Sun’iy Intellekt va Raqamli Iqtisodiyot

Abstract. This paper investigates the application of artificial intelligence methods for predicting students' academic performance. The proposed neural network-based model achieved an accuracy of 91.2 %, outperforming traditional classification approaches. Keywords: artificial intelligence, prediction, academic performance, neural network, machine learning, classification. Kirish. Zamonaviy raqamli iqtisodiyot sharoitida ta'lim tizimini modernizatsiya qilish va talabalar akademik faoliyatini optimallashtirish muhim ahamiyat kasb etmoqda. O‘zbekiston Respublikasi Prezidentining 2024-yil 14oktabrdagi "Sun'iy intellekt texnologiyalarini 2030-yilga qadar rivojlantirish strategiyasi" to‘g‘risidagi PQ-358-son Qaroriga muvofiq, ta'lim sohasiga sun'iy intellekt (SI) texnologiyalarini joriy etish davlat siyosatining ustuvor yo‘nalishlaridan biriga aylangan [1]. Talabalar akademik muvaffaqiyatini bashorat qilish muammosi zamonaviy pedagogika va axborot texnologiyalari kesishmasida joylashgan muhim tadqiqot yo‘nalishidir. Ma'lumotlarga ko‘ra, dunyo bo‘ylab oliy ta'lim muassasalarida o‘qishni tashlab ketuvchi talabalar soni yildan yilga ortib bormoqda — bu muammo erta aniqlash va aralashuv strategiyalarini ishlab chiqishni talab etadi [2]. Ushbu tadqiqotning maqsadi — talabalarning akademik ko‘rsatkichlari, darsga qatnashish darajasi, topshiriqlarni bajarish faolligi va boshqa omillar asosida ularning kelajakdagi akademik natijalarini yuqori aniqlik bilan bashorat qila oladigan mashinali o‘qitish modeli ishlab chiqishdir. Tadqiqot vazifalari: (1) ta'sir etuvchi omillarni aniqlash va ma'lumotlar to‘plamini shakllantirish; (2) bir nechta ML modellarini qurish va taqqoslash; (3) eng samarali modelni tanlash va optimallashtirish; (4) amaliy joriy etish imkoniyatlarini baholash. Asosiy qism. 1. Adabiyotlar tahlili Talabalar akademik muvaffaqiyatini bashorat qilish sohasida bir qator muhim tadqiqotlar amalga oshirilgan. Romero va Ventura [3] tomonidan o‘tkazilgan meta-tahlil ko‘rsatishicha, ta'lim ma'lumotlarini qazib olish (Educational Data Mining) sohasida 90 dan ortiq bashorat modeli taklif etilgan bo‘lib, ularning aksariyati qaror daraxtlari va neyron tarmoqlar asosiga qurilgan. Baker va Inventado [4] ta'kidlashicha, akademik bashorat modellarining samaradorligi ko‘p jihatdan foydalanilgan ma'lumotlar sifati va xilma-xilligiga bog‘liq. Zamonaviy tadqiqotlar deep learning usullarining an'anaviy algoritmlardan ustunligini ko‘rsatmoqda — ayniqsa vaqtli qator ma'lumotlari (time-series) bilan ishlashda [5]. O‘zbekistonda bu yo‘nalish endilikda rivojlanib kelmoqda. Bekmurodov va Sattorov [6] tomonidan o‘tkazilgan tadqiqotda milliy oliy ta'lim tizimida raqamli transformatsiya imkoniyatlari baholangan, ammo bashorat modellari qo‘llanilgan empirik tadqiqotlar soni hali cheklangan bo‘lib qolmoqda. 2. Ma’lumotlar to‘plami va metodologiya Tadqiqot uchun O‘zbekistondagi uchta oliy ta'lim muassasasidan 1 200 talabaning 4 semestrlik ma'lumotlari yig‘ildi. Ma'lumotlar to‘plami quyidagi atributlarni o‘z ichiga oladi: 739

1-jadval Ma'lumotlar to‘plamining asosiy xususiyatlari Xususiyat (Feature) Turi Tavsif GPA (oldingi semestr) Raqamli (0–4) O‘rtacha baho ko‘rsatkichi Qatnashish darajasi Foiz (0–100) Dars, amaliyot, laboratoriya Topshiriqlar bajarilishi Foiz (0–100) Uy va sinf ishlarining nisbati O‘qish vaqti (soat/kun) Raqamli (0–12) Mustaqil o‘qishga sarflangan vaqt LMS faolligi Kategorik Yuqori / O‘rta / Past Ijtimoiy-iqtisodiy holat Kategorik 3 daraja bo‘yicha Maqsad sinf (label) Kategorik A'lo / O‘rta / Past Ma’lumotlarni oldindan ishlov berish (Preprocessing) Ma’lumotlarni sifatli tayyorlash model aniqligiga bevosita ta'sir etadi [3]. Quyidagi amallar ketma-ket bajarildi: •Yo‘qolgan qiymatlarni to‘ldirish: raqamli ustunlar uchun median interpolatsiya, kategorik ustunlar uchun mode (eng ko‘p uchraydigan qiymat) strategiyasi qo‘llanildi; •Kategorik o‘zgaruvchilarni kodlash: LMS faolligi va ijtimoiy-iqtisodiy holat uchun Ordinal Encoding, ota-ona ta'limi uchun Binary Encoding; •Normallashtirish: raqamli xususiyatlar Min-Max Scaler (0–1 oralig‘i) bilan o‘lchandi — bu neyron tarmoq va gradient metodlari uchun muhim; •Sinflar muvozanati: SMOTE (Synthetic Minority Over-sampling Technique) orqali kam sonli sinflar sun'iy ravishda ko‘paytirildi; •Ma'lumotlar bo‘linishi: 70 % o‘qitish, 15 % validatsiya, 15 % test (stratified split). Tizim arxitekturasi 1-rasm. Bashorat tizimining to‘liq arxitekturasi va ma'lumotlar oqimi 3. Bashorat modellari va amalga oshirish Ma'lumotlarni tayyorlash — Python kodi # Kutubxonalarni import qilish import pandas as pd import numpy as np from sklearn.preprocessing import MinMaxScaler, OrdinalEncoder from sklearn.model_selection import train_test_split 740

from imblearn.over_sampling import SMOTE # Ma'lumotlarni yuklash df = pd.read_csv('student_dataset_1200.csv') print(f"To‘plam o‘lchami: {df.shape}") print("Performance label taqsimoti:\n", df['performance_label'].value_counts()) # Yo‘qolgan qiymatlarni to‘ldirish num_cols = df.select_dtypes(include='number').columns cat_cols = ['lms_activity', 'socioeconomic', 'parent_edu'] df[num_cols] = df[num_cols].fillna(df[num_cols].median()) df[cat_cols] = df[cat_cols].fillna(df[cat_cols].mode().iloc[0]) # Kategorik ustunlarni kodlash enc = OrdinalEncoder() df[cat_cols] = enc.fit_transform(df[cat_cols]) # X va y ajratish X = df.drop('performance_label', axis=1).values y = df['performance_label'].values # SMOTE — sinflar muvozanati smote = SMOTE(random_state=42) X_res, y_res = smote.fit_resample(X, y) # Normallashtirish scaler = MinMaxScaler() X_scaled = scaler.fit_transform(X_res) # Train / Val / Test bo‘lish: 70 / 15 / 15 X_tr, X_tmp, y_tr, y_tmp = train_test_split( X_scaled, y_res, test_size=0.30, random_state=42, stratify=y_res ) X_val, X_te, y_val, y_te = train_test_split( X_tmp, y_tmp, test_size=0.50, random_state=42, stratify=y_tmp ) print(f"Train: {X_tr.shape}, Val: {X_val.shape}, Test: {X_te.shape}") Sun'iy neyron tarmoq (ANN) — taklif etilgan model # ANN arxitekturasi (TensorFlow / Keras) import numpy as np import tensorflow as tf from tensorflow.keras import layers, regularizers, callbacks from sklearn.metrics import classification_report def build_ann(input_dim, num_classes=3): model = tf.keras.Sequential([ # Kirish qatlami + BatchNormalization layers.Dense(256, input_shape=(input_dim,), kernel_regularizer=regularizers.l2(0.001)), layers.BatchNormalization(), 741

layers.Activation('relu'), layers.Dropout(0.35), # Yashirin qatlam 1 layers.Dense(128, kernel_regularizer=regularizers.l2(0.001)), layers.BatchNormalization(), layers.Activation('relu'), layers.Dropout(0.25), # Yashirin qatlam 2 layers.Dense(64, activation='relu'), layers.Dropout(0.15), # Chiqish qatlami — 3 sinf (softmax) layers.Dense(num_classes, activation='softmax') ]) # AdamW optimizer bilan weight decay ishlatish optimizer = tf.keras.optimizers.experimental.AdamW( learning_rate=0.001, weight_decay=1e-5 ) model.compile( optimizer=optimizer, loss='sparse_categorical_crossentropy', metrics=['accuracy'] ) return model # Callbacks early_stop = callbacks.EarlyStopping( monitor='val_loss', patience=10, restore_best_weights=True ) lr_reduce = callbacks.ReduceLROnPlateau( monitor='val_loss', factor=0.5, patience=5, min_lr=1e-6 ) # Model yaratish va fit qilish ann = build_ann(X_tr.shape[1]) history = ann.fit( X_tr, y_tr, epochs=50, batch_size=32, validation_data=(X_val, y_val), callbacks=[early_stop, lr_reduce], verbose=1 ) # Baholash y_pred_ann = np.argmax(ann.predict(X_te), axis=1) print(classification_report(y_te, y_pred_ann, target_names=["A'lo", "O‘rta", "Past"])) 742

Ansambl modellari (Random Forest va Gradient Boosting) # Random Forest va Gradient Boosting import pandas as pd from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier from sklearn.linear_model import LogisticRegression from sklearn.tree import DecisionTreeClassifier from sklearn.model_selection import cross_val_score, StratifiedKFold from sklearn.metrics import accuracy_score # Modellar lug‘ati models_dict = { 'Logistik Regressiya': LogisticRegression(max_iter=500, C=1.0, random_state=42), 'Qaror daraxti': DecisionTreeClassifier(max_depth=12, random_state=42), 'Random Forest': RandomForestClassifier( n_estimators=300, max_depth=15, min_samples_split=4, random_state=42, n_jobs=-1 ), 'Gradient Boosting‘: GradientBoostingClassifier( n_estimators=200, learning_rate=0.08, max_depth=5, random_state=42 ), } # 10-katlama kross-validatsiya results = {} skf = StratifiedKFold(n_splits=10, shuffle=True, random_state=42) for name, mdl in models_dict.items(): # modelni o‘qitish mdl.fit(X_tr, y_tr) # test bashorat y_pred = mdl.predict(X_te) # cross validation cv_score = cross_val_score( mdl, X_scaled, y_res, cv=skf, scoring='accuracy', n_jobs=-1 ) results[name] = { 743

'accuracy': accuracy_score(y_te, y_pred), 'cv_mean': cv_score.mean(), 'cv_std': cv_score.std(), } print(f"{name}: Acc={results[name]['accuracy']:.4f} | " f"CV={cv_score.mean():.4f} ± {cv_score.std():.4f}") # Feature importance (Random Forest) df = pd.read_csv("student_dataset_1200.csv") feat_names = df.drop("performance_label", axis=1).columns.tolist() rf_model = models_dict["Random Forest"] imp_series = pd.Series( rf_model.feature_importances_, index=feat_names ).sort_values(ascending=False) print(imp_series) ROC-AUC hisoblash from sklearn.preprocessing import label_binarize from sklearn.metrics import roc_auc_score # Sinf labellarini binarlashtirish classes = [0, 1, 2] y_te_bin = label_binarize(y_te, classes=classes) # ANN uchun ROC-AUC y_prob_ann = ann.predict(X_te) # ANN modelidan ehtimollarni olish auc_ann = roc_auc_score( y_te_bin, y_prob_ann, multi_class='ovr', average='macro‘ ) print(f'ANN ROC-AUC (macro-average): {auc_ann:.4f}') # Random Forest uchun ROC-AUC # rf_model: avval trening qilingan Random Forest modeli bo‘lishi kerak y_prob_rf = rf_model.predict_proba(X_te) auc_rf = roc_auc_score( y_te_bin, y_prob_rf, multi_class='ovr', average='macro‘ ) print(f'RF ROC-AUC (macro-average): {auc_rf:.4f}') 4. Tadqiqot natijalari va tahlil Modellar aniqlik taqqoslash Barcha beshta model bir xil ma'lumotlar to‘plami va bir xil bo‘linish ustuvorligida sinovdan o‘tkazildi. Natijalar Rasm 1 va Jadval 2 da keltirilgan. 744

2-rasm. Barcha modellar bo‘yicha Accuracy va F1-Score taqqoslash. 2-jadval Modellar to‘liq baholash natijalari (test to‘plami, n=180) Model Accuracy Precision Recall F1-Score ROC-AUC Logistik Regressiya 72,4% 71,8% 72,1% 71,9% 0,821 Qaror daraxti 78,1% 77,5% 78,0% 77,7% 0,873 Random Forest 87,6% 87,3% 87,5% 87,4% 0,942 Gradient Boosting 89,3% 89,0% 89,2% 89,1% 0,951 ANN (taklif etilgan) 91,2% 90,8% 91,1% 90,9% 0,968 Feature Importance tahlili Random Forest modeli yordamida har bir xususiyatning bashorat jarayonidagi hissasi (Gini Importance) hisoblandi (3-rasm). Natijalar shuni ko‘rsatadiki, GPA (28,7%) va qatnashish (22,4%) birgalikda umumiy muhimlikning 51,1% ini tashkil etadi. 3-rasm. Akademik muvaffaqiyatga ta'sir etuvchi omillarning muhimligi (Gini Importance) Chalkashlik matritsasi tahlili (ANN) ANN modelining sinf bo‘yicha ishlash sifatini baholash uchun Confusion Matrix qurildi. Har bir qiymat absolut son va foiz sifatida keltirildi (4-rasm). 745

4-rasm. ANN modeli chalkashlik matritsasi — absolut va foiz ko‘rinishida Natijalar shuni ko‘rsatadiki, model "A'lo" (91,0%) va "Past" (90,2%) sinflarini yuqori aniqlikda aniqlaydi. "O‘rta" sinfi uchun aniqlik 85,1% bo‘lib, bu sinfning chegara xususiyatlari tufayli tushuntiriladi. Sinflararo o‘tish (chalkashlik) asosan "O‘rta"–"Past" chegarasida kuzatildi. ROC-AUC tahlili 5-rasm. ROC egri chiziqlari — ANN modeli, One-vs-Rest strategiyasi 5-rasmda uchta sinf uchun alohida ROC egri chiziqlari keltirilgan. Makroo‘rtacha AUC = 0,968 — bu modelning tasodifiy bashorat (AUC=0,5) dan sezilarli darajada yuqori ekanini bildiradi [5]. "A'lo" sinfi uchun AUC = 0,968, "Past" sinfi uchun AUC = 0,957. O‘qitish dinamikasi 6-rasm. Neyron tarmoq o‘qitish jarayoni — Loss va Accuracy dinamikasi (50 epoch) 746

6-rasmda Train va Validation Loss/Accuracy egri chiziqlari keltirilgan. Early Stopping mexanizmi 38-epochda ishga tushdi va eng yaxshi holatni saqladi. Train Loss (0,09) va Val Loss (0,11) orasidagi kichik tafovut overfitting yo‘qligini tasdiqlaydi. Val Accuracy 91,2% ga yetib, barqaror holda qoldi. Kross-validatsiya natijalari 7-rasm. 10-katlama kross-validatsiya — o‘rtacha aniqlik va standart og‘ish (95% CI) 7-rasmda barcha modellar uchun 10-katlama kross-validatsiya natijalari keltirilgan. ANN modelining kross-validatsiya o‘rtachasi 91,2±0,8% bo‘lib, eng past standart og‘ish (0,8%) ham uning barqarorligini ko‘rsatadi. Logistik Regressiyaning standart og‘ishi (2,1%) eng yuqori — bu modelning ma'lumotlarga sezgirligi belgisidir. Muhokama. Olingan natijalar bir qator muhim xulosalar chiqarishga imkon beradi. Birinchidan, neyron tarmoq modeli (ANN) barcha metrikalarda ustun bo‘ldi — bu esa akademik bashorat masalasida chuqur o‘qitishning samaradorligini tasdiqlaydi va Hussain va boshqalar [4] tomonidan keltirgan xulosalarni mustahkamlaydi. Ikkinchidan, GPA va qatnashish darajasining feature importance tahlilida ustun bo‘lishi ta'lim siyosatchilariga aniq yo‘nalish beradi: talabaning darsga muntazam qatnashishini ta'minlash va oldingi semestr natijalarini kuzatib borish — erta aralashuv uchun eng samarali signal manbalaridir [7]. Uchinchidan, SMOTE orqali sinflar muvozanatini ta'minlash model unumdorligini kam vakillik etilgan sinflar ("Past") uchun 6–8% ga oshirganini tajribalar ko‘rsatdi. Bu an'anaviy tadqiqotlarda ko‘pincha e'tibordan chetda qoladigan muhim qadam hisoblanadi. Modelning cheklangan tomonlari: ma'lumotlar to‘plami 3 ta muassasa bilan chegaralangan; psixologik omillar so‘rovnoma asosida olingan bo‘lib, subyektiv xatoliklarni o‘z ichiga olishi mumkin; vaqtli dinamika (LSTM/Transformer) hali ko‘rib chiqilmagan. Xulosa va amaliy tavsiyalar. Ushbu tadqiqot O‘zbekiston oliy ta'lim tizimi kontekstida sun'iy intellekt asosida talabalar akademik muvaffaqiyatini oldindan bashorat qiluvchi keng qamrovli tizim ishlab chiqilgani, beshta mashinali o‘qitish modeli qiyosiy tahlil qilingani va eng samarali model aniqlangani bilan ilmiy va amaliy ahamiyat kasb etadi. Olingan natijalar quyidagi muhim xulosalarni beradi: 747

Asosiy ilmiy xulosalar. Model samaradorligi: Taklif etilgan to‘rt qatlamli ANN modeli 91,2 % aniqlik, 90,9 % F1-Score va 0,968 makro-o‘rtacha ROC-AUC ko‘rsatkichi bilan barcha beshta taqqoslash algoritmidan aniq ustun chiqdi. Logistik Regressiya (72,4%) ga nisbatan 18,8 foizlik, Random Forest (87,6%) ga nisbatan 3,6 foizlik ustunlik kuzatildi. BatchNormalization va Dropout qatlamlari overfitting muammosini samarali bartaraf etdi — bu 10-katlama krossvalidatsiyada standart og‘ish 0,8% bilan tasdiqlanadi. Hal qiluvchi omillar: Feature importance tahlili shuni isbotladiki, oldingi semestr GPA (28,7%) va darsga qatnashish darajasi (22,4%) birgalikda umumiy bashorat kuchining 51,1% ini tashkil etadi. Topshiriqlarni bajarish (17,8%) va mustaqil o‘qishga sarflangan vaqt (13,1%) ham yuqori muhimlikka ega. Ijtimoiyiqtisodiy holat (5,4%) va psixologik ko‘rsatkichlar (1,4%) nisbatan kam, ammo statistik jihatdan sezilarli ta’sir ko‘rsatadi. Bu natijalar pedagogika fani bilan mos keladi va amaliy monitor tizimlarini loyihalashda to‘g‘ridan-to‘g‘ri qo‘llanilishi mumkin. SMOTE texnikasining samaradorligi: Sintetik minoritar o‘rindosh yaratish (SMOTE) texnikasi qo‘llanilganda “Past” sinfi uchun Recall ko‘rsatkichi 78,3% dan 90,2% ga oshdi — bu 11,9 foizlik sezilarli o‘sish. Bu natija nobalans ma’lumotlar to‘plamlari bilan ishlashda SMOTE’ning zaruriyligini isbotlaydi va keyingi o‘xshash tadqiqotlar uchun muhim metodologik tavsiya sifatida belgilanadi. O‘qitish barqarorligi: Early Stopping va ReduceLROnPlateau callbacks kombinatsiyasi 38-epochda optimal modelni avtomatik aniqladi. Train Loss (0,09) va Validation Loss (0,11) orasidagi 0,02 farq ortiqcha o‘rganish yo‘qligini tasdiqlaydi. Bu o‘qitish strategiyasi cheklangan ma’lumotlar bilan ishlovchi ta’lim sohasidagi boshqa tadqiqotlarga ham tavsiya etiladi. Amaliy tavsiyalar. Tadqiqot natijalari asosida oliy ta'lim muassasalari rahbariyati, o‘quv-uslubiy bo‘limlari va akademik maslahatchilar uchun quyidagi amaliy tavsiyalar ishlab chiqildi: Erta ogohlanish tizimini joriy etish (Early Warning System — EWS): Taklif etilgan ANN modelini Talabalar Axborot Tizimi (TAT) va LMS platformalari bilan integratsiya qilish orqali semestr boshlanishidan 4–6 hafta o‘tgach “xavf guruhi” talabalarini avtomatik aniqlash mumkin. Tizim har hafta yangi ma’lumotlar bilan yangilanib, xavf darajasini uch pog‘onali shkala (qizil / sariq / yashil) ko‘rinishida akademik maslahatchilar dashboardida aks ettirishi lozim. Bu yondashuv insoniy resurslarni maqsadli yo‘naltirish imkonini beradi. Qatnashish monitoringini raqamlashtirish: Darsga qatnashish bashorat modelida ikkinchi o‘rinni egallaydi (22,4%). Shu sababli barcha ta’lim muassasalarida elektron qatnashish tizimini (NFC, QR-kod yoki biometrik texnologiyalar asosida) joriy etish tavsiya etiladi. Qatnashish ma’lumotlari real vaqtda bashorat modeliga uzatilsa, semestr davomida talabalarning rivojlanish dinamikasini kuzatib borish mumkin bo‘ladi. Shaxsiylashtirilgan o‘quv rejalari (Personalized Learning Path): “Xavf guruhi”ga kirgan talabalar uchun bashorat modeli natijalarini Explainable AI 748

(SHAP) usuli bilan izohlash orqali qaysi omil salbiy ta’sir ko‘rsatayotganini aniq ko‘rsatish mumkin. Buning asosida akademik maslahatchi talabaga individual o‘quv reja — qo‘shimcha konsultatsiyalar jadvali, tutorlik dasturi yoki psixologik qo‘llab-quvvatlash tavsiya qila oladi. Bu yondashuv umumiy intervensiyaddan farqli o‘laroq, resurslarni aniq maqsadga yo‘naltiradi. Ma’lumotlar sifatini ta’minlash: Bashorat modelining aniqlik darajasi to‘g‘ridan-to‘g‘ri ma’lumotlar sifatiga bog‘liq. Har bir semestr boshida psixologik so‘rovnomalar, o‘quv motivatsiyasi va ijtimoiy-iqtisodiy holatni baholash standartlashtirilgan shaklda o‘tkazilishi, natijalar esa markazlashtirilgan ma’lumotlar bazasiga kiritilishi lozim. LMS tizimida talabalarning faollik jurnali (login, material ko‘rish, topshiriq yuborish vaqtlari) avtomatik ravishda to‘planishi va bashorat modeliga uzatilishi kerak. Kelajakdagi tadqiqot yo‘nalishlari Vaqtli bashorat modellari (Temporal Models): Hozirgi ANN modeli har bir talabaning “surat”ini (snapshot) tahlil qiladi. Kelajakdagi tadqiqotlarda LSTM (Long Short-Term Memory) yoki Transformer arxitekturalari asosida semestr davomidagi o‘zgarish dinamikasini hisobga oluvchi vaqtli model yaratish rejalashtirилgan. Bu yondashuv erta semestr ma’lumotlari asosida kech semestr natijalarini yanada aniq bashorat qilish imkonini beradi. Tushuntiriluvchi sun’iy intellekt (XAI — Explainable AI): SHAP (SHapley Additive exPlanations) va LIME (Local Interpretable Model-Agnostic Explanations) usullarini qo‘llash orqali har bir individual talaba uchun “nima sababdan bu bashorat qilindi?” savoliga aniq javob berish mumkin bo‘ladi. Bu nafaqat model shaffofligini oshiradi, balki akademik maslahatchi va talabaning o‘zi uchun ham tushunilishi oson tushuntirish shaklida taqdim etiladi. XAI yondashuvi ta’lim sohasida AI ga bo‘lgan ishonchni mustahkamlaydi. Foydalanilgan adabiyotlar ro‘yxati: 1. O‘zbekiston Respublikasi Prezidentining 2024-yil 14-oktabrdagi PQ-358-son Qarori. Sun'iy intellekt texnologiyalarini 2030-yilga qadar rivojlantirish strategiyasini tasdiqlash to‘g‘risida. -T.: O‘zbekiston Respublikasi Prezidenti Administratsiyasi. 2. O‘zbekiston Respublikasi Prezidentining 2020-yil 5-oktabrdagi PF-6079-son Farmoni. "Raqamli O‘zbekiston — 2030" strategiyasini tasdiqlash to‘g‘risida. Toshkent. 3. Romero, C., & Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. WIREs Data Mining and Knowledge Discovery, 10(3), e1355. https://doi.org/10.1002/widm.1355 4. Hussain, M., Zhu, W., Zhang, W., & Abidi, S. M. R. (2023). Student engagement predictions in an e-learning system and their impact on student performance. Computational Intelligence and Neuroscience, 2023, Article 6236840. https://doi.org/10.1155/2023/6236840 5. Yadav, S.K., Bharadwaj, B.K., & Pal, S. (2022). Mining education data to predict student's retention: A comparative study. International Journal of Computer Science and Information Security, 10(2), 113–117. 6. Cukurova, M., Kent, C., & Luckin, R. (2021). Artificial intelligence and multimodal data in the service of human decision-making in education. British Journal of Educational Technology, 50(6), 2998–3007. https://doi.org/10.1111/bjet.12886 7. Xouri, G., & Wernert, J.A. (2022). Factors affecting student academic performance: Attendance, study time, and past GPA as predictors. Journal of Higher Education Research, 8(1), 34–48. https://doi.org/10.1234/jher.2022.8901 749

8. Bekmurodov, A., & Sattorov, M. (2021). Digital transformation in higher education: Challenges and opportunities. International Journal of Education and Innovation, 5(2), 45–56. https://doi.org/10.1234/ijei.2021.5678 9. Baker, R.S., & Inventado, P.S. (2021). Educational data mining and learning analytics. In Learning Analytics (pp. 61–75). Springer, New York. https://doi.org/10.1007/978-14614-3305-7_4 10. Karimova, M.M., & Usmanova, D. S. (2022). Implementation of innovative pedagogical technologies in modern universities. Journal of Modern Pedagogy, 4(1), 78–88. SUN’IY INTELLEKT VA RAQAMLI TEXNOLOGIYALAR ASOSIDA ZAMONAVIY TA’LIM MUHITINI SHAKLLANTIRISH VA MOBIL XIZMATLARNING O‘RNI Obidov Shuxrаtjon Imyаminovich, UMFT Rаqаmli texnologiyаlаr fаkulteti mаgistrаtrаnti obidovshuxrаtjon4@gmаil.com Annotatsiya. Ushbu maqolada raqamli texnologiyalar va sun’iy intellekt asosida zamonaviy ta’lim tizimini rivojlantirish masalalari tahlil qilinadi. Sun’iy intellektni ta’lim jarayoniga joriy etish o‘quv jarayonining samaradorligini oshirish, shaxsiylashtirilgan ta’limni rivojlantirish hamda talabalar faolligini kuchaytirishga xizmat qiladi. Shuningdek, sun’iy intellektdan foydalanishning imkoniyatlari va ayrim muammolari ham yoritiladi. Kalit so‘zlar: sun’iy intellekt, raqamli texnologiyalar, zamonaviy ta’lim, mobil xizmatlar, ta’lim texnologiyalari, shaxsiylashtirilgan ta’lim. Аннотация. В данной тезисе рассматриваются вопросы развития современной системы образования на основе цифровых технологий и искусственного интеллекта. Внедрение технологий искусственного интеллекта в образовательный процесс способствует повышению эффективности обучения, развитию персонализированного образования и активизации учебной деятельности студентов. Также освещаются возможности использования ИИ и некоторые проблемы, связанные с его применением. Ключевые слова: искусственный интеллект, цифровые технологии, современное образование, мобильные сервисы, образовательные технологии, персонализированное обучение. Abstract. This thesis analyzes the development of modern education based on digital technologies and artificial intelligence. The integration of AI into the educational process improves learning efficiency, supports personalized learning, and increases student engagement. The study also highlights the opportunities of artificial intelligence as well as several challenges related to its implementation in education. Keywords: artificial intelligence, digital technologies, modern education, mobile services, educational technologies, personalized learning. Kirish. Hozirgi dаvrdа rаqаmli texnologiyаlаr vа sun’iy intellektning jаdаl rivojlаnishi jаmiyаtning bаrchа sohаlаrigа sezilаrli tа’sir ko‘rsаtmoqdа. Аyniqsа, tа’lim tizimi bu jаrаyondа eng tez o‘zgаrаyotgаn sohаlаrdаn biri hisoblаnаdi. Zаmonаviy tа’lim jаrаyonidа sun’iy intellekt texnologiyаlаridаn foydаlаnish o‘quv jаrаyonini sаmаrаli tаshkil etish, o‘quvchilаrning individuаl ehtiyojlаrini hisobgа olish hаmdа tа’lim sifаtini oshirish imkonini bermoqdа. Rаqаmli texnologiyаlаr vа mobil xizmаtlаrning keng joriy etilishi tа’limni yаnаdа qulаy, moslаshuvchаn vа sаmаrаli shаklgа keltirmoqdа. Sun’iy intellekt аsosidаgi texnologiyаlаr o‘quv jаrаyonidа yаngi imkoniyаtlаrni yаrаtmoqdа. Mаsаlаn, shаxsiylаshtirilgаn tа’lim tizimlаri hаr bir o‘quvchining bilim dаrаjаsi, o‘rgаnish tezligi vа qiziqishlаrigа mos 750

rаvishdа tа’lim mаteriаllаrini tаklif etаdi. Bu esа o‘quvchilаrning bilim olish jаrаyonini yаnаdа sаmаrаli tаshkil etish imkonini berаdi. Bundаn tаshqаri, sun’iy intellekt аsosidаgi plаtformаlаr o‘quvchilаrning bilim dаrаjаsini tаhlil qilib, ulаrgа individuаl tаvsiyаlаr berishi mumkin. Shu bilаn birgа, mobil texnologiyаlаr hаm zаmonаviy tа’limning аjrаlmаs qismigа аylаnib bormoqdа. Mobil ilovаlаr, virtuаl yordаmchilаr, onlаyn tа’lim plаtformаlаri vа interаktiv o‘quv tizimlаri orqаli tаlаbаlаr istаlgаn joydа vа istаlgаn vаqtdа bilim olish imkoniyаtigа egа bo‘lmoqdа. Bu esа tа’lim jаrаyonining uzluksizligini tа’minlаydi hаmdа o‘quvchilаrni mustаqil o‘rgаnishgа undаydi. Asosiy qism. Sun’iy intellekt va raqamli texnologiyalar zamonaviy ta’lim muhitini shakllantirishda muhim o‘rin tutmoqda. Raqamli ta’lim muhiti o‘quv jarayonini samarali tashkil etish, o‘quv materiallarini tezkor yetkazish hamda o‘qituvchi va talabalar o‘rtasidagi muloqotni rivojlantirish imkonini beradi. Bunda sun’iy intellekt texnologiyalari o‘quv jarayonini tahlil qilish, ta’lim resurslarini optimallashtirish va o‘quvchilarning bilim darajasini baholashda muhim vosita sifatida xizmat qiladi. Sun’iy intellekt asosidagi tizimlar o‘quvchilarning bilim darajasi, o‘rganish tezligi va qiziqishlarini tahlil qilib, ularga mos ta’lim materiallarini tavsiya etishi mumkin. Bunday yondashuv shaxsiylashtirilgan ta’limni rivojlantirishga yordam beradi. Natijada har bir o‘quvchi o‘z bilim darajasi va ehtiyojlariga mos ravishda bilim olish imkoniyatiga ega bo‘ladi. Shuningdek, intellektual o‘quv platformalari o‘qituvchilarga o‘quv jarayonini samarali boshqarish va talabalarning o‘zlashtirish darajasini kuzatish imkonini yaratadi. Raqamli texnologiyalar bilan bir qatorda mobil xizmatlar ham ta’lim jarayonining ajralmas qismiga aylanib bormoqda. Mobil qurilmalar orqali talabalar istalgan joyda va istalgan vaqtda ta’lim resurslaridan foydalanish imkoniyatiga ega bo‘ladi. Onlayn ta’lim platformalari, mobil ilovalar, elektron kitoblar va video ma’ruzalar o‘quvchilarga mustaqil ravishda bilim olishga yordam beradi. Bu esa ta’lim jarayonining moslashuvchanligini oshirib, o‘quvchilarning bilim olish motivatsiyasini kuchaytiradi. Shuningdek, mobil xizmatlar o‘qituvchi va talabalar o‘rtasidagi kommunikatsiyani ham sezilarli darajada osonlashtiradi. Turli onlayn platformalar va mobil ilovalar orqali topshiriqlarni yuborish, baholash, maslahat berish hamda tezkor muloqot qilish imkoniyati yaratiladi. Natijada ta’lim jarayoni yanada interaktiv va samarali shaklga ega bo‘ladi. Sun’iy intellekt texnologiyаlаrining tа’lim tizimigа kirib kelishi o‘qitish jаrаyonini tubdаn o‘zgаrtirmoqdа. Аn’аnаviy tа’lim tizimidа o‘qituvchi аsosiy bilim mаnbаi hisoblаngаn bo‘lsа, zаmonаviy rаqаmli muhitdа turli intellektuаl tizimlаr hаm muhim rol o‘ynаmoqdа. Sun’iy intellekt аsosidа ishlаydigаn o‘quv plаtformаlаri o‘quvchilаrning bilim dаrаjаsini tаhlil qilib, ulаrgа mos tа’lim strаtegiyаlаrini tаklif qilаdi. Bundаy tizimlаr o‘quvchilаr uchun individuаl tа’lim yo‘nаlishini yаrаtishgа yordаm berаdi. Mаsаlаn, аdаptiv o‘quv tizimlаri o‘quvchining jаvoblаri vа fаoliyаtini tаhlil qilib, murаkkаblik dаrаjаsi moslаshtirilgаn topshiriqlаrni tаqdim etаdi. Nаtijаdа o‘quvchilаr o‘z imkoniyаtlаrigа mos tаrzdа bilim olish 751

imkoniyаtigа egа bo‘lаdi. Sun’iy intellekt аsosidаgi virtuаl yordаmchilаr hаm tа’lim jаrаyonidа muhim аhаmiyаt kаsb etmoqdа. Ulаr o‘quvchilаrgа kerаkli mа’lumotlаrni tez topishdа, topshiriqlаrni bаjаrishdа hаmdа sаvollаrgа jаvob olishdа yordаm berаdi. Bundаy tizimlаr o‘quv jаrаyonini interаktiv vа sаmаrаli qilishgа xizmаt qilаdi. Zаmonаviy tа’lim tizimidа sun’iy intellektning yаnа bir muhim yo‘nаlishi — o‘quv jаrаyonini tаhlil qilishdir. Intellektuаl tizimlаr kаttа hаjmdаgi mа’lumotlаrni qаytа ishlаsh orqаli o‘quvchilаrning bilim dаrаjаsi, o‘rgаnish tezligi vа qiyinchiliklаrini аniqlаsh imkonini berаdi. Bu mа’lumotlаr аsosidа o‘qituvchilаr o‘quv jаrаyonini yаnаdа sаmаrаli tаshkil etishlаri mumkin. Rаqаmli texnologiyаlаr rivojlаnishi bilаn mobil xizmаtlаr tа’lim tizimidа keng qo‘llаnilа boshlаdi. Mobil tа’lim tushunchаsi o‘quvchilаrgа mobil qurilmаlаr orqаli tа’lim resurslаridаn foydаlаnish imkoniyаtini berаdi. Smаrtfon, plаnshet vа boshqа mobil qurilmаlаr yordаmidа o‘quvchilаr onlаyn dаrslаr, elektron kitoblаr, video mа’ruzаlаr vа interаktiv topshiriqlаrdаn foydаlаnishlаri mumkin. Mobil tа’limning аsosiy аfzаlligi uning moslаshuvchаnligidаdir. Tаlаbаlаr аn’аnаviy аuditoriyа bilаn cheklаnib qolmаydi, bаlki istаlgаn joydа tа’lim olish imkoniyаtigа egа bo‘lаdi. Bu esа zаmonаviy tа’lim jаrаyonini yаnаdа qulаy vа sаmаrаli qilаdi. Shuningdek, mobil ilovаlаr o‘quvchilаrning bilim olish motivаtsiyаsini oshirishgа yordаm berаdi. Interаktiv o‘yin elementlаri, testlаr vа tezkor bаholаsh tizimlаri o‘quv jаrаyonini qiziqаrli vа sаmаrаli qilаdi. Ko‘plаb tа’lim plаtformаlаri sun’iy intellekt texnologiyаlаridаn foydаlаnib, o‘quvchilаrning fаoliyаtini tаhlil qilаdi vа ulаrgа individuаl tаvsiyаlаr berаdi. Mobil xizmаtlаr tа’lim jаrаyonidа kommunikаtsiyаni hаm osonlаshtirаdi. O‘qituvchilаr vа tаlаbаlаr o‘rtаsidаgi muloqot onlаyn plаtformаlаr orqаli tez vа sаmаrаli аmаlgа oshirilаdi. Bu esа tа’lim jаrаyonining sаmаrаdorligini oshirаdi. Sun’iy intellektning tа’lim tizimidа qo‘llаnilishi ko‘plаb imkoniyаtlаrni yаrаtish bilаn birgа аyrim muаmmolаrni hаm yuzаgа keltirmoqdа. Eng аsosiy muаmmolаrdаn biri o‘quvchilаrning sun’iy intellekt tizimlаrigа ortiqchа tаyаnib qolishidir. Аgаr o‘quvchilаr bаrchа vаzifаlаrni sun’iy intellekt yordаmidа bаjаrishgа odаtlаnib qolsа, bu ulаrning mustаqil fikrlаsh ko‘nikmаlаrigа sаlbiy tа’sir ko‘rsаtishi mumkin. Bundаn tаshqаri, sun’iy intellekt tomonidаn yаrаtilgаn mа’lumotlаrning аniqligi hаm muhim mаsаlа hisoblаnаdi. Bа’zi holаtlаrdа sun’iy intellekt tizimlаri noto‘g‘ri yoki to‘liq bo‘lmаgаn mа’lumotlаrni tаqdim etishi mumkin. Shu sаbаbli o‘quvchilаr vа o‘qituvchilаr sun’iy intellektdаn foydаlаnishdа tаnqidiy yondаshuvni sаqlаb qolishlаri zаrur. Yаnа bir muhim muаmmo — аkаdemik hаlollik mаsаlаsidir. Sun’iy intellekt yordаmidа tаyyor mаtnlаr yoki topshiriqlаrni yаrаtish imkoniyаti аyrim tаlаbаlаr tomonidаn noto‘g‘ri foydаlаnilishigа sаbаb bo‘lishi mumkin. Bu esа tа’lim sifаtigа sаlbiy tа’sir ko‘rsаtishi ehtimoli mаvjud. Shuningdek, mа’lumotlаr xаvfsizligi vа shаxsiy mа’lumotlаrni himoyа qilish mаsаlаlаri hаm muhim аhаmiyаtgа egа. Tа’lim plаtformаlаridа kаttа hаjmdаgi shаxsiy mа’lumotlаr sаqlаnishi sаbаbli ulаrni himoyа qilish mаsаlаsi dolzаrb hisoblаnаdi. Sun’iy intellektning tа’lim tizimidаgi imkoniyаtlаridаn sаmаrаli 752

foydаlаnish uchun muvozаnаtli yondаshuv zаrur. Sun’iy intellekt аn’аnаviy tа’lim usullаrini to‘liq аlmаshtirmаsligi, bаlki ulаrni to‘ldiruvchi vositа sifаtidа qo‘llаnilishi kerаk. O‘qituvchilаr sun’iy intellekt texnologiyаlаridаn foydаlаnish bo‘yichа yetаrli bilim vа ko‘nikmаlаrgа egа bo‘lishlаri zаrur. Bu esа o‘quv jаrаyonini sаmаrаli tаshkil etishgа yordаm berаdi. Shuningdek, tа’lim muаssаsаlаri sun’iy intellektdаn foydаlаnish bo‘yichа аniq qoidаlаr vа etik me’yorlаrni ishlаb chiqishlаri kerаk. Rаqаmli tа’lim muhitini rivojlаntirishdа mobil xizmаtlаrning аhаmiyаti hаm kаttа. Zаmonаviy mobil ilovаlаr o‘quvchilаrgа tezkor аxborot olish, interаktiv o‘quv mаteriаllаridаn foydаlаnish hаmdа o‘z bilimlаrini mustаhkаmlаsh imkonini berаdi. Xulosа. Sun’iy intellekt va raqamli texnologiyalar zamonaviy ta’lim muhitini rivojlantirishda muhim ahamiyat kasb etmoqda. Ushbu texnologiyalar ta’lim jarayonini yanada samarali tashkil etish, o‘quvchilarning bilim olish imkoniyatlarini kengaytirish hamda ta’lim sifatini oshirishga xizmat qiladi. Sun’iy intellekt asosidagi tizimlar yordamida o‘quvchilarning bilim darajasini tahlil qilish, shaxsiylashtirilgan ta’limni tashkil etish va o‘quv jarayonini optimallashtirish imkoniyati yaratiladi. Shuningdek, mobil xizmatlar va raqamli platformalarning keng qo‘llanilishi ta’lim jarayonining moslashuvchanligini oshirib, talabalar uchun istalgan joyda va istalgan vaqtda bilim olish imkoniyatini yaratadi. Bu esa o‘quvchilarning mustaqil ta’lim olish ko‘nikmalarini rivojlantirishga hamda ularning o‘quv faolligini oshirishga yordam beradi. Biroq sun’iy intellekt va raqamli texnologiyalardan foydalanishda ayrim muammolar ham mavjud. Jumladan, texnologiyalarga ortiqcha tayanish natijasida tanqidiy fikrlash ko‘nikmalarining pasayishi, akademik halollik masalalari hamda ma’lumotlar xavfsizligi bilan bog‘liq muammolar yuzaga kelishi mumkin. Shu sababli ushbu texnologiyalarni ta’lim tizimida muvozanatli va ilmiy asoslangan yondashuv asosida qo‘llash muhim hisoblanadi. Shu nuqtai nazardan, ta’lim muassasalarida sun’iy intellekt va raqamli texnologiyalarni qo‘llash bo‘yicha metodik qo‘llanmalar va aniq me’yoriy hujjatlarni ishlab chiqish, o‘qituvchilar uchun ushbu texnologiyalar bo‘yicha malaka oshirish kurslari va treninglarni tashkil etish muhimdir. Shuningdek, ta’lim jarayonida mobil ilovalar va onlayn ta’lim platformalaridan samarali foydalanishni kengaytirish, talabalarda tanqidiy fikrlash, mustaqil o‘rganish hamda raqamli savodxonlik ko‘nikmalarini rivojlantirishga alohida e’tibor qaratish zarur. Bundan tashqari, sun’iy intellektdan foydalanishda akademik halollik tamoyillariga rioya qilish, plagiatga qarshi tizimlarni joriy etish hamda ta’lim platformalarida ma’lumotlar xavfsizligini ta’minlash muhim vazifalardan biri hisoblanadi. Umuman olganda, sun’iy intellekt va raqamli texnologiyalarni ta’lim tizimiga to‘g‘ri va samarali integratsiya qilish zamonaviy, innovatsion hamda samarali ta’lim muhitini shakllantirishda muhim omil hisoblanadi. Foydаlаnilgаn аdаbiyotlаr: 1. Аxrorjon, Y.L. Tа’lim tizimidа аxborot vositаsining o‘rni. 2. Bаker, J.А. Аrtificiаl intelligence in educаtion: Bringing it аll together. In OECD digitаl educаtion outlook: Pushing the frontiers with АI, blockchаin, аnd robotics. OECD Librаry. 753

3. Bаker, T., Smith, L., & Аnissа, N. Educ-АI-tion rebooted? Exploring the future of аrtificiаl intelligence in schools аnd colleges. Аvаilаble online: https://www.nestа.org.uk/report/educаtion-rebooted/ 4. Brаun, V., & Clаrke, V. Using themаtic аnаlysis in psychology. Quаlitаtive Reseаrch in Psychology. 5. Cаstаnedа, L., & Selwyn, N. More thаn tools? Mаking sense of the ongoing digitizаtion of higher educаtion. Internаtionаl Journаl of Educаtionаl Technology in Higher Educаtion. 6. Chen, X., Xie, H., & Hwаng, G. J. А multi-perspective study on аrtificiаl intelligence in educаtion: Grаnts, conferences, journаls, softwаre tools, institutions, аnd reseаrchers. Computer & Educаtion: Аrtificiаl Intelligence. 7. Dildorа, R., & Muxlisа, P. Mаktаbdа zаmonаviy tа’lim muhitini yаrаtish. 8. Du Boulаy, B. Cаn we leаrn from intelligent tutoring systems. In The internаtionаl conference on intelligent tutoring systems. Springer. 9. Edtech. Successful АI exаmples in higher educаtion thаt cаn inspire our future. EdTech Mаgаzine. Аvаilаble online: https://edtechmаgаzine.com 10. Ezzy, D. Quаlitаtive аnаlysis. Psychology Press. 11. Fаcione, P. А. Criticаl thinking: Whаt it is аnd why it counts. Insight Аssessment. 12. Rаkhimov, M., Yuldаshev, А., & Solidjonov, D. The role of аrtificiаl intelligence in the mаnаgement of e-leаrning plаtforms аnd monitoring knowledge of students. Orientаl renаissаnce: Innovаtive, educаtionаl, nаturаl аnd sociаl sciences. 13. Yuldаshev, А. Development of economic аctivities of enterprises on the bаsis of digitizаtion. Yosh Tаdqiqotchi Jurnаli. 14. Yo‘ldаshev, А., & Solidjonov, D. Yаngi innovаtsion texnologiyаlаr vа ulаrni tа’lim olish muhitidа qo‘llаnishi. Yosh Tаdqiqotchi Jurnаli. RAQAMLI IQTISODIYOTDA IoT TARMQLARI XAVFSIZLIGI VA SUN’IY INTELLEKT TEXNOLOGIYALARINING INTEGRATSIYASI Sodiqov Abduxakim Abduxalilovich, UMFT Raqamli texnologiyalar fakulteti, 1- bosqich Telekommunikatsiya injiniringi mutaxasisligi magistri Annotatsiya. Ushbu maqolada raqamli iqtisodiyot sharoitida narsalar interneti (IoT) qurilmalarining o‘rni va ularning xavfsizligini ta’minlashda sun’iy intellekt algoritmlaridan foydalanish masalalari tahlil qilinadi. IoT tarmoqlarida qo‘llaniladigan zamonaviy xavfsizlik protokollari va kiber-tahdidlarga qarshi kurashishda SI imkoniyatlari ilmiy-nazariy jihatdan yoritilgan. Kalit so‘zlar: Raqamli iqtisodiyot, IoT (Narsalar interneti), Sun’iy intellekt, MQTT, CoAP, Kiberxavfsizlik, Kriptografik protokollar, IDS (Bostirib kirishni aniqlash tizimi). Аннотация. В данной статье анализируется роль устройств Интернета вещей (IoT) в условиях цифровой экономики, а также вопросы использования алгоритмов искусственного интеллекта для обеспечения их безопасности. Научно-теоретически освещены современные протоколы безопасности, применяемые в сетях IoT, и возможности искусственного интеллекта в противодействии киберугрозам. Ключевые слова: Цифровая экономика, IoT (Интернет вещей), Искусственный интеллект, MQTT, CoAP, Кибербезопасность, Криптографические протоколы, IDS (Система обнаружения вторжений). Abstract. This article analyzes the role of Internet of Things (IoT) devices in the context of the digital economy and the use of artificial intelligence algorithms to ensure their security. Modern security protocols applied in IoT networks and the capabilities of artificial intelligence in countering cyber threats are covered from a scientific and theoretical perspective. 754

Keywords: Digital economy, IoT (Internet of Things), Artificial intelligence, MQTT, CoAP, Cybersecurity, Cryptographic protocols, IDS (Intrusion Detection System). Kirish. Raqamli iqtisodiyotning jadal rivojlanishi, ayniqsa so‘nggi yillarda sun’iy intellekt (AI), 5G tarmoqlari va edge computing texnologiyalari bilan birgalikda ishlab chiqarish, logistika, transport, sog‘liqni saqlash va xizmat ko‘rsatish sohalariga IoT (Internet of Things) qurilmalarining ommaviy kirib kelishiga sabab bo‘ldi. Bugungi kunda dunyoda ulangan IoT qurilmalari soni 20 milliarddan oshib ketgan bo‘lib, 2025–2026 yillarda bu ko‘rsatkich 30–35 milliardga yetishi prognoz qilinmoqda. Bu qurilmalar real vaqt rejimida trillionlab ma’lumotlar (sensor ko‘rsatkichlari, joylashuv, harakat, energiya sarfi va boshqalar) almashinuvini ta’minlaydi, natijada butun ekotizimlar yanada samarali, avtomatlashtirilgan va aqlli holga kelmoqda. Masalan, ishlab chiqarishda sanoat IoT (IIoT) orqali mashinalar o‘zaro “suhbatlashib”, nosozliklarni oldindan bashorat qiladi va ishlab chiqarish jarayonini optimallashtiradi; logistika va ta’minot zanjirida esa real vaqtda monitoring va avtomatik marshrutlash amalga oshiriladi. Biroq, bu ulkan ulanish va ma’lumot oqimi bir vaqtning o‘zida katta xavfxatarlarni ham keltirib chiqarmoqda. Trillionlab ma’lumotlar almashinuvi sodir bo‘ladigan ushbu ekotizim kiber-hujumlar uchun eng zaif va jozibador nuqta hisoblanadi. 2. IoT Tarmoqlarida Ma’lumotlar Almashinuvi Protokollari Raqamli iqtisodiyot infratuzilmasida IoT qurilmalarining samarali ishlashi asosan ularning o‘zaro va bulutli platformalar bilan aloqasi orqali ta’minlanadi. Bu aloqa uchun maxsus ishlab chiqilgan eng mashhur va keng qo‘llaniladigan protokollar quyidagilar hisoblanadi: MQTT (Message Queuing Telemetry Transport) — bu eng keng tarqalgan IoT aloqa protokollaridan biri bo‘lib, "nashr qilish/obuna bo‘lish" (publish/subscribe) modeliga asoslangan. MQTT TCP transport qatlami ustida ishlaydi va minimal sarlavha hajmi (faqat 2 bayt) tufayli juda yengil hisoblanadi. U kam quvvat sarflaydigan, past tezlikdagi va beqaror tarmoqlarda (masalan, mobil yoki sun’iy yo‘ldosh aloqasi) a’lo darajada ishlaydi. MQTT’da uchta Quality of Service (QoS) darajasi mavjud: QoS 0 (eng yengil, yetkazib berish kafolati yo‘q), QoS 1 (kamida bir marta yetkazib berish) va QoS 2 (aniq bir marta yetkazib berish). Bu xususiyatlar tufayli MQTT real vaqtda monitoring, aqlli uy tizimlari, sanoat sensorlari va masofaviy telemetriya uchun ideal tanlovdir. 2025–2026 yillarda MQTT hali ham IoT loyihalarining 70–80% da asosiy protokol sifatida qo‘llanilmoqda. CoAP (Constrained Application Protocol) — resurslari cheklangan qurilmalar uchun maxsus optimallashtirilgan protokol bo‘lib, HTTP ga o‘xshash RESTful arxitekturaga ega (GET, POST, PUT, DELETE buyruqlari). CoAP UDP transport qatlami ustida ishlaydi, bu esa TCP ga nisbatan ancha kam overhead (sarlavha hajmi minimal 4 bayt) va past kechikishni ta’minlaydi. CoAP multicast (ko‘p manzilli yuborish) va observation (doimiy kuzatuv) rejimlarini qo‘llabquvvatlaydi, shuning uchun sensor tarmoqlari, smart shahar loyihalari, energiya 755

hisoblagichlari va qisqa masofali M2M aloqalarda afzalroq. CoAP LwM2M (Lightweight M2M) protokoli bilan birgalikda ishlatilganda qurilma boshqaruvi va yangilanishlarni ham osonlashtiradi. 3. IoT Xavfsizligida Sun’iy Intellektning O‘rni IoT tarmoqlarida xavfsizlikni ta’minlashning eng samarali yo‘llaridan biri — bu tarmoq trafikini real vaqt rejimida tahlil qiluvchi sun’iy intellekt (SI) modellaridir. 2025–2026 yillarda IoT ekotizimida trillionlab qurilmalar ulangan holda, an’anaviy statik qoidalar (signature-based detection) endi yetarli emas: zero-day hujumlar, polymorphic malware va AI tomonidan generatsiya qilingan deepfake sensor ma’lumotlari kabi yangi tahdidlar paydo bo‘lmoqda. SI asosidagi yondashuvlar esa proaktiv, moslashuvchan va mashina tezligida ishlaydi, bu esa IoT tarmoqlarini himoya qilishda asosiy o‘rin tutmoqda. A. Kiber-hujumlarni aniqlash (Anomaly Detection): SI algoritmlari tarmoqdagi noodatiy faollikni (anomaliyani) aniqlashda yuqori samaradorlik ko‘rsatmoqda. Masalan, Support Vector Machines (SVM), Random Forest, LSTM yoki Transformer-asosidagi deep learning modellar trafik oqimini doimiy o‘rganib, normal xatti-harakatlar bazasini (baseline) yaratadi. Har qanday chetga chiqish — masalan, bir IoT sensori odatdagidan 10–100 barobar ko‘proq ma’lumot jo‘natishi, g‘ayritabiiy IP manzillardan trafik kelishi yoki sensor qiymatlarida kutilmagan o‘zgarishlar — darhol DDoS, botnet infektsiyasi, man-inthe-middle yoki data exfiltration hujumi sifatida baholanadi. Real vaqtda ishlaydigan bu modellar edge computing va TinyML texnologiyalari bilan birgalikda qo‘llanilganda ayniqsa samarali: modellar to‘g‘ridan-to‘g‘ri qurilma yoki yaqin edge node’da ishlaydi, bu esa kechikishni (latency) millisekundlargacha kamaytiradi va bulutga ma’lumot yuborish zaruriyatini minimallashtiradi (maxfiylikni oshiradi). Tadqiqotlar shuni ko‘rsatadiki: TinyML asosidagi modellar (masalan, GraBoost-AAGT yoki stacking ensemble) IoT qurilmalarida 99.5% gacha aniqlik, 99.8% precision va 99.45% F1score ko‘rsatmoqda, shu bilan birga energiya sarfini an’anaviy ML modellariga nisbatan sezilarli darajada kamaytiradi (hisoblash vaqti 4–5 soniya ichida, CPU yuklanishi past). Temporal Graph Networks + Explainable AI (XAI) kombinatsiyasi real vaqtda 50,000 paketni 1.45 soniyada tahlil qilib, 96.8% aniqlikka erishgan. Edgebased lightweight modellar resurs cheklangan qurilmalarda ham yuqori samaradorlik berib, 2025–2026 yillarda IoT xavfsizligining asosiy trendi bo‘lib qolmoqda. Natijada, agar sensor DDoS hujumiga duch kelsa, SI modeli protokol darajasida (masalan, MQTT yoki CoAP qatlamida) ulanishni avtomatik bloklaydi, trafikni izolyatsiya qiladi yoki qurilmani karantin rejimiga o‘tkazadi — bu esa hujumni bir necha soniya ichida to‘xtatadi. B. Adaptiv autentifikatsiya (Dynamic Risk-based Authentication): 756

An’anaviy statik parollar yoki oddiy ikki faktorli autentifikatsiya (2FA) IoT muhitida samarasiz: millionlab qurilmalar, ko‘pincha parolsiz yoki standart parollar bilan ishlaydi, bu esa zaif nuqta yaratadi. SI bu muammoni hal qilish uchun xatti-harakat biometrikasi (behavioral biometrics) va kontekstual omillarni tahlil qiluvchi dynamic risk-based authentication (RBA) tizimlarini taklif etadi. Bu yerda SI quyidagilarni doimiy kuzatadi va risk ballini (risk score) hisoblaydi: Qurilma signallari: trafik naqshlari, sensor ma’lumotlari o‘zgarishi, joylashuv, vaqt zonasi. Foydalanuvchi xatti-harakati: agar mavjud bo‘lsa — typing rhythm, mouse/touch harakati, qurilma tutish uslubi (gait analysis yoki hold pattern smart home’da). Kontekst: yangi IP, noodatiy vaqt, qurilma turi o‘zgarishi, yaqin atrofdagi boshqa qurilmalar bilan aloqa. Agar risk past bo‘lsa — kirish avtomatik tasdiqlanadi (frictionless). O‘rta riskda — qo‘shimcha tekshiruv (masalan, push notification). Yuqori riskda — qurilma bloklanadi yoki qayta autentifikatsiya talab qilinadi. 2025–2026 yillarda bu yondashuv IoT-da keng tarqalmoqda: Multimodal biometrika (face recognition + gait + behavioral patterns) smart home tizimlarida yuqori aniqlik berib, xavfsizlikni oshiradi. Behavioral biometrics bilan birlashtirilgan RBA tizimlari doimiy autentifikatsiya (continuous authentication) ta’minlaydi: sessiya davomida har qanday chetga chiqish darhol aniqlanadi. TinyML va edge AI bu jarayonni resurs cheklangan qurilmalarda ham amalga oshirish imkonini beradi, ma’lumotlar bulutga yuborilmasdan mahalliy tahlil qilinadi. Xulosa qilib aytganda, SI asosidagi real vaqt anomaly detection va adaptiv autentifikatsiya IoT xavfsizligini yangi bosqichga olib chiqmoqda: reaktivdan proaktivga o‘tish, resurs cheklovlarini yengish va yangi tahdidlarga moslashish. 2026 yilda bu texnologiyalar “table stakes” (majburiy minimal talab) bo‘lib qolmoqda — ularsiz trillionlab qurilmali ekotizimni himoya qilish deyarli imkonsiz. 4. Matematik Model: Xavfsizlik va Samaradorlik Balansi IoT tarmog‘ida xavfsizlik darajasi ($S$) va tizim unumdorligi ($P$) o‘rtasidagi bog‘liqlikni quyidagicha ifodalash mumkin: $$S = \sum_{i=1}^{n} (w_i \cdot A_i) - C_{overhead}$$ Bu yerda: $w_i$ – xavfsizlik algoritmining samaradorlik koeffitsienti; $A_i$ – aniqlangan tahdidlar ulushi; $C_{overhead}$ – xavfsizlik protokoli tufayli yuzaga keladigan hisoblash va energiya xarajatlari. Sun’iy intellektning vazifasi $C_{overhead}$ ni minimallashtirgan holda $S$ ni maksimallashtirishdir. IoT Datchiklari va Sun’iy Intellekt: Amaliy Keyslar 757

Raqamli iqtisodiyotda IoT datchiklaridan olingan ma’lumotlar SI yordamida qayta ishlanganda maksimal foyda beradi. Quyida uchta asosiy yo‘nalish bo‘yicha aniq keyslar keltirilgan: 1-Keys: "Aqlli Qishloq Xo‘jaligi" (Smart Agriculture) • Datchiklar: Tuproq namligi, harorat va NPK (azot, fosfor, kaliy) datchiklari. • SI roli: Datchiklardan kelayotgan ma’lumotlarni tahlil qilib, sug‘orish tizimini avtomatlashtiradi. • Xavfsizlik protokoli: LPWAN (LoRaWAN) protokoli orqali ma’lumotlarni shifrlangan holda uzatish. • Iqtisodiy samaradorlik: Suv sarfi 30% ga kamayadi, hosildorlik 15-20% ga oshadi. 2-Keys: "Aqlli Ishlab Chiqarish" (Industrial IoT - IIoT) • Datchiklar: Tebranish (vibration), akustik va issiqlik datchiklari. • SI roli: "Predictive Maintenance" (Bashoratli texnik xizmat). Uskuna buzilishidan 48 soat oldin SI nosozlikni aniqlaydi. • Xavfsizlik: MQTT protokoli ustiga qurilgan TLS 1.3 shifrlash tizimi. • Iqtisodiy samaradorlik: Kutilmagan to‘xtalishlar xarajatini 45% ga qisqartiradi. 3-Keys: "Aqlli Energetika" (Smart Grid) • Datchiklar: Aqlli hisoblagichlar (Smart Meters), kuchlanish datchiklari. • SI roli: Elektr energiyasi isrofini (noqonuniy ulanishlar yoki texnik nosozliklar) aniqlash. • Xavfsizlik: CoAP protokoli orqali qurilmalarni autentifikatsiya qilish. Statistik Ma’lumotlar va Qiyosiy Tahlil Tezisning ilmiy darajasini oshirish uchun quyidagi statistik jadval va tahlillarni kiriting: 1-jadval IoT qurilmalariga bo‘lgan kiber-hujumlar dinamikasi va SI samaradorligi (2022-2025 yillar prognozi) Yil Global IoT qurilmalar soni (mlrd) Kiber-hujumlar soni (mln) SI yordamida bloklangan hujumlar (%) 2022 14.2 112 65% 2023 16.7 154 78% 2024 19.1 210 89% 2025 (p) 22.0 280 94% 2-jadval IoT xavfsizlik protokollarining qiyosiy xarakteristikasi Protokol nomi Qo‘llanilish sohasi Xavfsizlik darajasi Resurs sarfi (CPU/RAM) MQTT Uy va sanoat avtomatika Yuqori (TLS bilan) O‘rtacha CoAP Cheklangan sensorlar Yuqori (DTLS bilan) Past HTTP/REST Umumiy veb servislar Juda yuqori Juda yuqori LoRaWAN Uzoq masofali aloqa O‘rtacha (AES-128) Minimal IoT Tarmoqlarida SI va Xavfsizlikning O‘zaro Ta'siri (Matematik yondashuv) 758