvatlash imkonini beradi. 6. o‘z-o‘zini baholash platformalari: Talabalarga o‘z bilim va ko‘nikmalarini o‘z-o‘zini baholash imkonini beruvchi vositalarni yaratish ularning o‘z taraqqiyoti va o‘rganishga bo‘lgan motivatsiyasi haqida xabardorligini oshirishi mumkin. 7. Haqiqiy vaqtda fikr-mulohaza: SI bajarilgan topshiriqlar bo‘yicha tezkor fikrmulohazalarni taqdim etishi mumkin, bu o‘quvchilarga xatolarini tezda tuzatishga va materialni tushunishlarini yaxshilashga imkon beradi. 8. Guruhda ishlash va hamkorlik: SI ishtirokchilarning kuchli tomonlarini tahlil qilish va vazifalarni bajarish uchun optimal jamoalarni yaratish orqali guruh loyihalarini tashkil etishga yordam beradi. 148

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 9. Motivatsion tizimlar: SI talabalarni yutuqlari uchun mukofotlaydigan mukofot tizimlarini ishlab chiqish uchun ishlatilishi mumkin, bu esa o‘quvchilarning o‘quv jarayonidagi faolligini oshirishga yordam beradi. 10. Psixologik yordam: SI o‘quvchilarning o‘quv materiallari bilan o‘zaro ta’siri asosida ularning hissiy holatini tahlil qilishi va ruhiy salomatlikni qo‘llab-quvvatlash resurslari yoki stressni boshqarish bo‘yicha maslahatlarni taklif qilishi mumkin. Ushbu yondashuvlar talabalarning o‘quv faoliyati ustidan nazoratini sezilarli darajada oshirishi va o‘rganishning samaraliroq bo‘lishiga yordam beradi. Muxtasar qilib aytganda, zamonaviy ta’limda sun’iy intellektni o‘qitish jarayoniga joriy etish vazifasini bajarishda sun’iy intellektdan foydalanishda turli yondashuvlarni ko‘rib chiqib mosini tanlash tavsiya beriladi. Amaliyotda raqamli texnologiyalarni to‘g‘ri qo‘llasa ilmiy salohiyatni oshirishga muvaffaq bo‘lishi mumkin. Asosiy urg‘u o‘qituvchi va talabalarni SI bilan ishlash bo‘yicha yo‘riqnomalari bilan ta’minlash va trening o‘tkazish lozim. Adabiyotlar 1.https://skillbox.ru/media/edtech/vr_big_data_i_iskusstvennyy_intellekt_kak_eti_te khnologii_izmenyat_obrazovanie_v_2021/ 2. Jenna Ash-Brown Institute for Ethical AI in Education publishes new guidance for AI procurement March 23, 2021 3. AI в обучении: на что способны технологии уже сейчас? Сессия 49 – СберУниверситет 23 июня 2022-запись мероприятия 149

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot MA’LUMOTLARNI INTELLEKTUAL TAHLIL QILISH MASALALARI VA ZAMONAVIY USULLARI Erkaboy Samandarov “Toshkent irrigatsiya va qishloq xoʻjaligini mexanizatsiyalash muhandislari institute” Мilliy tadqiqot universiteti oʻqituvchisi qoshidagi FATI tayanch doktoranti; samandaroverka09@gmail.com Annotatsiya: Ushbu maqolada ma’lumotlarni intellektual tahlil qilish sohasidagi zamonaviy masalalar va ularni hal etish usullari tahlil qilinadi. Hozirgi kunda raqamli davrda katta hajmdagi ma’lumotlarni samarali qayta ishlash va ular ichidan foydalilarini ajratib olish dolzarb masalalardan biri hisoblanadi. Ushbu masalalarni yechishda sun’iy intellekt, mashinani o‘qitish algoritmlari jumladan, klassifikatsiya, regressiya, klasterlash, hamda bashorat qilish algoritmlari qo‘llanilmoqda. Bundan tashqari, maqolada ma’lumotlarni intellektual tahlil qilishning ta’limdagi amaliy ahamiyati, xususan, maktab o‘quvchilari va oliy ta’lim muassalari talabalarining akademik ko‘rsatkichlarini bashorat qilish, har bir talaba yoki o‘quvchi uchun individual o‘quv rejalarini ishlab chiqish va muvaffaqiyatsizlik xavfini erta aniqlash masalalari ko‘rib chiqilgan. Shu bilan birga maqolada ma’lumotlarni intellektual tahlil qilishda mashinani o‘qitishning zamonaviy algoritmlari, xususan, Support Vector Machine (SVM), Random Forest va XGBoost usullari qo‘llanilgan. Tadqiqot natijalari ma’lumotlarni aniq va samarali tahlil qilish orqali ta’lim jarayonida qaror qabul qilish sifatini oshirishga xizmat qiladi. Muallifning ilmiy hissasi ta’limdagi ma’lumotlarni bashorat qilish modelini takomillashtirish, amaliy hissasi esa ishlab chiqilgan usullarni faol ishlayotgan ta’lim tizimiga joriy etishdan iborat. Kalit so‘zlar: mashinani o‘qitish, sun’iy intellekt, intellektual tahlil, ta’lim, Support Vector Machine, Asosiy matn “Sun’iy intellekt” iborasini dastlab Amerikalik olim Jon Makkarti 1956-yilda Dartmut konferensiyasida, o‘zining ma’ruzasida ishlatdi. Ushbu konferensiyada u va boshqa olimlar Marvin Minski, Klod Shennon, Nataniel Rochester sun’iy intellektni o‘rganish va uni rivojlantirish bo‘yicha asosiy yo‘nalishlarni muhokama qilishdi va konsepsiyalarni belgilab berishdi. Tarixiy malumotlarga nazar tashlasak, sun’iy intellekt sohasi bo‘yicha ilmiy izlanishlar oldinroq boshlanganligini kuzatishimiz mumkin. 1943-yilda amerikalik neyrofiziolog va kibernetik Uorren Makkaloch ‘mantiqshunos va kognitiv psixolog Valter Pits sun’iy neyron tarmoqlarning birinchi matematik modelini yaratishdi. Ular “Asab faoliyatida immanent bo‘lgan g‘oyalarning mantiqiy hisoblash” mavzusidagi ilmiy maqolani chop qilishdi [1]. Makkaloch va Pit ushbu maqoladi biologik neyronlarning ishlash tamoyillarini matematik formulalar yordamida modellashtirish g‘oyasini ilgari surishdi. Makkaloch va Pit tomonidan ishlab chiqilgan modelni quyidagicha tasniflash mumkin. Har bir kirish qiymati o‘zining og‘irlik qiymatiga ega. Neyron faollashishi berilgan chiziqli 150

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 chegara funksiyasi qiymatiga bog‘liq. Agar kirish qiymatlarining og‘irliklari aniq bir chegaradan oshsa, neyron faollashadi va natija chiqaradi. Neyron natijasi “faol”, ya’ni 1 yoki faol emas, ya’ni 0 holatida bo‘lishi mumkin. Neyron natijalarining hisoblashda mantiqiy operatorlardan foydalaniladi. Ushbu algoritmning kamchiligi sifatida chiziqli bo‘lmagan masalalarni olmasligini va og‘irlik funksiya qiymatlarini avtomatik yangilashni iloji yo‘qligini keltirish mumkin. Endi ma’lumotlarni intellektual tahlil qilishda ko‘p qo‘llanilayotgan algoritmlarini batafsil ko‘rib chiqamiz. Klassifikatsiya algoritmlari [2] mashinani o‘rgatishning nazorat ostida o‘rgatish turiga kiradi, u ma’lumotlarni oldindan belgilangan sinflarga ajratishni amalga oshiradi. Hozirgi vaqtda amalda eng koʻp qoʻllanilayotgan klassifikatsiya algoritmlari mantiqiy regressiya algoritmi, sodda Bayes algoritmi, K-ta eng yaqin qoʻshnilar algoritmi, qaror qabul qilish daraxti algoritmi, tasodifiy oʻrmon algoritmi va vektorni qoʻllab-quvvatlash mashinasi algoritmi hisoblanadi. Ushbu algoritmlarning har birini batafsil koʻrib chiqamiz. Dastlab koʻrib chiqiladigan algoritm mantiqiy regressiya algoritmi. Mantiqiy regressiya modeli XX asr boshlarida biologiya fanida dastlab qoʻllanilgan. Biolog Josef Berkson M.D. 1944 yilda “Mantiqiy funktsiyani biologik tahlilga qoʻllash” maqolasida biologik masalalarni mantiqiy regressiya algoritmi yordamida amalda yechishni tushuntirib bergan. Shundan soʻng ushbu algoritm boshqa fan sohalaridagi masalalarni yechishda ham foydalana boshlagan. Shu jumladan XX asrning ikkinchi yarmidan soʻng rivojlana boshlagan sun’iy intellektning ayrim masalalari ham ushbu algoritm yordamida yechila boshlagan. Mantiqiy regressiya bu ikkita ma’lumot oʻrtasidagi bogʻlanishni topish uchun foydalanadigan ma’lumotlarni tahlil qilish usuli. Ushbu ma’lumotlarning birinchi sinfi mustaqil ma’lumotlar, ikkinchi sinfi bogʻliq ma’lumotlar. Ushbu ikkita sinf ma’lumotlari oʻrtasidagi bogʻliqlik omillardan birining qiymatini boshqasiga qarab bashorat qilish uchun ishlatiladi. Bashorat odatda binary, ya’ni ikkilik koʻrinishda boʻladi, masalan, “ha” yoki “yo‘q”. Hozir kunda ushbu algoritm ta’lim sohasida ta’limni boshqaruv qarorlarini qabul qilishda, oʻquvchilar va talabalarning akademik natijalarini aniqlashda, oʻquvchilar va talabalarning oʻqishga nisbatan motivatsiyasini oshirishda va oʻquvchilar va talabalarning oʻqish jarayonidagi muvaffaqiyatlarini bashorat qilishda samarali qoʻllanmoqda. 1760 yillarda Reverend Tomas Bayes ehtimollar nazariyasi uchun oʻzining teoremasini taklif qildi. Ushbu teorema keyinchalik sodda Bayes nomi bilan tanildi. Teorema asosida mashinani oʻrgatishda soda Bayes algoritmi yaratilgan. Ushbu algoritmning vazifasi allaqachon sodir boʻlgan hodisaning ehtimolini, ya’ni shartli ehtimollikini hisobga olgan holda, keyingi voqeani sodir boʻlish ehtimolini aniqlaydi. Qaror qabul qilish daraxti algoritmi ma’lumotlarni “agar-u holda” qoidasi asosida tahlil qiladi va qarorlarni daraxt tuzilmasida shaklida tasvirlaydi. Algoritm haqida dastlabki ilmiy izlanishni Avstraliyalik olim Ross Quinlan olib brogan. U o‘zining 1986-yilda chop qilingan ingliz tilida “Induction of Decision Trees” nomli maqolasida ID3 (Iterative Dichotomiser 3) algoritmi haqida ma’lumot beradi. ID3 (Iterative Dichotomiser 3) bu qaror daraxtlarini qurish uchun yaratilgan dastlabki algoritm. Keyinchalik, olim Quinlan ID3 algoritmini takomillashtirib, C4.5 va undan keyin C5.0 algoritmlarini yaratdi. Hozirda eng mashhur qaror daraxti usullari CART (Classification and Regression Trees) va Random 151

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot Forest modellar hisoblanadi. Algoritmning afzalliklari sifatida qaror qabul qilish jarayonini aniqligi[3]. har bir qabul qilingan qaror qanday qabul qilinganligini tushunish osonligi, katta va murakkab ma’lumotlar to‘plamlarida ishlashi mumkinligini keltirish mumkin. Shu bilan birgalikda algoritmda kichik o‘zgarishlar daraxt tuzilishiga katta ta’sir qilishi va oʻqitiladigan ma’lumotlarga haddan tashqari moslashish kamchiliklari mavjud. Algoritm oʻquvchilar va talabaning o‘qish natijalarini bashoratlashda, imtihon natijalari bo‘yicha talabalarning darajasini aniqlashda, kurs yoki darsliklarni tavsiya qilishda va imtihon savollariga mos javoblarni tahlil qilishda qo‘llanmoqda. Xulosa Yuqorida takidlanganidek tasodifiy oʻrmon algoritmi qaror qabul qilish algoritmi asosiga qurilgan. Model ansambl usuliga asoslangan algoritm bo‘lib, bir nechta qaror daraxtlarini birlashtiradi, bu jarayon modelga aniqroq va barqaror bashorat qilishga yordam beradi. Model tasodifiy o‘rganish (bagging) usulidan foydalanib, har bir daraxt uchun ma’lumotlar to‘plamidan tasodifiy tanlab olinadi va kiritilgan ma’lumotlarga qarab, har bir daraxt o‘z natijasini hisoblab qaytaradi. Model qaror qabul qilish daraxtiga solishtirganda bitta daraxtdan ko‘ra yaxshiroq natija berishi va ma’lumotlarga haddan tashqari moslashish muammosini kamayganligini afzallik sifatida keltirish mumkin [4]. Model shu bilan birga ko‘p daraxtlarni hosil qilinishida hisoblash resurslarini talab qiladi. Model ta’limda oʻquvchilar va talabalarning baholarini bashorat qilishda, ta’lim platformalarida foydalanuvchilarga mos kurslarni tavsiya qilishda, test savollariga asoslangan natijalarni tahlil qilish va baholashda va oʻquvchilar va talabalarning akademik muvaffaqiyatga ta’sir qiluvchi omillarni aniqlashda qoʻllanmoqda. Adabiyotlar 1. Chen L., Chen P., Lin Z. Artificial intelligence in education: A review //Ieee Access. – 2020. – Т. 8. – С. 75264-75278. 2. Pedro F. et al. Artificial intelligence in education: Challenges and opportunities for sustainable development. – 2019. 3. Tulkunovna M. D., Karimboyevich S. E. The role of artificial intelligence in education //Science and innovation. – 2022. – Т. 1. – №. Special Issue 2. – С. 39-45. 4. Samandarov E. The ARCHITECTURE OF EDUCATIONAL PLATFORM BASED ON MACHINE LEARNING //Journal of Mathematics, Mechanics and Computer Science. – 2024. – Т. 124. – №. 4. – С. 86-102. 152

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 SIMSIZ KENG POLOSALI ALOQA TIZIMLARINING RIVOJLANISHIDA QILINGAN TADQIQOTLAR Jonibek Odinayev1, Bekzod Tuychiyev2 1University Of Management And Future Technologies, Magistr talabasi 2Qarshi Davlat texnika universiteti dotsenti Annotatsiya: Ushbu maqola simsiz keng polosali aloqa tarmoqlarining asosiy zamonaviy texnologiyalarini samarodorligi rivojlanish bosqichlariga bag‘ishlangan bo‘lib, aloqa sohasida o‘rni, ishlash faoilayati va o‘zim yasagan antenna bilan tanishib chiqiladi. Kalit so‘zlar: Wifi, WiMax, Internet, Simsiz, SKPU, Wi-Fi, WiMAX Kirish Simsiz keng polosali ulanish (SKPU) texnologiyalari infokommunikatsion texnologiyalar hisoblanadi va bir biridan olisdagi ikki va undan ortiq ob’ektlar oralig‘ida simli ulanishsiz axborot uzatish uchun ishlatiladi. Simsiz aloqa uchun radioto‘lqinlar, infraqizil, optik yoki lazerli nurlanishlar ishlatilishi mumkin. Hozirgi vaqtda foydalanuvchilarga Wi-Fi, WiMAX, Bluetooth kabi “tijorat” nomlari bilan ma’lum bo‘lgan ko‘plab simsiz texnologiyalar mavjud. Simsiz texnologiyalarning rivojlanishida uy foydalanuvchilari ham katta rol o‘ynashadi. Uy tarmog‘ida qancha ko‘p qurilmalar bo‘lsa, ularni bog‘laydigan simlar ham uyni shunchalik kuchli o‘rab oladi. Va bu simsiz texnologiyalarga o‘tishga sabab bo‘ladi. Zamonaviy uyning qulaylik darajasini oshirish, ya’ni uning barcha tuzilmalari va ob’ektlarini (kompyuterlar, televizor, raqamli fotokamera, uy musiqiy markazi, qo‘riqlash tizimi, iqlim tizimi, maishiy texnika va boshqalar) bir tizimga birlashtirish - bu “aqlli uy” g‘oyasining asosidir va bunda simsiz texnologiyalardan foydalanish ko‘zda tutilgan. Simsiz keng polosali ulanish texnologiyalari simsiz va tarmoq texnologiyalari sinergiyasi namunasi hisoblanadi va juda katta rivojlanish istiqboliga ega. Shu sabab simsiz keng polosali texnologiyalar tarixining boshlanishi deb, qaysidur ma’noda, ilk radioaloqa paydo bo‘lishini hisoblash mumkin. Ma’lumki, radioaloqaning birinchi omadli sinovlari 1893 yilda serb olimi Nikola Tesla, keyinchalik 1895 yilda A.S.Popov va Italiyalik Gulelmo Markoni (Guglielmo Marconi) tomonlaridan bir-birlaridan mustaqil ravishda amalga oshirildi. Bu kashfiyotlar birinchi marta simsiz axborot uzatish imkoniyatini ko‘rsatdi va bu bilan aloqa rivojlanishi tarixida yangi erani boshladi. Keyin esa insoniyat qadamma-qadam simsiz aloqa va axborot uzatish tizimlarida yanada katta yutuqlarga erishdi. Bu yerda shuni ta’kidlab ketish zarurki, simsiz keng polosali texnologiyalarning rivojlanishi axborot xavfsizligini ta’minlash masalalarini yanada dolzarb qiladi. Simsiz tarmoqlar ishlatilganda asosiy tahdidlar xabarlarni, parollarni, kredit kartochkalar nomerlarini ilib olish, to‘langan ulanish vaqtini o‘g‘irlash, kommunikatsion markazlar ishiga aralashish va boshqalar hisoblanadi. 153

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot Bu muammolar aloqa standartlarini takomillashtirish jarayonida hal qilinadi. Simsiz texnologiyalar nazariyasida ularni tasniflashda turli yondashishlar mavjud. Jumladan, raqamli va analog, tor va keng polosali texnologiyalar ajratiladi. Raqamli texnologiyalar xaqida gap ketganda ko‘pincha signal ham raqamli (diskret) shaklga ega bo‘lishi tushuniladi. Bu tushuncha ko‘proq simli tarmoqlar uchun to‘g‘ri bo‘ladi. Simsiz tarmoqlarda esa “raqamli” belgisi radiokanal orqali uzatiladigan axborotlarga tegishli, ammo radiosignalni o‘zi esa hali ham garmonika shaklidagi modulyatsiyalangan analog signali bo‘ladi. Tor va keng polosali tizimlar orasidagi farqni ham oson aniqlab bo‘lmaydi (ular orasidagi chegara ham texnologiyalar rivojlangan sari yuqoriga siljimoqda). Shuningdek, bu belgiga nisbatan ham simli va simsiz texnologiyalarda qabul qilingan tushunchalar orasida farq kuzatiladi. Simsiz tarmoqlarda nazariy qabul qilinishicha, ishchi polosasining keligi F bu polosaning markaziy chastotasi fc dan ancha kam (ya’ni, F/fc << 1) bo‘lgan tizim tor polosali hisoblanadi. Aks holda, tizim keng polosali hisoblanadi. Amalda esa hozirgi vaqtda 1,25 MGsdan 40M Gsgacha kenglikdagi kanallarni ishlatadigan texnologiyalar keng polosali tizimlar turkumiga kiritiladi. Shuningdek, keng polosali texnologiyalar yuqori ma’lumot uzatish tezligini (1 Mbit/sekundan dan past emas) ta’minlaydi. Mazkur qo‘llanmada keng polosali simsiz raqamli tizimlar sinfiga kiradigan texnologiyalar yoritiladi va ularni sinflarga bo‘lishda ko‘pincha quyidagi yondashuvlar ishlatiladi: Aloqaning uzoqligi bo‘yicha tarmoqlar quyidagi sinflarga ajratiladi: Bir necha detsimetrlardan bir necha dekametrlargacha radioqamrovga ega simsiz personal tarmoqlar (ingl. Wireless Rersonal Area Networks - WPAN). Periferiya qurilmalari, turli hisoblagichlar, xabarchilar va boshqalar bilan aloqa uchun mo‘ljallangan. Bu texnologiyalarga misollar Bluetooth, texnologiyalar hisoblanadi. Bir necha yuzlab metrlargacha ta’sir etish radiusili simsiz lokal tarmoqlar (ingl. Wireless Local Area Networks - WLAN). Ular ofis (tashkilot) ichidagi (ba’zan ofislararo) aloqani tashkil etish uchun mo‘ljallangan. Ular qatoriga Wi-Fi, DECT, Femto-sota kabi texnologiyalarni qo‘shish mumkin.Bir necha, hatto o‘nlab kilometrlargacha qamrov radiusiga ega shahar (hudud) ko‘lamidagi simsiz tarmoqlar (ingl. Wireless Metropolitan Area Networks - WMAN). Yirik 61shahar atrofida yoki tumanlarda xizmat ko‘rsatadigan tarmoqlarni yaratish uchun mo‘ljallangan tizimlar. Ular sifatida WiMAX va WiBro texnologiyalari, sotali va tranking, shuningdek radio va teleuzatish tizimlari misol bo‘lishi mumkin. WiMAX texnologiyasidan shahar miqyosida keng polosali ulanish tarmoqlarini (ingl. Metropolitan Area Networks, MAN) yaratish, simsiz ulanish nuqtalarini tashkil qilish (“nuqta - ko‘p nuqta” rejimi), bir- biridan olis ob’ektlar orasida yuqori sifatli aloqa tashkil etish (“nuqta - nuqta” rejimi) va shunga o‘xshash masalalarni yechish uchun foydalanish mumkin. Umuman olganda, IEEE 802.16 standartining bazaviy xarakteristikalari 50 kilometrgacha bo‘lgan ta’sirning uzoqligi darajasini, to‘g‘ri ko‘rinish zonasidan tashqarida ishlash imkoniyatini, BS ning bir sektorida (jami BS 6 tagacha sektorga ega bo‘lishi mumkin) ma’lumot almashuv tezligini maksimal (pik) holatda 70Mbit/sek. gacha ko‘tarilishini ko‘zda 154

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 tutadi. WiMAX tarmoqlarining jihozlari 2 - 11GGs diapazonida 10-20MGs kenglikdagi bir necha kanallarda ishlashi mumkin. Chastota diapazonlarning bunchalik keng tanlanishi dunyoning ko‘plab mamlakatlari spetsifikatsiya(tavsifnoma)larini hisobga olish uchun qilingan. Shunday qilib, WiMAX ma’lumot uzatish tezligi bo‘yicha simli tarmoqlar bilan taqqoslana oladigan va unumdorlik hamda qoplash bo‘yicha zamonaviy Wi-Fi tarmoqlaridan yuqoriroq bo‘lgan, Internetga tezkor ulanish uchun yaratilgan texnologiya hisoblanadi. Simsiz aloqadan foydalanishda ma’lumot olishda (yoki qabul qilishda) simli aloqaga nisbatan qulayligi va yuqori darajadagi samaraligiga erishiladi. Wi-Fi tarmog‘i asosan kichik hududlarda, bitta yoki ikkita lokal tarmoqni (yoki 2 ta masofasi yuz metrdan oshmagan korporativ tarmoqlarni simsiz aloqa orqali ulashni) simsiz aloqa vositalari orqali birlashtirish maqsadida ishlatiladi. 1-rasm. Binolar orasida simsiz bog‘lanish strukturasi. 2-rasm. (1km) Uzoq masofaga simsiz tarmoq qurish qurilmasining ko‘rinishi. Ammo ushbu texnologiyaning samaradorligini tahlil qilinsa ba’zi bir noqulayliklarga ega ekanligi ma’lum bo‘ladi: - simsiz aloqa (harakat) radiusining kichikligi - global tarmoqqa ulanishda bir qator to‘siqlarga duch kelishi va boshqalar. Tarmoq ulanishi imkoniyatlari qanchalik yuqori bo‘lishiga qaramasdan, quyidagi 3 ta 155

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot asosiy tarmoqqa qo‘yiladigan talablarni bajarish qiyin, bular: yuqori o‘tkazuvchanlik qobiliyati, ishonchliligi va mobilligi. Adabiyotlar 1. Mudofaa vazirligi qo‘shinlarida foydalanishda bo‘lgan aloqa va axborotlashtirish vositalarini qo‘llash. o‘quv qo‘llanma 2024y. 2. https:// fayllar.org/ simsiz-wi-fi-tarmoqlarida -qo‘llanuvchi-antennalar-reja.html. 3. Harbiy aloqani tashkil qilish tamoyillari 2022y 156

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 SUN’IY INTELLEKTNI TARTIBGA SOLISHDA GLOBAL HAMKORLIK VA UNING AHAMIYATI Xasanov Zafar Shavkat o‘g‘li Jizzаx dаvlаt pedаgogikа universiteti; zafarhasanov2741@gmail.com Annotatsiya: Mazkur maqola sun'iy intellektni (SI) tartibga solishda global hamkorlikning ahamiyatini tahlil qiladi. Sun'iy intellektning rivojlanishi, uning jamiyatdagi o‘rni va ijtimoiy, iqtisodiy, axloqiy jihatlarini chuqur o‘rganish asosida, bu texnologiyalarni global miqyosda boshqarish zarurligi ta'kidlanadi. Maqolada sun'iy intellektning potentsial xavflari, ijtimoiy tenglik va inson huquqlariga ta'siri haqida batafsil fikrlar keltirilgan. Xalqaro hamkorlik, normativ hujjatlar va global etik standartlar yaratish masalalari muhokama qilinadi. Shu bilan birga, maqolada, Yevropa Ittifoqi, AQSH va Xitoyning tajribalari va ularning sun'iy intellektni tartibga solishdagi yondashuvlari o‘rganiladi. Shuningdek, maqola sun'iy intellektning axloqiy tamoyillarini ta'minlashda xalqaro hamkorlikning roli va samarali strategiyalarni ishlab chiqish zarurligini ko‘rsatadi. Kalit so‘zlar Sun'iy intellekt, Global hamkorlik, Etika, Xalqaro tartibga solish, Inson huquqlari, Axloqiy tamoyillar, Ijtimoiy tenglik, Xavf-xatarlar, Innovatsiyalar, AI tartibga solish. Kirish So‘nggi yillarda sun'iy intellekt (SI) texnologiyalari tezkor rivojlanib, turli sohalarda, jumladan, tibbiyot, ta'lim, iqtisodiyot, xavfsizlik va sanoat sohalarida keng qo‘llanila boshladi. AI tizimlari odamlarning kundalik hayotiga kirib borib, yangi imkoniyatlar yaratmoqda, ammo shu bilan birga bir qator xavf-xatarlarni ham yuzaga keltirmoqda. Sun'iy intellektning o‘zida kuchli analiz qilish, katta ma'lumotlar bilan ishlash, avtomatlashtirish va mashina o‘rganish kabi imkoniyatlar mavjud bo‘lib, bu texnologiyalar insoniyatning hayotini sezilarli darajada o‘zgartirishga tayyor. Shunga qaramay, sun'iy intellekt texnologiyalarining rivojlanishi bilan birga ular bilan bog‘liq etik, xavfsizlik va huquqiy masalalar ham yuzaga kelmoqda, bu esa global miqyosda ularni tartibga solishning zaruriyatini keltirib chiqarmoqda. Mavzuning dolzarbligi shundaki sun'iy intellektni tartibga solish masalasi, global miqyosda bu texnologiyaning ijtimoiy, iqtisodiy va axloqiy jihatlari bilan bog‘liq tartibga solish zaruriyati - Sun'iy intellektni tartibga solish bugungi kunda nafaqat ilmiy-tadqiqot muhitida, balki davlatlar, xalqaro tashkilotlar va korporatsiyalar o‘rtasidagi muhim masalalardan biriga aylangan. Sun'iy intellekt texnologiyalarining rivojlanishi bilan birga, ularning jamiyatdagi ta'siri ham ortib bormoqda. AI tizimlarining avtomatik qarorlar qabul qilishi, ma'lumotlarga asoslangan manipulyatsiyalar, ish o‘rinlarining yo‘qolishi, shaxsiy ma'lumotlarning xavfsizligi va boshqalar kabi masalalar o‘z yechimini kutmoqda. Shu bilan birga, sun'iy intellektning iqtisodiy sohalarga ta'siri, yangi texnologiyalarni tartibga solish va nazorat qilish zarurati tug‘ilmoqda. Xalqaro miqyosda bu masalalar yirik muammolarga aylangan va turli davlatlar hamda xalqaro tashkilotlar birgalikda bu texnologiyalarni tartibga solish uchun yangi me'yorlar ishlab chiqishga harakat qilmoqdalar. Shu boisdan, sun'iy intellektni tartibga solish masalasi jamiyatning har bir sohasida dolzarb masala sifatida qaralmoqda. 157

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot Asosiy qism Maqolaning asosiy maqsadi sun'iy intellektni tartibga solishda global hamkorlikning ahamiyatini tahlil qilishdan iborat. Sun'iy intellekt texnologiyalarining global miqyosda keng qo‘llanilishi va ularning turli mamlakatlarda turlicha yondashuvlar asosida tartibga solinishi, xalqaro hamkorlikni kuchaytirishning zarurligini ko‘rsatadi. Maqolada quyidagi vazifalar amalga oshiriladi: 1. Sun'iy intellektni tartibga solish zaruriyati va uning ijtimoiy, iqtisodiy va axloqiy ta'sirlarini o‘rganish; 2. Xalqaro hamkorlikni kuchaytirish va bu borada amalga oshirilayotgan tashabbuslarni tahlil qilish; 3. Sun'iy intellektni tartibga solishda davlatlar, xalqaro tashkilotlar va xususiy sektor o‘rtasidagi rol va mas'uliyatlarni ko‘rib chiqish; 4. Global miqyosda sun'iy intellektning tarqatilishi va foydalanilishining nazorat qilinishi uchun samarali strategiyalarni taklif qilish. Shu tarzda, maqola sun'iy intellektni tartibga solishda global hamkorlikning ahamiyatini va uning kelajakdagi istiqbollarini chuqur tahlil qilishni maqsad qilgan deyishimiz mumkin. Sun'iy intellektni tartibga solish zaruriyati haqida gapirar ekanmiz, so‘nggi yillarda sun'iy intellekt texnologiyalari jadal rivojlanib, butun dunyo bo‘ylab turli sohalarda inqilobiy o‘zgarishlarga sabab bo‘layotganini ko‘rishimiz mumkin. AI tizimlari o‘zining aql-idrok, ma'lumotlarni tahlil qilish, o‘z-o‘zini o‘rganish va qarorlar qabul qilish qobiliyati bilan har bir sohada sezilarli ta'sir ko‘rsatmoqda. Tibbiyotda sun'iy intellekt kasalliklarni tashxislashda va davolashda yordam beradi, shuningdek, bemorlar uchun individual tibbiy yordamni taklif qilish imkonini yaratmoqda. Ta'lim sohasida AI o‘quvchilarga moslashtirilgan o‘quv rejalarini yaratish va ularning o‘qish samaradorligini oshirishda ishlatilmoqda. Iqtisodiyotda sun'iy intellekt yirik ma'lumotlar bilan ishlash orqali korporatsiyalarni samarali boshqarish, marketing va iste'molchilarni tahlil qilish kabi ko‘plab imkoniyatlarni yaratmoqda. Sun'iy intellekt avtomatlashgan tizimlar orqali ishlab chiqarish jarayonlarini yanada samarali qiladi, shu bilan birga, iqtisodiy faoliyatni sezilarli darajada o‘zgartirmoqda. Harbiy texnologiyalar sohasida esa AI tizimlari jangovar operatsiyalarni optimallashtirish, dronlar va robotlarni boshqarish, shuningdek, xavfli hududlarda insonni almashtirish uchun qo‘llanilmoqda. Ijtimoiy tarmoqlarda esa sun'iy intellekt foydalanuvchi xatti-harakatlarini tahlil qilish va shaxsiylashtirilgan kontentni taqdim etishda ishlatiladi. Bu texnologiya odamlarning maqsadlariga mos reklama va tavsiyalarni chiqarish orqali biznesni rivojlantirishga yordam bermoqda. Biroq, bu barcha sohalardagi AI qo‘llanilishi ijobiy natijalarga olib kelayotgan bo‘lsa-da, uning salbiy oqibatlari va xavf-xatarlarini e'tiborsiz qoldirish mumkin emas. Sun'iy intellekt texnologiyalarining tez rivojlanishi bilan birga, bir qator jiddiy xavfxatarlar va salbiy oqibatlar ham yuzaga kelmoqda. Birinchi navbatda, sun'iy intellektning inson huquqlariga ta'siri ko‘payib bormoqda. AI tizimlarining ma'lumotlar to‘plash va tahlil qilish imkoniyati insonlarning shaxsiy hayotiga tajovuz qilishga olib kelishi mumkin. Masalan, ijtimoiy tarmoqlarda foydalanuvchilarning ma'lumotlari AI tizimlari orqali 158

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 o‘rganiladi, bu esa ma'lumotlarni manipulyatsiya qilish va insonlarning fikrlarini boshqarishga olib kelishi mumkin. Yana bir muammo — ish o‘rinlarining avtomatlashtirish tufayli yo‘qolishi. Ko‘plab sanoat tarmoqlarida, ayniqsa ishlab chiqarish va xizmat ko‘rsatish sohalarida, AI tizimlari inson ishchilarini almashtirib, mehnat bozorida yirik o‘zgarishlarga sabab bo‘lmoqda. Avtomatlashtirishning kengayishi ishchilarni ish joylaridan mahrum qilish xavfini oshiradi va iqtisodiy tengsizlikni kuchaytiradi. Shuningdek, sun'iy intellekt tizimlari qarorlar qabul qilishda nohaqlik va adolatsizlikni keltirib chiqarishi mumkin. AI algoritmlarining ko‘plab tizimlarida "ko‘rinmas" nohaqliklar mavjud bo‘lib, ular ayrim guruhlarni yoki jamoalarni afzal ko‘rish yoki ularni diskriminatsiya qilishga olib kelishi mumkin. Masalan, AI asosidagi ishga qabul qilish tizimlari ba'zan irqi, jinsi yoki boshqa ijtimoiy faktorlar asosida nohaqlik qilishi mumkin. Bu nohaqliklar jamiyatda adolatsizlikni kuchaytiradi va tenglikni buzadi. Axloqiy nuqtai nazardan ham sun'iy intellekt tizimlarining qarorlar qabul qilish jarayonlarida muammolar yuzaga kelmoqda. AI tizimlari tomonidan qabul qilinadigan qarorlar ko‘pincha insoniyatning axloqiy standartlariga to‘g‘ri kelmasligi mumkin. Misol uchun, harbiy sohalarda AI tomonidan boshqariladigan dronlar yoki qurollar axloqiy savollarga olib kelishi mumkin — kimning hayoti va qaysi muqaddasliklar xavf ostiga qo‘yiladi? Shu boisdan, sun'iy intellektni tartibga solish masalasi dolzarb ahamiyat kasb etadi. Bu texnologiyaning xavf-xatarlarini boshqarish va uning ijtimoiy, iqtisodiy va axloqiy ta'sirlarini kamaytirish uchun global miqyosda hamkorlik zarur. Aks holda, AI tizimlarining jahon miqyosida keng tarqalishi jamiyatda noaniqlik, adolatsizlik va iqtisodiy tengsizlikni kuchaytirishi mumkin. Global hamkorlikning ahamiyati, sun'iy intellektni tartibga solishdagi asosiy masalalarga ham to‘xtalib o‘tamiz. Sun'iy intellektning tez rivojlanishi va uning ijtimoiy, iqtisodiy va siyosiy jihatlarga ta'siri tufayli, uni tartibga solishdagi bir qator global masalalar yuzaga kelgan. Bu masalalar ayniqsa ma'lumot xavfsizligi, inson huquqlari va axloqiy standartlar bilan bog‘liqdir: Ma'lumot xavfsizligi . Sun'iy intellekt tizimlari katta miqdordagi ma'lumotlarni to‘playdi, tahlil qiladi va o‘z qarorlarini qabul qiladi. Bu ma'lumotlar orasida shaxsiy ma'lumotlar, tibbiy ma'lumotlar va iqtisodiy ma'lumotlar kabi juda nozik va muhim axborotlar bo‘lishi mumkin. AI tizimlarining noto‘g‘ri ishlashi yoki ular bilan bog‘liq bo‘lgan kiberhujumlar jiddiy xavf tug‘dirishi mumkin. Shu boisdan, ma'lumot xavfsizligini ta'minlash, foydalanuvchilarni ma'lumotlarining xavfsizligini himoya qilish, ularni noqonuniy ishlatilishdan saqlash zarur. Inson huquqlari. Sun'iy intellektning jadal rivojlanishi bilan, AI tizimlarining inson huquqlariga ta'siri ko‘paymoqda. Masalan, AI asosida ishga qabul qilish, kredit olish yoki boshqa muhim qarorlar qabul qilish jarayonlarida diskriminatsiya yoki nohaqlik yuzaga kelishi mumkin. Bundan tashqari, AI tizimlari odamlarning xususiy hayotini buzishi, shaxsiy ma'lumotlarini to‘plash va ular bilan manipulyatsiya qilishga olib kelishi mumkin. Inson 159

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot huquqlari nuqtai nazaridan, bu muammolarni hal qilish uchun sun'iy intellektni tartibga soluvchi global mexanizmlar zarur. Axloqiy standartlar. Sun'iy intellektning axloqiy jihatlari ham dolzarb masala hisoblanadi. AI tizimlarining qarorlar qabul qilishda adolatli va axloqiy standartlarga rioya qilishini ta'minlash uchun axloqiy me'yorlar ishlab chiqilishi lozim. Misol uchun, sun'iy intellektning inson hayoti va xavfsizligiga ta'sir qilishi mumkin bo‘lgan holatlarda qanday axloqiy prinsiplarga amal qilishi kerakligi haqida umumiy qoidalarga ehtiyoj mavjud. Shu bilan birga, AI tizimlarining qarorlar qabul qilishdagi shaffofligi, izohlanishi va javobgarligi ham muhimdir. Endi esa Xalqaro hamkorlikning roli haqida fikr yuritamiz. Turli davlatlar o‘rtasidagi hamkorlik, sun'iy intellektni tartibga solish bo‘yicha xalqaro tashkilotlarning o‘rni. Sun'iy intellektni tartibga solish masalasida global hamkorlik muhim ahamiyatga ega. Har bir davlat o‘zining siyosiy, iqtisodiy va madaniy sharoitlariga qarab, sun'iy intellektni boshqarish va tartibga solish uchun alohida yondashuvlar ishlab chiqishi mumkin. Biroq, sun'iy intellektning transchegaraviy tabiati va global miqyosdagi ta'siri bu masalani faqat milliy chegaralarda hal qilishning imkonsizligini ko‘rsatadi. Shu sababli, xalqaro hamkorlik va global me'yorlar ishlab chiqish zarur. Xalqaro tashkilotlar, jumladan Birlashgan Millatlar Tashkiloti (BMT), Yevropa Ittifoqi, OECD (Iqtisodiy Hamkorlik va Rivojlanish Tashkiloti) va boshqa xalqaro muassasalar, sun'iy intellektni tartibga solishda muhim rol o‘ynaydi. Ular nafaqat xalqaro me'yorlarni ishlab chiqishda, balki davlatlarga sun'iy intellekt texnologiyalarini xavfsiz va axloqiy tarzda joriy etish bo‘yicha maslahatlar beradi. Masalan, Yevropa Ittifoqi sun'iy intellektga oid o‘zining "AI strategiyasi"ni ishlab chiqdi va uni amalga oshirish uchun har tomonlama hamkorlikni ta'minlashga harakat qilmoqda. Shuningdek, Xalqaro Telekommunikatsiya Ittifoqi (ITU) va Global Sun'iy Intellekt Forumlari kabi tashkilotlar sun'iy intellektni tartibga solish bo‘yicha xalqaro platformalarda muloqot va hamkorlikni rivojlantirishda faoliyat yuritmoqda. Ularning ishlarini muvofiqlashtirish orqali global xavfsizlikni ta'minlash va sun'iy intellektdan foydalanishda umumiy etik tamoyillarni belgilash mumkin bo‘ladi. Global miqyosda sun'iy intellektni tartibga solish uchun zarur bo‘lgan normativ hujjatlar haqida nimalarni bilamiz. Sun'iy intellektni tartibga solish bo‘yicha normativ hujjatlar ishlab chiqish — bu jahon miqyosida tartibga solishning samarali bo‘lishini ta'minlaydigan zarur bosqichdir. Global miqyosda bir nechta mamlakatlar va xalqaro tashkilotlar sun'iy intellektning etikasi, xavfsizligi va jamiyatga ta'siri bilan bog‘liq bo‘lgan normativ hujjatlarni ishlab chiqish jarayonida faol ishtirok etmoqda. Masalan, Yevropa Ittifoqi sun'iy intellektni tartibga solish uchun "AI etikasi"ga oid umumiy yo‘riqnomalarni ishlab chiqmoqda. Yevropa Ittifoqining "AI strategiyasi"da, shuningdek, sun'iy intellektni ishlab chiqish va foydalanishga doir ma'lumot xavfsizligi, shaxsiy hayotni hurmat qilish va axloqiy tamoyillarni ta'minlashga alohida e'tibor qaratilgan. BMT esa sun'iy intellektni jamiyatda xavfsiz va adolatli qo‘llanilishi uchun xalqaro huquqiy me'yorlarni ishlab chiqishda muhim rol o‘ynamoqda. BMTning AI bo‘yicha etik komissiyasi xalqaro huquq asosida sun'iy intellektni boshqarish, adolatli foydalanish va inson 160