Sun’iy Intellekt va Raqamli Iqtisodiyot

almashtirish, back-translation) modelning umimlash qobiliyatini oshiradi [7]. Balanced dataset klasslar o‘rtasida muvozanatni saqlaydi [3]. Domain-adaptive pretraining esa modelni maxsus domen korpusida qo‘shimcha o‘qitish orqali aniqlikni oshiradi [8]. Uchinchi yo‘nalish – giperparametr optimallashtirish. Learning rate va batch size model barqarorligiga sezilarli ta’sir ko‘rsatadi [3]. Kichik learning rate pretrained model og‘irliklarini keskin o‘zgartirmaslikka yordam beradi. Warm-up strategiyasi learning rate ni asta-sekin oshirish orqali trening barqarorligini ta’minlaydi [1]. Early stopping, weight decay va dropout esa overfittingni kamaytiradi [3]. Learning rate warm-up grafigini aynan shu qismdan keyin joylashtirish tavsiya etiladi. 3-rasm. Fine-Tuning usullarida aniqlik solishtirishi To‘rtinchi yo‘nalish – regularizatsiya va barqarorlikni ta’minlash. Layer freezing va gradual unfreezing qatlamlarni bosqichma-bosqich o‘qitishga imkon beradi [3]. Knowledge distillation katta modeldan kichik modelga bilim uzatish orqali yengil va samarali tizim yaratadi [9]. Beshinchi yo‘nalish – multi-task va continual learning. Multi-task learning bir nechta vazifalarni bir vaqtda o‘qitish orqali transfer qobiliyatini oshiradi [2]. Continual learning esa yangi vazifalarda eski bilimlarning yo‘qolib ketishini oldini oladi [10]. Afzallik va muammolar Fine-tuningning asosiy afzalligi – kam ma’lumot bilan yuqori aniqlik olish imkoniyati [2]. Bundan tashqari, vaqt va resurs tejaladi [4]. Biroq, katta modellarni to‘liq fine-tuning qilish katta GPU xotira talab qiladi [5]. Shuningdek, domen mos kelmasligi (domain shift) muammosi yuzaga kelishi mumkin [4]. Xulosa. Transformer modellarini fine-tuning qilish zamonaviy sun’iy intellekt tizimlarining muhim bosqichidir [1][2]. To‘liq fine-tuning yuqori aniqlik beradi, biroq katta resurs talab qiladi [4]. LoRA, adapter va prompt tuning kabi samarali yondashuvlar esa hisoblash xarajatlarini kamaytirgan holda yuqori natija beradi [5][7]. Kelajakda ko‘p domenli va kam resursli tillar uchun optimallashtirilgan finetuning metodlari dolzarb yo‘nalish bo‘lib qoladi [2][5]. Foydalanilgan adabiyotlar: 1. Vaswani A., et al. Attention Is All You Need. NeurIPS, 2017. 639

2. Devlin J., et al. BERT: Pre-training of Deep Bidirectional Transformers. NAACL, 2019. 3. Hu E.J., et al. LoRA: Low-Rank Adaptation of Large Language Models. ICLR, 2022. 4. Houlsby N., et al. Parameter-Efficient Transfer Learning for NLP. ICML, 2019. 5. Li X.L., Liang P. Prefix-Tuning. ACL, 2021. 6. Wei J., Zou K. EDA: Easy Data Augmentation Techniques. EMNLP, 2019. 7. Gururangan S., et al. Don’t Stop Pretraining: Domain Adaptive Language Model Training. ACL, 2020. 8. Kirkpatrick J., et al. Overcoming Catastrophic Forgetting. PNAS, 2017. CHUQUR O‘RGANISH ASOSIDA YUZDAN ANIQLASH TIZIMINI LOYIHALASH VA OPTIMALLASHTIRISH Abduraximov Mirjalol Muhammadjonovich, O‘zbekiston Respublikasi Mudofaa Vazirligi, mirjalolabduraximov@gmail.com Annotatsiya. Ushbu maqolada chuqur o‘rganish (deep learning) asosida yuzdan aniqlash va identifikatsiya qilish tizimini loyihalash masalasi ko‘rib chiqiladi. Konvolyutsion neyron tarmoqlar (CNN), metrik o‘rganish va ArcFace yo‘qotish funksiyasi asosida yuzdan aniqlash algoritmi taklif etiladi. Taklif etilgan model an’anaviy statistik usullarga nisbatan yuqori aniqlik ko‘rsatadi va real vaqt rejimida ishlash imkoniyatiga ega. Kalit so‘zlar: chuqur o‘rganish, konvolyutsion neyron tarmoq, ArcFace, FaceNet, embedding, cosine similarity, metrik o‘rganish. Аннотация. В статье рассматривается проектирование системы распознавания лиц на основе глубокого обучения. Предлагается алгоритм распознавания на основе сверточных нейронных сетей, метрического обучения и функции потерь ArcFace. Предложенная модель демонстрирует более высокую точность по сравнению с классическими статистическими методами. Ключевые слова: глубокое обучение, свёрточные нейронные сети, ArcFace, FaceNet, embedding, cosine similarity. Abstract. This paper presents the design of a face recognition and identification system based on deep learning. A convolutional neural network, metric learning and ArcFace lossbased algorithm is proposed. The model demonstrates significantly higher accuracy compared to classical statistical methods and supports real-time operation. Keywords: deep learning, convolutional neural network, ArcFace, FaceNet, embedding, cosine similarity, metric learning. Kirish. Raqamli texnologiyalar rivojlanishi bilan biometrik identifikatsiya tizimlari xavfsizlik, moliya, sog‘liqni saqlash va ta’lim sohalarida keng qo‘llanilmoqda. Yuzdan aniqlash — biometrik identifikatsiyaning eng tabiiy va qulay usullaridan biri sifatida katta e’tiborni tortmoqda [1]. An’anaviy yuzdan aniqlash usullariga PCA asosidagi Eigenfaces, LDA asosidagi Fisherfaces va Haar-cascade klassifikatorlari kiradi. Ushbu usullar statistik xususiyatlarga asoslangan bo‘lib, murakkab real sharoitlarda — turli yoritish, burchak va yuz ifodalarida — yuqori aniqlikni ta’minlay olmaydi [4]. Chuqur o‘rganish, xususan konvolyutsion neyron tarmoqlar (CNN), yuzdan aniqlash sohasida inqilob yasadi. DeepFace (Facebook, 2014), FaceNet (Google, 2015) va ArcFace (InsightFace, 2019) kabi arxitekturalar inson darajasidan ham yuqori aniqlikka erishdi [1, 2, 3]. 640

Ushbu maqolada chuqur o‘rganish asosida lokal yuzdan aniqlash tizimining arxitekturasi, matematik asosi va eksperimental natijalari taqdim etiladi. Mavjud tadqiqotlar tahlili. DeepFace arxitekturasi 2014-yilda Facebook tomonidan taqdim etildi va LFW ma’lumotlar to‘plamida 97.35% aniqlikka erishdi — bu inson darajasiga (97.53%) juda yaqin natija edi [1]. FaceNet (2015) triplet loss funksiyasi asosida 128 o‘lchamli embedding fazosini yaratadi. 200 million tasvirda o‘rgatilgan bu model LFW da 99.63% aniqlikni ko‘rsatdi [2]. ArcFace (2019) additive angular margin loss yordamida sinflar orasidagi farqni maksimallashtiradi va turli ma’lumotlar to‘plamlarida SOTA (State-of-the-Art) natijalarga erishadi [3]. MobileFaceNet mobil qurilmalar uchun optimallashtirilgan bo‘lib, kam hisoblash resurslari bilan yuqori aniqlikni ta’minlaydi [11]. Nazariy asos. Konvolyutsion neyron tarmoq (CNN). CNN ning asosiy operatsiyasi konvolyutsiya bo‘lib, quyidagi formula bilan ifodalanadi [8]: 𝑆(𝑖, 𝑗) = (𝐼 ∗ 𝐾)(𝑖, 𝑗) = ∑ ∑ 𝐼(𝑖 + 𝑚, 𝑗 + 𝑛) ∙ 𝐾(𝑚, 𝑛) 𝑚 𝑛 Bu yerda: I — kirish tasviri, K — konvolyutsion yadro (kernel), S — xususiyatlar xaritasi (feature map). ResNet-50 arxitekturasida skip connection mexanizmi H(x) = F(x) + x gradiyentning yo‘qolib ketish muammosini hal etadi [8]. Embedding vektori va cosine similarity. Yuzni identifikatsiya qilish uchun yuz tasviri yuqori o‘lchamli vektorga (embedding) aylantiriladi [2]: 𝑒𝑖 = 𝑓(𝐼𝑖 ) ∈ ℝ128 O‘xshashlik cosine similarity orqali aniqlanadi [2, 3]: cos(𝑒𝑎 , 𝑒𝑏 ) = 𝑒𝑎 ∙ 𝑒𝑏 ‖𝑒𝑎 ‖ ∙ ‖𝑒𝑏 ‖ ArcFace yo‘qotish funksiyasi. ArcFace softmax funksiyasiga additive angular margin m qo‘shib, sinflararo ajralishni kuchaytiradi [3]: 𝑒 𝑠∙cos(𝜃𝑖 +𝑚) 𝐿 = − log [ 𝑠∙cos(𝜃 +𝑚) ] 𝑖 𝑒 + ∑𝑗≠𝑦𝑖 𝑒 𝑠∙cos(𝜃𝑗) Bu yerda 𝜃 — embedding va sinf markazi orasidagi burchak, s=64 — masshtab, m=0,5 — angular margin. ArcFace triplet loss ga nisbatan o‘rgatish barqarorligi va geometrik talqin aniqligi bilan ustun turadi. Taklif etilayotgan model. Taklif etilayotgan tizim quyidagi komponentlardan iborat: 1. Tasvirni tayyorlash va normalizatsiya qilish (112×112 px) 2. MTCNN yordamida yuzni aniqlash va kesish 3. ResNet-50 + ArcFace orqali 512 o‘lchamli embedding generatsiyasi 4. FAISS IVF-Flat asosida vektor indekslash 5. Cosine similarity orqali baholash (threshold τ = 0,65) 6. Saralash va natija chiqarish Quyida tizimning ishlash jarayoni diagrammasi keltirilgan: 641

1-rasm. Yuzdan aniqlash tizimining ishlash jarayoni (pipeline) Texnik parametrlar va offline mexanizm. 1-jadval Tizimning asosiy texnik parametrlari Parametr Qiymat Embedding o‘lchami 512 Kirish tasvir o‘lchami 112 × 112 px Angular margin (m) / Masshtab (s) 0,5 / 64 Similarity threshold (τ) 0,65 Indekslash usuli FAISS IVF-Flat Ish rejimi CPU / GPU (CUDA) Tizim to‘liq lokal muhitda ishlaydi: modellar va vektor indeksi qurilmada saqlanadi, biometrik ma’lumotlar tashqi serverga yuborilmaydi, GDPR talablariga mos keladi. Eksperimental natijalar. Tajriba LFW (Labeled Faces in the Wild) va maxsus tuzilgan 3 000 tasvirlik lokal ma’lumotlar to‘plami ustida o‘tkazildi. Baholash mezonlari Information Retrieval nazariyasiga asoslanadi: 𝑇𝑃 𝑇𝑃 + 𝐹𝑃 𝑇𝑃 𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑃 + 𝐹𝑁 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 ∙ 𝑅𝑒𝑐𝑎𝑙𝑙 𝐹1 = 2 ∙ 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 + 𝑅𝑒𝑐𝑎𝑙𝑙 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 2-jadval Modellar bo‘yicha aniqlik ko‘rsatkichlari Model Precision Recall F1-Score Top-1 Top-5 ms Eigenfaces (PCA) 74% 69% 71% 72% 88% 12 DeepFace (2014) 91% 87% 89% 90% 97% 68 FaceNet (2015) 94% 92% 93% 94% 99% 74 VGGFace2 (2018) 96% 93% 94% 95% 99% 89 ArcFace (2019) 96% 94% 95% 96% 99,5% 71 Taklif etilgan ArcFace modeli F1=0,95 bilan eng yuqori natijani ko‘rsatdi. FaceNet ga nisbatan F1 2 % yuqori, qidiruv vaqti esa 4 % tezroq (71 ms vs 74 ms) — bu FAISS optimallashtirishining natijasidir. 642

3-jadval Murakkab sharoitlarda ArcFace modeli aniqligi Sinov sharoiti Precision Recall F1 Standart (to‘g‘ri burchak) 96% 94% 95% Lateral burchak (30–45°) 91% 88% 89% Past yorug‘lik 87% 84% 85% Niqob (qisman yopilgan) 78% 74% 76% Yoshi farqi (5+ yil) 89% 86% 87% 1-diagramma. LFW ma’lumotlar to‘plamida yuzdan aniqlash aniqligi (%) 2-diagramma. Modellar bo‘yicha Precision, Recall va F1-Score ko‘rsatkichlari Muhokama. ArcFace modeli Eigenfaces ga nisbatan F1 bo‘yicha 33,6% ustunlikni ta’minladi. Bu farqning asosiy sabablari: CNN qatlamlari yuz xususiyatlarini ierarxik tarzda o‘rganishi; angular margin sinflar orasidagi geometrik chegarani qattiqlashtirishishi; FAISS indekslash qidiruv murakkabligini O(N·d) dan O(√N·d) ga tushurishi. Tizimning cheklovlari: niqob holatida aniqlik 76% ga tushadi; GPU bo‘lmagan qurilmalarda 15 FPS dan past ishlash mumkin; 643

lokal to‘plam (3 000 tasvir) nisbatan kichik; demografik xilma-xillik bo‘yicha tizimli xato xavfi mavjud [10]. Hisoblash murakkabligi va tizim samaradorligi. CNN embedding generatsiyasining vaqt murakkabligi: O(L×C×H×W), ResNet-50 uchun CPU da ~71 ms. FAISS IVF-Flat yordamida qidiruv murakkabligi O(N·d) dan ≈ O(√N·d) ga kamayadi. 4-jadval Qidiruv vaqti (N = 10 000 shaxs, d = 512) Usul Qidiruv vaqti (ms) Xotira (MB) Brute-force 310 25 FAISS IVF-Flat 71 28 FAISS HNSW 18 120 CUDA GPU mavjud bo‘lganda embedding generatsiyasi 8–12 ms ga tushadi va 30 FPS real vaqt rejimi ta’minlanadi. Kengaytirilgan eksperimental tahlil. 5-jadval Model Top-k aniqlik tahlili (lokal to‘plam) Top-1 Top-3 Top-5 Top-10 Eigenfaces 72% 84% 88% 93% FaceNet 94% 97% 99% 99,8% ArcFace (taklif) 96% 98,5% 99,5% 99,9% Threshold tahlili: τ = 0,65 optimal deb topildi — FAR = 0,8%, FRR = 1,2%. Xavfsizlik kritikal tizimlar uchun τ = 0,75 (past FAR), qulay foydalanuvchi tajribasi uchun τ = 0,60 tavsiya etiladi. Xulosa. Tadqiqot natijasida CNN va ArcFace asosida lokal muhitda ishlovchi yuzdan aniqlash tizimi ishlab chiqildi. Asosiy xulosalar: 1. Taklif etilgan model Eigenfaces ga nisbatan F1 bo‘yicha 33,6% yuqori aniqlik ko‘rsatdi (0,71 → 0,95). 2. FAISS IVF-Flat qidiruv vaqtini 4,4 baravar tezlashtirdi (310 ms → 71 ms). 3. Tizim offline rejimda to‘liq ishlaydi va biometrik ma’lumotlar xavfsizligini ta’minlaydi. 4. Niqob va past yorug‘lik hali ham tizimning zaif tomonlari bo‘lib qolmoqda. Kelgusidagi yo‘nalishlar: niqob uchun model optimallashtirish; ko‘p kamerali real vaqt monitoring integratsiyasi; federated learning asosida maxfiylikni saqlovchi o‘rgatish; demografik adolatlilikni (fairness) oshirish [10]. Foydalanilgan adabiyotlar: 1. Taigman, Y. et al. (2014). DeepFace: Closing the gap to human-level performance. CVPR, 1701–1708. 2. Schroff, F. et al. (2015). FaceNet: A unified embedding for face recognition. CVPR, 815–823. 644

3. Deng, J. et al. (2019). ArcFace: Additive angular margin loss for deep face recognition. CVPR, 4690–4699. 4. Parkhi, O. M. et al. (2015). Deep face recognition. BMVC, 41.1–41.12. 5. Cao, Q. et al. (2018). VGGFace2: A dataset for recognising faces across pose and age. IEEE FG, 67–74. 6. Zhang, K. et al. (2016). Joint face detection and alignment using MTCNN. IEEE Signal Processing Letters, 23(10), 1499–1503. 7. Deng, J. et al. (2020). RetinaFace: Single-stage dense face localisation in the wild. CVPR, 5203–5212. 8. He, K. et al. (2016). Deep residual learning for image recognition. CVPR, 770–778. 9. Wang, H. et al. (2018). CosFace: Large margin cosine loss for deep face recognition. CVPR, 5265–5274. 10. Buolamwini, J. & Gebru, T. (2018). Gender Shades: Intersectional accuracy disparities. FAT, 77–91. TRANSFORMER MODELLAR ASOSIDA NORMATIV-HUQUQIY HUJJATLAR UCHUN LOKAL SEMANTIK QIDIRUV TIZIMINI LOYIHALASH VA OPTIMALLASHTIRISH Usmanov Bobirjon Yo‘ldash o‘g‘li, O‘zbekiston Respublikasi Harbiy xavfsizlik va mudofaa universiteti, katta o‘qituvchi, boburusmanov64@gmail.com Annotatsiya. Ushbu maqolada normativ-huquqiy hujjatlar uchun Transformer arxitekturasi asosida lokal semantik qidiruv tizimini loyihalash masalasi ko‘rib chiqiladi. Selfattention mexanizmi, embedding modeli, vektor fazo formalizatsiyasi hamda cosine similarity asosida relevans baholash algoritmi taklif etiladi. Taklif etilgan model internetga bog‘liq bo‘lmagan muhitda ishlaydi va an’anaviy kalit so‘zli qidiruvga nisbatan yuqori aniqlik ko‘rsatadi. Kalit so‘zlar: Transformer, self-attention, embedding, cosine similarity. Аннотация. В статье рассматривается проектирование локальной семантической поисковой системы для нормативно-правовых документов на основе архитектуры Transformer. Предлагaется математическая модель векторного представления текста и алгоритм поиска на основе cosine similarity. Ключевые слова: Transformer, self-attention, embedding, cosine similarity. Abstract. This paper presents the design of a local semantic search system for legal documents based on the Transformer architecture. A mathematical vector representation model and cosine similarity-based retrieval algorithm are proposed for offline environments. Keywords: Transformer, self-attention, embedding, cosine similarity. Kirish. Raqamli transformatsiya jarayonlari natijasida elektron hujjatlar hajmi sezilarli darajada ortib bormoqda. Axborot-qidiruv tizimlarining samaradorligi katta hajmdagi ma’lumotlar bilan ishlashda hal qiluvchi ahamiyat kasb etadi [5]. An’anaviy qidiruv modellariga Boolean, TF-IDF va BM25 yondashuvlari kiradi [5]. Ushbu modellar statistik ko‘rsatkichlarga asoslangan bo‘lib, semantik kontekstni to‘liq hisobga olmaydi. Transformer arxitekturasi global self-attention mexanizmi orqali tokenlar o‘rtasidagi kontekstual bog‘lanishni aniqlash imkonini beradi [1]. Ushbu yondashuv til modellari rivojlanishida yangi bosqichni boshlab berdi. 645

BERT modeli esa ikki tomonlama kontekstual o‘qitish mexanizmini taklif qilib, embedding sifatini sezilarli darajada yaxshiladi [2]. Sentence-BERT esa embeddinglarni semantik o‘xshashlik vazifalari uchun optimallashtirdi [3]. Mavjud tadqiqotlar tahlili. Transformer modeli RNN va CNN arxitekturalaridan farqli ravishda ketma-ketlikni parallel qayta ishlash imkonini berdi [1]. BERT modeli esa oldindan o‘qitilgan til modeli sifatida ko‘plab NLP vazifalarida yuqori natija ko‘rsatdi [2]. Sentence-BERT modeli semantik o‘xshashlikni aniqlash uchun maxsus optimallashtirilgan bo‘lib, embedding fazoda matnlarni taqqoslash imkonini beradi [3]. Language modeling sohasidagi keyingi yondashuvlar katta hajmdagi modellarning samaradorligini isbotladi [4]. Nazariy asos. Self-Attention mexanizmi. Transformer modelining asosiy formulasi quyidagicha ifodalanadi [1]: 𝑄𝐾 𝑇 𝐴𝑡𝑡𝑒𝑛𝑡𝑖𝑜𝑛(𝑄, 𝐾, 𝑉) = 𝑠𝑜𝑓𝑡𝑚𝑎𝑥 ( )𝑉 √𝑑𝑘 Ushbu mexanizm tokenlar o‘rtasidagi bog‘lanishni aniqlaydi va kontekstual semantikani shakllantiradi [1]. Matnning vektorli ifodasi. Transformer modeli matnni yuqori o‘lchamli vektor fazoda ifodalaydi [2]: 𝐷𝑖 = 𝑓(𝑇𝑖 ) Bu yerda: • 𝑇𝑖 – i-hujjat matni • 𝑓 – Transformer embedding funksiyasi O‘xshashlik metrikasi. Semantik o‘xshashlik quyidagi formula orqali aniqlanadi [3]: ∑𝑛𝑗=1 𝑞𝑗 𝑑𝑖𝑗 𝑆𝑖𝑚(𝑄, 𝐷𝑖 ) = 2 √∑𝑛𝑗=1 𝑞𝑗2 √∑𝑛𝑗=1 𝑑𝑖𝑗 Bu metrika vektor yo‘nalishiga asoslanadi va matn semantikasini aniqlashda samarali hisoblanadi. Taklif etilayotgan model. Taklif etilayotgan tizim quyidagi komponentlardan iborat: 1. Ma’lumotlarni yig‘ish va tozalash 2. Tokenizatsiya 3. Transformer orqali embedding generatsiyasi 4. Vektor indekslash 5. Relevans baholash 6. Saralash va natija chiqarish Algoritm quyidagicha ishlaydi: • So‘rov qabul qilinadi • Embedding generatsiya qilinadi 646

• Baza vektorlari bilan solishtiriladi • Eng yuqori similarity qiymatlar saralanadi Eksperimental natijalar. Tajriba 2000 ta normativ hujjat ustida o‘tkazildi. Baholash mezonlari Information Retrieval nazariyasiga asoslanadi [5]: 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 𝑅𝑒𝑐𝑎𝑙𝑙 = 𝐹1 = 2 ∙ 𝑇𝑃 𝑇𝑃 + 𝐹𝑃 𝑇𝑃 𝑇𝑃 + 𝐹𝑁 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 ∙ 𝑅𝑒𝑐𝑎𝑙𝑙 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 + 𝑅𝑒𝑐𝑎𝑙𝑙 Natijalar: 1-jadval Model TF-IDF Transformer Precision 0.71 0.89 Recall 0.66 0.85 F1 0.68 0.87 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 TF-IDF Transformer Precision Recall F1 Diagramma 1. Modellar bo‘yicha F1 ko‘rsatkichlar Ushbu natijalar Transformer modeli klassik TF-IDF modeliga nisbatan yuqori samaradorlik ko‘rsatishini tasdiqlaydi. Muhokama. Transformer modeli kontekstual semantikani aniqlashda yuqori samaradorlik ko‘rsatdi. Lokal implementatsiya xavfsizlik talablariga javob beradi. Hisoblash murakkabligi yuqori bo‘lsa-da, indekslash optimallashtirish orqali tezlik oshiriladi. Hisoblash murakkabligi va tizim samaradorligi. Transformer asosidagi qidiruv tizimlarida hisoblash murakkabligi muhim ko‘rsatkich hisoblanadi. Selfattention mexanizmi tokenlar soniga kvadratik bog‘liq bo‘lib, uning vaqt murakkabligi quyidagicha ifodalanadi [1]: 𝑂(𝑛2 ∙ 𝑑) bu yerda: 647

𝑛 – tokenlar soni 𝑑 – embedding o‘lchami Normativ-huquqiy hujjatlar uzun matnlardan iborat bo‘lganligi sababli, embedding generatsiyasi jarayoni yuqori hisoblash resurslarini talab qiladi. Shu bois taklif etilayotgan modelda quyidagi optimallashtirish mexanizmlari qo‘llaniladi: Hujjatlarni modda va bandlarga segmentatsiya qilish Oldindan embeddinglarni hisoblab saqlash Vektor indekslashni qo‘llash Cosine similarity hisoblash murakkabligi: 𝑂(𝑁 ∙ 𝑑) bu yerda: 𝑁 – hujjatlar soni Katta hajmdagi ma’lumotlar bilan ishlashda ANN (Approximate Nearest Neighbor) algoritmlaridan foydalanish maqsadga muvofiq hisoblanadi. Kengaytirilgan eksperimental tahlil. Model samaradorligini yanada chuqurroq baholash maqsadida Top-k aniqlik ko‘rsatkichlari ham hisoblandi. Natijalar shuni ko‘rsatadiki, Transformer modeli yuqori relevansli hujjatlarni birinchi natijalarda aniqlashda ustunlikka ega. Shuningdek, qidiruv vaqtining o‘rtacha davomiyligi ham tahlil qilindi. Transformer modeli aniqlik bo‘yicha ustun bo‘lsa-da, klassik TF-IDF modeliga nisbatan hisoblash xarajati yuqoriroq ekani aniqlandi. Biroq indekslash va vektorlarni oldindan hisoblash mexanizmlari qo‘llanganda tizim real vaqt rejimida ishlash imkoniyatini saqlab qoladi. Xulosa. Tadqiqot natijasida normativ-huquqiy hujjatlar uchun lokal semantik qidiruv tizimi ishlab chiqildi. Taklif etilgan model an’anaviy qidiruvga nisbatan aniqlikni 19% ga oshirdi. Kelgusida: • Ko‘p tilli model qo‘shish • FAISS asosida tezlashtirish • Katta hajmdagi hujjatlar bilan test qilish tavsiya etiladi. Foydalanilgan adabiyotlar: 1. Vaswani, A. et al. (2017). Attention Is All You Need. 2. Devlin, J. et al. (2019). BERT: Pre-training of Deep Bidirectional Transformers. 3. Reimers, N., & Gurevych, I. (2019). Sentence-BERT. 4. Brown, T. et al. (2020). Language Models are Few-Shot Learners. 5. Jurafsky, D., & Martin, J. (2021). Speech and Language Processing. DNS XAVFSIZLIGINI TA'MINLASH VA HIJACKING HUJUMLARIDAN HIMOYALANISH USULLARI Mardiyev Sharif G‘ayratovich, “Raqamli texnologiyalar” fakulteti I bosqich magistranti Annotatsiya. Ushbu tezisda zamonaviy axborot texnologiyalari tizimida DNS infratuzilmasining ahamiyati va uning zaif nuqtalari tahlil qilinadi. Tadqiqot davomida DNS Hijacking hujumlarining mexanizmlari, foydalanuvchi ma’lumotlarini o‘g‘irlash va 648

soxta resurslarga yo‘naltirish xavflari yoritilgan. Shuningdek, tizim xavfsizligini oshirish uchun DNSSEC protokoli, shifrlash usullari (DoH, DoT) va monitoring tizimlarini qo‘llashning samaradorligi asoslab berilgan. Kalit so‘zlar: DNS xavfsizligi, DNS Hijacking, kiberhujum, DNSSEC, kiberxavfsizlik, DoH (DNS over HTTPS), domen, tarmoq himoyasi. Аннотация. В данном тезисе анализируется важность инфраструктуры DNS в современных информационных системах и ее уязвимые места. В ходе исследования освещаются механизмы атак DNS Hijacking, риски кражи пользовательских данных и перенаправления на поддельные ресурсы. Также обосновывается эффективность использования протокола DNSSEC, методов шифрования (DoH, DoT) и систем мониторинга для повышения безопасности системы. Ключевые слова: безопасность DNS, DNS Hijacking, кибератака, DNSSEC, кибербезопасность, DoH (DNS over HTTPS), домен, защита сети. Abstract. This thesis analyzes the significance of DNS infrastructure in modern information technology systems and identifies its vulnerabilities. The study highlights the mechanisms of DNS Hijacking attacks, the risks of identity theft, and redirection to malicious resources. Furthermore, it demonstrates the effectiveness of implementing the DNSSEC protocol, encryption methods (DoH, DoT), and monitoring systems to enhance overall network security. Keywords: DNS security, DNS Hijacking, cyberattack, DNSSEC, cybersecurity, DoH (DNS over HTTPS), domain, network protection. Kirish. DNS Hijacking nima? DNS (Domain Name System) internetning "manzil kitobi" bo‘lib, u foydalanuvchi kiritgan sayt nomlarini IP manzillarga aylantiradi. Ushbu tizimning zaifligi butun internet xavfsizligiga tahdid soladi. DNS Hijacking — bu tajovuzkorning DNS so‘rovlarini noto‘g‘ri yo‘naltirish orqali foydalanuvchini soxta (fishing) saytlarga tushirishidir. Bu holatda foydalanuvchi brauzeriga to‘g‘ri manzilni yozsa ham, tizim uni jinoyatchining serveriga ulab yuboradi. DNS-ga qilinadigan asosiy hujum turlari • Local DNS Hijacking: Foydalanuvchi kompyuteridagi zararli dastur (trojan) orqali DNS sozlamalarini o‘zgartirish. • Router DNS Hijacking: Routerdagi zaiflikdan foydalanib, barcha tarmoq trafigini soxta DNS serverga yo‘naltirish. • DNS Cache Poisoning: DNS serverining kesh xotirasiga noto‘g‘ri ma'lumot kiritish orqali ko‘plab foydalanuvchilarni noto‘g‘ri manzilga yuborish. Himoyalanishning texnik usullari DNS xavfsizligini ta'minlash uchun quyidagi zamonaviy texnologiyalarni joriy qilish zarur: Texnologiya Vazifasi DNSSEC Ma'lumotlarning haqiqiyligini raqamli imzo orqali tasdiqlaydi. 649

Texnologiya Vazifasi DoH (DNS over HTTPS) DNS so‘rovlarini HTTPS protokoli ichiga yashiradi (shifrlaydi). DoT (DNS over TLS) DNS so‘rovlarini TLS kanali orqali xavfsiz uzatadi. 2FA (Ikki bosqichli autentifikatsiya) Domen boshqaruv paneliga kirishni qo‘shimcha himoyalaydi. Amaliy tavsiyalar (Tatbiq qilish) Xavfsizlikni ta’minlash uchun quyidagi qadamlarni bajarish tavsiya etiladi: 1. DNSSEC-ni faollashtirish: Domen registratori orqali DNS zonalarini raqamli imzolash. 2. Ishonchli DNS provayderlardan foydalanish: Standart provayder o‘rniga xavfsizligi yuqori bo‘lgan (masalan, Cloudflare 1.1.1.1 yoki Google 8.8.8.8) serverlarni sozlash. 3. Routerni himoyalash: Router parolini muntazam yangilash va masofaviy boshqaruv (Remote Management) funksiyasini o‘chirish. 4. Monitoring: DNS yozuvlaridagi o‘zgarishlarni real vaqt rejimida kuzatuvchi tizimlarni (masalan, DNSWatch) o‘rnatish. Local DNS Hijacking — bu hujumning eng "shaxsiy" turi bo‘lib, bunda tajovuzkor global tarmoqqa yoki provayderga emas, balki bevosita foydalanuvchining qurilmasiga (kompyuter, smartfon) hujum qiladi. Bu usul juda xavfli, chunki foydalanuvchi o‘zini xavfsiz tarmoqda deb o‘ylasa ham, uning qurilmasi ichkaridan "sotqinlik" qilayotgan bo‘ladi. Keling, ushbu jarayonni bosqichma-bosqich tahlil qilamiz: 1. Hujum qanday amalga oshiriladi? Local DNS Hijacking asosan zararli dasturlar (Malware) orqali amalga oshiriladi. Jarayon quyidagicha kechadi: Inflyatsiya: Foydalanuvchi bilmasdan zararli faylni yuklab oladi (masalan, "tekin" o‘yinlar yoki shubhali elektron pochta ilovalari orqali). Sozlamalarni o‘zgartirish: Zararli dastur operatsion tizimning ma'muriy (root/admin) huquqlarini qo‘lga kiritadi va qurilmadagi DNS server manzillarini jinoyatchining server manziliga almashtirib qo‘yadi. Soxta yo‘naltirish: Foydalanuvchi, aytaylik, payme.uz deb yozsa, so‘rov tajovuzkorning nazoratidagi DNS serverga boradi va u foydalanuvchini haqiqiy saytga emas, uning vizual nusxasiga (fishing saytga) yuboradi. Operatsion tizimdagi "Zaif nuqtalar" Xakerlar asosan ikkita joyga hujum qiladi: • DNS Server sozlamalari: Tarmoq interfeysi sozlamalaridagi IP manzillar o‘zgartiriladi. • Hosts fayli: Bu kompyuter ichidagi kichik "manzil kitobchasi". Operatsion tizim DNS serverga so‘rov yuborishdan oldin har doim hosts faylini tekshiradi. Agar xaker ushbu faylga 192.168.1.50 google.com qatorini qo‘shib qo‘ysa, siz 650

Google deb yozganingizda kompyuteringiz internetga chiqmasdan, xaker ko‘rsatgan IP-ga murojaat qiladi. Local DNS Hijacking belgilari: Qurilmangizda ushbu hujum sodir bo‘layotganini quyidagi belgilardan bilish mumkin: • Saytlarning juda sekin yuklanishi: Soxta DNS serverlar ko‘pincha uzoqda yoki past quvvatli bo‘ladi. • Kutilmagan reklamalar: Brauzerda ilgari bo‘lmagan agressiv bannerlar paydo bo‘lishi. • Xavfsizlik ogohlantirishlari: Brauzeringiz "Ulanish xavfsiz emas" (SSL xatosi) degan xabarlarni tez-tez chiqara boshlaydi. • Taniqli saytlarning g‘alati ko‘rinishi: Saytdagi logotiplar yoki shriftlarning biroz farq qilishi. Himoyalanish strategiyasi Bu turdagi hujumdan himoyalanish uchun faqat texnik sozlamalar yetarli emas, kiber-gigiyena muhimroq: 1. Antivirusdan foydalanish: Tizim fayllari va hosts faylidagi o‘zgarishlarni nazorat qiluvchi zamonaviy antivirus o‘rnating. 2. Admin huquqlarini cheklash: Kundalik ishlar uchun kompyuterda "Administrator" profilidan emas, balki "Oddiy foydalanuvchi" (Standard User) profilidan foydalaning. Bu zararli dasturlarga tizim sozlamalarini o‘zgartirishga yo‘l qo‘ymaydi. 3. DNS-ni qo‘lda tekshirish: Vaqti-vaqti bilan tarmoq sozlamalarida DNS manzillari o‘z-o‘zidan o‘zgarib qolmaganini tekshirib turing. DoH (DNS over HTTPS)ni yoqing: Brauzer sozlamalarida (Chrome, Firefox) ushbu funksiyani yoqib qo‘ying. Bu so‘rovlarni shifrlaydi va mahalliy tizim sozlamalarini chetlab o‘tib, to‘g‘ridan-to‘g‘ri xavfsiz serverga murojaat qiladi. Router DNS Hijacking — bu kiberhujumning eng xavfli turlaridan biri bo‘lib, bunda tajovuzkor uyingizdagi yoki ofisingizdagi yo‘naltiruvchi qurilmani (router) nishonga oladi. Agar ushbu hujum muvaffaqiyatli bo‘lsa, ushbu routerga ulangan barcha qurilmalar (telefonlar, noutbuklar, smart-televizorlar) avtomatik ravishda xavf ostida qoladi. Hujum mexanizmi: Router qanday buzib kiriladi? Tajovuzkorlar routerning DNS sozlamalarini o‘zgartirish uchun bir nechta usullardan foydalanadilar: • Standart parollar (Brute Force): Ko‘p foydalanuvchilar routerning admin paneli parolini (masalan, admin/admin yoki 1234) o‘zgartirmaydilar. Xakerlar maxsus dasturlar orqali ushbu parollarni osonlikcha topishadi. • Dasturiy zaifliklar (Firmware Vulnerabilities): Routerning operatsion tizimidagi (proshivka) xatoliklar orqali parolsiz ham ichki sozlamalarga kirish mumkin. 651

• CSRF (Cross-Site Request Forgery): Foydalanuvchi zararli saytga kirganda, u sayt brauzer orqali foydalanuvchining routeriga yashirincha buyruq yuboradi va DNS manzillarini o‘zgartirib qo‘yadi. Nega bu Local Hijackingdan xavfliroq? Local Hijacking faqat bitta kompyuterni zararlasa, Router Hijacking butun tarmoqni "zaharli" qiladi: 1. Guruhli zarar: Uyga kelgan mehmondan tortib, smart-muzlatgichgacha hamma noto‘g‘ri DNS serverdan foydalanishga majbur bo‘ladi. 2. Aniqlash qiyinligi: Foydalanuvchi o‘z kompyuterini ming marta antivirus bilan tekshirmasin, u hech qanday virus topa olmaydi, chunki muammo qurilmaning o‘zida emas, balki tarmoq kirish nuqtasida. 3. Hamma narsani kuzatish: Xaker siz qaysi saytlarga kirayotganingizni ko‘rib turadi va hatto bank saytlariga kirishda sizni soxta nusxalarga yo‘naltiradi. Router DNS Hijacking-ni qanday aniqlash mumkin? • DNS manzillarini tekshirish: Routeringiz sozlamalarida DNS bo‘limiga kiring. Agar u yerda siz tanimagan g‘alati IP manzillar (masalan, chet eldagi shubhali serverlar) turgan bo‘lsa, bu — hujum belgisi. • Internet tezligining tushib ketishi: So‘rovlar xakerning serveri orqali aylanib kelgani uchun internet sezilarli darajada sekinlashadi. • SSL xatoliklari: "Your connection is not private" (Ulanish xavfsiz emas) degan ogohlantirishlar ko‘payadi. Himoyalanish choralari (Tadbiq qilish) Routerni “qal'a”ga aylantirish uchun quyidagi qadamlarni bajaring: Qadam Harakat Natija 1 Admin parolini o‘zgartirish Murakkab va unikal parol o‘rnating. 2 Remote Management-ni o‘chirish Routerni masofadan boshqarish imkoniyatini yoping. 3 Proshivkani yangilash Ishlab chiqaruvchi chiqargan xavfsizlik yangilanishlarini o‘rnating. Statik DNS o‘rnatish Avtomatik DNS o‘rniga ishonchli (Cloudflare: 1.1.1.1 yoki Google: 8.8.8.8) DNS-larni qo‘lda kiriting. 4 DNS Cache Poisoning (shuningdek, DNS Spoofing deb ham ataladi) ‒ bu DNS tizimidagi eng ayyorona hujum turlaridan biri. Agar Local yoki Router Hijacking faqat bitta qurilma yoki tarmoqni nishonga olsa, Cache Poisoning bir vaqtning o‘zida minglab foydalanuvchilarni qurbonga aylantirishi mumkin. DNS Kesh (Cache) o‘zi nima? DNS serverlar (ayniqsa, internet provayderlarniki) har safar bir xil sayt manzilini so‘rashganda butun dunyo bo‘ylab qidirib o‘tirmaslik uchun javoblarni o‘z xotirasida (keshda) saqlab qo‘yadi. Masalan, birinchi foydalanuvchi 652

google.comga kirsa, server IP-ni aniqlaydi va uni keshga saqlaydi. Keyingi foydalanuvchilar uchun javob o‘sha keshdan tezroq beriladi. Hujum qanday sodir bo‘ladi? Hujumchi DNS serveriga soxta ma'lumotni "tiqishtirish" (inject) orqali keshni "zaxarlaydi". 1. So‘rov yuborish: Xaker DNS serverga (masalan, provayder serveriga) biron bir saytning (aytaylik, bank.uz) IP-manzilini so‘rab murojaat qiladi. 2. Poyga (Race Condition): DNS server haqiqiy javobni kutayotgan soniyalar ichida, xaker serverga juda ko‘p miqdorda soxta javoblarni yuboradi. 3. Aldash: Agar xaker yuborgan soxta javobning Transaction ID (tranzaksiya raqami) haqiqiy javob bilan mos kelib qolsa, DNS server bu soxta ma'lumotni to‘g‘ri deb qabul qiladi va keshga saqlaydi. Natija: Endi o‘sha provayderga ulangan barcha foydalanuvchilar bank.uz deb yozganlarida, avtomatik ravishda xakerning soxta serveriga yo‘naltiriladi. Nega bu hujum juda xavfli? • Massaviylik: Bir marta kesh zaxarlansa, o‘sha serverdan foydalanuvchi barcha odamlar (butun bir shahar yoki provayder mijozlari) xavf ostida qoladi. • Foydalanuvchi sezmaydi: Foydalanuvchi qurilmasida hech qanday virus bo‘lmaydi, router sozlamalari ham joyida turadi. Muammo tashqaridagi serverda bo‘ladi. • Uzoq muddatli ta'sir: Keshdagi ma'lumot uning amal qilish muddati (TTL - Time To Live) tugamaguncha saqlanib qoladi (bir necha soatdan bir necha kungacha). Himoyalanishning asosiy usuli: DNSSEC DNS keshini zaxarlashdan himoyalanishning eng samarali yo‘li — DNSSEC (Domain Name System Security Extensions) texnologiyasini joriy qilishdir. • Raqamli imzo: DNSSEC har bir DNS javobiga raqamli imzo qo‘shadi. • Tasdiqlash: DNS server keshga ma'lumotni saqlashdan oldin imzoni tekshiradi. Agar xaker soxta javob yuborsa, uning imzosi bo‘lmaydi yoki xato bo‘ladi, natijada server bu ma'lumotni rad etadi. Oddiy foydalanuvchi nima qilishi kerak? DNS server ma'muri bo‘lmasangiz ham, o‘zingizni himoya qilishingiz mumkin: 1. Public DNS-lardan foydalaning: Google (8.8.8.8) yoki Cloudflare (1.1.1.1) kabi yirik provayderlar kesh zaxarlanishiga qarshi eng zamonaviy himoya tizimlariga ega. 2. HTTPS-ga e'tibor bering: Agar DNS kesh zaxarlangan bo‘lsa ham, HTTPS brauzeringizda "SSL Certificate Error" ogohlantirishini chiqaradi. Bu oxirgi himoya chizig‘idir. Xulosa. DNS xavfsizligi faqat texnik sozlamalarga emas, balki foydalanuvchining kiber-gigiyenasiga ham bog‘liq. DNSSEC va shifrlangan protokollarni (DoH/DoT) qo‘llash orqali DNS Hijacking xavfini 90% gacha kamaytirish mumkin. 653

Muhim eslatma: Har doim saytga kirganda brauzer manzil satridagi qulf belgisiga (SSL sertifikati) e'tibor bering. DNS buzilganda ham, SSL sertifikati foydalanuvchini "xavfli ulanish" haqida ogohlantiradi. Foydalanilgan adabiyotlar: 1. Aliev, R.M. (2021). Axborot xavfsizligi asoslari: Darslik. -T.: Fan va texnologiya nashriyoti. 2. G‘aniyev, S.K., & Karimov, M.M. (2020). Kiberxavfsizlik asoslari. Toshkent: Aloqachi. 3. Arends, R., Austein, R., Larson, M., Massey, D., & Rose, S. (2005). DNS Security Introduction and Requirements. RFC 4033. Internet Engineering Task Force (IETF). https://doi.org/10.17487/RFC4033 4. Hoffman, P., & McManus, P. (2018). DNS Queries over HTTPS (DoH). RFC 8484. Internet Engineering Task Force (IETF). https://doi.org/10.17487/RFC8484 5. Stallings, W. (2020). Cryptography and Network Security: Principles and Practice (8th ed.). Pearson. 6. Заикин, А.П. (2019). Безопасность компьютерных сетей: Учебное пособие. Москва: Юрайт. 7. Олифер, В.Г., & Олифер, Н.П. (2020). Компьютерные сети. Принципы, технологии, протоколы (6-е изд.). Санкт-Петербург: Питер. 8. Cloudflare. (n.d.). What is DNS hijacking? Cloudflare Learning Center. Retrieved May 22, 2024, from https://www.cloudflare.com/learning/dns/dns-hijacking/ 9. Kaspersky Lab. (2023). DNS Hijacking: How to stay safe from redirected traffic. Kaspersky Resource Center. https://www.kaspersky.com/resource-center/definitions/dnshijacking SUN’IY INTELLEKT VA RAQAMLI TEXNOLOGIYALARNING MATEMATIK MODELLASHTIRISH MUAMMOLARI VA YECHIMLARI L.E. Xasanova,UMFT, е-mail: lola.khasanova.93@mail.ru S.S. Mannanov, UMFT, Gmail: saidvohid7@gmail.com Annotatsiya. Maqolada matematik modellashtirishning nazariy asoslari va uning zamonaviy intellektual texnologiyalar doirasidagi rivojlanishi ko‘rib chiqiladi. Model, modellashtirish hamda matematik masalaning korrektligi tushunchalari yoritiladi, shuningdek sun’iy intellektning umumiy matematik modellashtirish tizimidagi o‘rni tahlil qilinadi. Modellarning korrektligi, barqarorligi, interpretatsiya qilinishi va ortiqcha moslashish muammolariga alohida e’tibor qaratiladi. Sun’iy intellekt klassik modellashtirish nazariyasining mantiqiy davomi ekanligi hamda uning metodologik va hisoblash imkoniyatlarini kengaytirishi asoslab beriladi. Kalit so‘zlar: matematik modellashtirish, model, masalaning korrektligi, sun’iy intellekt, ortiqcha moslashish, interpretatsiya, yechim barqarorligi, iyerarxik modellar. Аннотация. В статье рассматриваются теоретические основы математического моделирования и его развитие в рамках современных интеллектуальных технологий. Рассматриваются понятия модели, моделирования и корректности математической задачи, анализируется роль искусственного интеллекта в общей системе математического моделирования. Особое внимание уделяется проблемам корректности, устойчивости, интерпретации и переобучения моделей. Утверждается, что искусственный интеллект является логическим продолжением классической теории моделирования и расширяет её методологические и вычислительные возможности. 654

Ключевые слова: математическое моделирование, модель, корректность задачи, искусственный интеллект, переобучение, интерпретация, устойчивость решения, иерархические модели. Abstract. The article examines the theoretical foundations of mathematical modeling and its development within the framework of modern intelligent technologies. The key concepts of model, modeling, and well-posedness of a mathematical problem are discussed, and the role of artificial intelligence in the general system of mathematical modeling is analyzed. Particular attention is paid to the issues of correctness, stability, interpretability, and overfitting of models. It is shown that artificial intelligence represents a logical continuation of classical modeling theory, expanding its methodological and computational capabilities. Keywords: mathematical modeling, model, well-posedness, artificial intelligence, overfitting, interpretability, solution stability, hierarchical models. Kirish. Hozirgi kunda sun’iy intellekt sohasidagi tadqiqotlarda intellektual tizimlarning rivojlanishini hamda ularning qo‘llanish sohalarining kengayishini belgilovchi bir nechta asosiy yo‘nalishlar ajratib ko‘rsatiladi. Asosiy yo‘nalishlarga bilimlarni taqdim etish, bilimlar bilan ishlash (manipulyatsiya qilish), kommunikatsiya, idrok etish, o‘rganish hamda intellektual tizimlarning xulq-atvori kiradi. Eng muhim yo‘nalishlardan biri ‒ bilimlarni taqdim etish hisoblanadi. Ushbu yo‘nalish doirasida bilimlarni formalashtirish, tuzilmaga solish va intellektual tizim xotirasida saqlash masalalari hal etiladi. Buning uchun bilimlarni ifodalashning maxsus modellari, ularni tavsiflash tillari hamda turli xil bilim turlarini tasniflash usullari ishlab chiqiladi. Shuningdek, bilimlarni olish manbalari o‘rganilib, ularni egallash va yangilash jarayonlari yaratiladi. Mazkur yo‘nalishning ahamiyati shundaki, har qanday intellektual tizimning ishlashi uning bilimlar bazasida saqlanadigan predmet sohaga oid bilimlarga asoslanadi. Bilimlarni boshqarish yoki ular bilan ishlash yo‘nalishi bilimlarni taqdim etish bilan chambarchas bog‘liqdir. Masalalarni samarali hal qilish uchun intellektual tizim bilimlarni nafaqat saqlashi, balki ulardan foydalana olishi ham zarur. Ushbu yo‘nalishda to‘liq bo‘lmagan ma’lumotlar asosida bilimlarni to‘ldirish, ularni umumlashtirish va abstrakt tushunchalarni shakllantirish usullari, shuningdek mantiqiy hamda ehtimolli xulosa chiqarish mexanizmlari ishlab chiqiladi. Inson tafakkuriga xos fikrlash jarayonlarini modellashtiruvchi mulohaza yuritish modellari ham tadqiq etiladi. Ko‘plab tadqiqotchilar bilimlarni taqdim etish va qayta ishlash jarayonlarini yagona bilimlar bazasi nazariyasining o‘zaro bog‘liq qismlari sifatida qaraydilar. Keyingi muhim yo‘nalish inson va intellektual tizim o‘rtasidagi muloqotni tashkil etish hisoblanadi. Ushbu yo‘nalish tabiiy tildagi matnlarni tushunish va sintez qilish, nutqni aniqlash va hosil qilish, shuningdek inson va tizim o‘rtasidagi samarali o‘zaro ta’sir modellarini ishlab chiqish masalalarini o‘z ichiga oladi. Intellektual tizim harakatlarini foydalanuvchiga tushuntirish hamda matnli, nutqiy va vizual ma’lumotlarni yagona tizimda birlashtirish muhim ahamiyat kasb etadi. Natijada dialog tizimlari, savol-javob tizimlari va lingvistik intellektual tizimlar yaratiladi. Idrok etish yo‘nalishi sensor va vizual axborotni qayta ishlash bilan bog‘liq. Bu yo‘nalish tasvirlar va uch o‘lchovli sahnalarni tahlil qilish, vizual obrazlarni bilimlar bazasida ifodalash usullarini ishlab chiqish, vizual ma’lumotlarni matnli tavsifga aylantirish hamda aksincha jarayonlarni o‘z ichiga 655

oladi. Obrazli va simvolli axborotni birgalikda qayta ishlashga alohida e’tibor qaratiladi, bu esa intellektual tizimlarning intellektual darajasini oshirishga xizmat qiladi. Eng istiqbolli yo‘nalishlardan biri, intellektual tizimlarni o‘qitish hisoblanadi. Ushbu yondashuvga ko‘ra, intellektual tizimlar inson kabi ilgari uchramagan masalalarni hal qilish jarayonida yangi bilim va ko‘nikmalarni egallashi kerak. Shu maqsadda tajribani umumlashtirish, xususiy masalalar yechimidan umumiy yechimga o‘tish, murakkab vazifalarni sodda qismlarga ajratish, shuningdek o‘rganish jarayoni va taqlidiy xulq-atvor modellari ishlab chiqiladi. Sezilarli yutuqlarga qaramay, ushbu yo‘nalish hali ham faol rivojlanayotgan sohalardan biri hisoblanadi. So‘nggi muhim yo‘nalish - intellektual tizimlarning xulq-atvori hisoblanadi. Bunday tizimlar muayyan muhitda faoliyat yuritganligi sababli, insonlar, boshqa intellektual tizimlar va tashqi sharoitlar bilan samarali o‘zaro ta’sirni ta’minlovchi xulq-atvor modellarini yaratish zarur. Ushbu yo‘nalishda maqsadga muvofiq, me’yoriy va vaziyatga mos xulq-atvor modellari, shuningdek dinamik sharoitlarda ko‘p bosqichli rejalashtirish va harakatlarni moslashtirish usullari ishlab chiqiladi. Shunday qilib, sun’iy intellektning rivojlanishi o‘zaro bog‘liq bo‘lgan bir nechta yo‘nalishlar asosida amalga oshiriladi. Ushbu yo‘nalishlarning birgalikdagi rivoji intellektual tizimlarning avtonomligi, moslashuvchanligi va samaradorligini oshirishga xizmat qiladi.[1] Intellektual tizimlarning xususiyatlari va muammolari Intellektual tizimlar inson intellektining ayrim jihatlarini modellashtirishga qaratilgan texnologiyalar hisoblanadi. Ularning faoliyati ma’lumotlarni qayta ishlash algoritmlari, belgilangan qoidalar hamda matematik modellar asosida amalga oshiriladi, bu esa axborotni tahlil qilish va qaror qabul qilish imkonini beradi. Ma’lum darajada intellektual tizimlarni insonning intellektual faoliyatiga taqlid qiluvchi tizimlar sifatida qarash mumkin, chunki ular mantiqiy jihatdan tartiblangan xulosalar shakllantirish va katta hajmdagi ma’lumotlarni qayta ishlash qobiliyatiga ega. Intellektual tizimlarning insondan asosiy farqlaridan biri - hisoblash tezligining yuqoriligi va katta hajmdagi ma’lumotlarni qayta ishlash imkoniyatidir. Inson intellekti biologik va kognitiv imkoniyatlar bilan cheklangan bo‘lsa, intellektual tizimlar murakkab hisoblash jarayonlarini ancha tez bajarishga qodir. Biroq bu holat intellektual tizimlarda umuman cheklovlar mavjud emasligini anglatmaydi, chunki ularning ishlashi ham mavjud hisoblash resurslari, server quvvati va qo‘llanilayotgan texnologiyalarga bog‘liq. Ma’lumotlarni qayta ishlashdagi yuqori samaradorlikka qaramay, intellektual tizimlar odatda cheklangan ixtisoslashuvga ega bo‘ladi. Ular asosan o‘qitilgan yoki ishlab chiqilgan soha doirasidagi masalalarni samarali hal qiladi va turli bilim sohalarida bir xil darajada faoliyat yurita olmaydi. Ushbu cheklov tizim arxitekturasi hamda mavjud hisoblash va axborot resurslari bilan bog‘liq. Internet tarmog‘ining rivojlanishi intellektual tizimlarning axborot imkoniyatlarini sezilarli darajada kengaytirdi, chunki ular insoniyat tomonidan 656

to‘plangan ulkan hajmdagi ma’lumotlardan foydalanish imkoniyatiga ega bo‘ldi. Biroq axborot hajmining ortishi bilan uning ishonchliligi muammosi ham yuzaga keldi. Internetda qarama-qarshi, tekshirilmagan yoki eskirgan ma’lumotlarning mavjudligi ularning haqqoniyligini aniqlash jarayonini murakkablashtiradi. Intellektual tizimlar olingan ma’lumotlarni tahlil qilish va qayta ishlash imkoniyatiga ega bo‘lsa-da, ular har doim ham inson tajribasi va kontekstual tushunish darajasida tanqidiy baholashni amalga oshira olmaydi. Shu sababli intellektual tizimlar tomonidan taqdim etilgan natijalar inson tomonidan qo‘shimcha tekshiruv va tahlilni talab qiladi. Shunday qilib, intellektual tizimlar axborotni qayta ishlash va qaror qabul qilishni qo‘llab-quvvatlashda kuchli vosita hisoblanadi, biroq ulardan foydalanish tanqidiy yondashuv bilan birga olib borilishi lozim. Yuqori tezlik va aniqlikka qaramay, sun’iy intellekt inson tafakkuri va ekspert bahosini to‘liq almashtira olmaydi. Bilimlarni ifodalash muammolari Bilimlarni ifodalash muammosi nafaqat sun’iy intellekt sohasida, balki ilmfan, ta’lim hamda axborotni uzatish jarayonlarida ham eng fundamental va ayni paytda eng murakkab masalalardan biri hisoblanadi. Ushbu muammo bilimlarni rasmiy shaklga keltirish, ularni boshqa subyektga uzatish va amaliy jihatdan foydalanish imkoniyatini ta’minlash zarur bo‘lgan har qanday holatda yuzaga keladi. Mazkur muammoni hal qilish jarayonida ikki asosiy savolga javob berish talab etiladi: aniq nima ifodalanishi kerak va bilimlar qanday usulda ifodalanishi lozim. Birinchi savolning javobi yechilayotgan masala yoki predmet sohasi xususiyatlari bilan belgilanadi. Biroq bilimlarni ifodalash usulini tanlash ancha murakkab vazifa hisoblanadi. Asosiy qiyinchilik inson talablari va hisoblash tizimlari imkoniyatlari o‘rtasidagi qarama-qarshilik bilan bog‘liq. Inson uchun qulay va intuitiv tushunarli bo‘lgan bilimlarni ifodalash vositalari ko‘pincha kompyuterda samarali qayta ishlash uchun mos kelmaydi. Aksincha, hisoblash tizimlari uchun optimal bo‘lgan formal ma’lumot tuzilmalari inson tomonidan qabul qilish va tushunish uchun murakkab bo‘lishi mumkin. Qo‘shimcha murakkablik bilimlarning turli xil turlari mavjudligi bilan ham izohlanadi. Axborotning har xil ko‘rinishlari turli formalashtirish usullarini talab qiladi, chunki barcha masalalar uchun bir xil darajada samarali bo‘lgan universal bilimlarni ifodalash usuli mavjud emas. Shu sababli sun’iy intellekt sohasida bilimlarni ifodalashning ko‘plab modellari ishlab chiqilgan bo‘lib, ularning soni hozirgi kunda ham ortib bormoqda. Mavjud yondashuvlarning xilma-xilligiga qaramay, ularning aksariyatini uchta asosiy modelga ajratish mumkin: mantiqiy model, tarmoqli model va produksion model.[5] Matematik modellashtirishning nazariy asoslari Моdellashtirish bilish usuli sifatida qadimdan qo‘llanib kelinadi va u turli jarayonlar, hodisalar yoki boshqa real obyektlarning asosiy qonuniyatlari hamda 657

xatti-harakat xususiyatlarini ularning modellari yordamida o‘rganishni anglatadi. Quyida asosiy tushuncha va ta’riflar keltiriladi. Obyekt - atrof-muhitdagi har qanday narsa, real jarayon, hodisa yoki effekt bo‘lib, u ongimizdan tashqarida mavjud va nazariy tadqiqot yoki amaliy faoliyat predmeti hisoblanadi. Predmet sohasi - real voqelikning bizni qiziqtirgan obyekt joylashgan va uning xatti-harakati ma’lum bir usul yordamida o‘rganilishi lozim bo‘lgan qismi yoki fragmenti. Model - real obyektning eng muhim va asosiy xususiyatlarini aks ettiruvchi hamda model ustida tajriba o‘tkazish orqali obyektning xatti-harakatini oldindan aytish imkonini beruvchi sun’iy yaratilgan moddiy yoki nazariy obraz. Modellashtirish - real obyektlarning ma’lum sharoitlarda qanday harakat qilishini oldindan aytish maqsadida ularning modellari yordamida asosiy qonuniyat va xususiyatlarini o‘rganish jarayoni. Matematik model - real obyektning aniqlovchi xususiyatlari o‘rtasidagi bog‘lanishlarni matematik munosabatlar (tenglamalar, tengsizliklar va boshqalar) orqali ifodalovchi obraz yoki tasvir. Matematik modellashtirish - real voqelikni matematik modellar yordamida tadqiq etish usuli. Omillar - tadqiq etilayotgan obyektning holati va xatti-harakatini, shuningdek uning predmet sohasidagi boshqa obyektlar bilan bog‘liqligini tavsiflovchi xususiyatlar. Bazaviy model - tadqiq qilinayotgan real obyektning xatti-harakatini sifat jihatdan to‘g‘ri aniqlab beruvchi omillarning minimal majmui. Jamiyat rivojlanib borgan sari matematik bilim darajasi va qo‘llanilgan matematik konstruksiyalarning murakkabligi oshdi. Bu ketma-ketlik ham matematik apparatning rivojlanishini, ham matematikaning yangi yo‘nalishlari va tarmoqlarining paydo bo‘lishini rag‘batlantiradi. Bu shuningdek, o‘zaro hamkorlikni yaxshilaydi. Matematik modellashtirish nazariyasining shakllanishi.20-asrning ikkinchi yarmida matematik modellashtirish nazariyasi rivojlanishining o‘ziga xos xususiyati ikkinchi fanning ta’siri bo‘lib, u ham voqelikni tushunish va o‘rganishning boshqa usullaridan foydalanadi. Zamonaviy modellashtirish nazariyasida modellashtirishning maqsadi va vazifasi quyidagicha shakllantirilgan: • Modellashtirish usulining maqsadi, atrofdagi harakatni tushunish usuli sifatida, haqiqiy, mavjud obyekt, hodisa yoki jarayonning ishlashining asosiy naqshlari va xususiyatlarini o‘rnatishdir; • Modellashtirishning asosiy maqsadi haqiqiy obyektning biron bir sun’iy, berilgan jismoniy yoki mavhum tasvirini yaratish va uning xususiyatlari va turli ko‘rinishlarini kuzatishdir; Modellashtirish usuli turli sabablarga ko‘ra roli va ma’nosi doimiy ravishda o‘zgarib turadigan eng katta bilim vositalaridan biridir. Ushbu usulning mohiyati asl real dunyo obyektini uning "tasviri" yoki "avtomatik tasviri" bilan almashtirish va keyin turli algoritmlar yordamida modelni o‘rganishdan iborat. Ushbu tadqiqot 658