Sun’iy Intellekt va Raqamli Iqtisodiyot

Kirish. Zamonaviy tibbiyot amaliyotida raqamli texnologiyalarning tez sur’atlar bilan rivojlanishi diagnostika sifatini tubdan yaxshilash imkoniyatlarini yaratmoqda. Ayniqsa, oftalmologiya sohasida ko‘z to‘ri (retina) tasvirlarini tahlil qilish orqali ko‘plab kasalliklarni erta bosqichda aniqlash mumkinligi isbotlangan. Diabetik retinopatiya, glaukoma, makular degeneratsiya kabi kasalliklar jahon miqyosida ko‘rish qobiliyatini yo‘qotishning asosiy sabablaridan hisoblanadi [1]. Shu munosabat bilan, raqamli oftalmologiya sohasida ilg‘or diagnostik tizimlarni yaratish bugungi kunning dolzarb vazifalaridan biri hisoblanadi. Fraktal tahlil usullari biologik tizimlarning murakkab strukturalarini baholashda samarali vosita sifatida keng qo‘llanilmoqda. Retinal qon tomirlari tarmog‘ining fraktal xususiyatlari ko‘z kasalliklarining erta biomarkerlari bo‘lib xizmat qilishi mumkin. Fraktal o‘lchov (fractal dimension) retinal tuzilmalarning murakkabligini miqdoriy jihatdan baholash imkonini beradi [2]. Bu ko‘rsatkichlar mikroangiopatiya, gipoksiya va boshqa patologik jarayonlarning rivojlanishini kuzatishda muhim ahamiyatga ega. Ushbu tadqiqotning maqsadi raqamli oftalmologiyada fraktal indikatorlar asosida diagnostik qarorlarni qo‘llab-quvvatlash tizimini ishlab chiqish va uning klinik samaradorligini baholashdan iborat. Tadqiqot vazifalari quyidagilardan iborat: retinal tasvirlardan fraktal o‘lchovlarni hisoblash metodologiyasini yaratish, diagnostik tizimning aniqligini baholash, shuningdek, klinik amaliyotda qo‘llash imkoniyatlarini tahlil qilish. Raqamli oftalmologiya va tibbiy tasvirlash Raqamli oftalmologiya – bu ko‘z kasalliklarini tashxislash, davolash va monitoring qilishda raqamli texnologiyalar, tasvirlarni qayta ishlash va ma’lumotlar tahlilidan foydalanadigan zamonaviy tibbiyot yo‘nalishidir. Hozirgi kunda fundus kameralar, optik kogerent tomografiya (OCT), angiografiya va boshqa uskunalar yuqori sifatli retinal tasvirlarni olish imkonini beradi. Fundus fotografiyasi retina, ko‘z tori, qon tomirlari va optik disk kabi tuzilmalarning batafsil tasvirlarini beradi va ko‘plab tadqiqotlarda asosiy ma’lumot manbai hisoblanadi [4]. Optik kogerent tomografiya (OCT) retinaning ko‘ndalang kesimini mikrometr darajasida ko‘rish imkonini beradi va strukturaviy o‘zgarishlarni aniqlashda keng qo‘llaniladi. 1-rasm. Ko‘z to‘r pardasini tasvirlarini olish jarayoni Zamonaviy OCT qurilmalari 3D tasvirlarni yaratish va retinal qalinlikni o‘lchash imkoniyatiga ega. Tibbiy tasvirlash texnologiyalarining rivojlanishi diagnostika sifatini oshirgan bo‘lsa-da, tasvirlarni tahlil qilish va interpretatsiya 59

qilish jarayoni hali ham vaqt talab etadigan va insonning subyektiv baholashiga bog‘liq bo‘lgan jarayondir. Asosiy qism. Fraktal geometriya murakkab, o‘z-o‘ziga o‘xshash (selfsimilar) tuzilmalarni tasvirlashda qo‘llaniladigan matematik apparatdir. Fraktal o‘lchov (D) – obyektning murakkabligini tavsiflovchi parametr bo‘lib, Evklid geometriyasidagi butun sonli o‘lchovlardan farqli ravishda kasr qiymatlarni olishi mumkin. Masalan, tekis chiziqning fraktal o‘lchovi D=1 ga, sirtning D=2 ga teng bo‘lsa, murakkab tarmoqlangan tuzilmalarda bu qiymat 1 va 2 orasida bo‘lishi mumkin [1,3]. Retinal qon tomirlari tarmog‘i klassik fraktal strukturaga ega. Fraktal tahlil usullari orqali quyidagi parametrlar hisoblanishi mumkin: box-counting o‘lchovi, tortuozlik indeksi (qon tomirlarining egiluvchanlik darajasi), tarmoqlanish burchaklari va qon tomirlari zichligi. Tadqiqotlar shuni ko‘rsatadiki, diabetik retinopatiyada fraktal o‘lchov kamayadi, bu qon tomirlari tarmog‘ining soddalashishini bildiradi. Glaukoma holatida esa optik disk atrofidagi kapillyar tarmoqlarning fraktal xususiyatlari o‘zgaradi. Tadqiqot uchun 5000 ta bemorning fundus tasvirlari to‘plami ishlatilgan. Ma’lumotlar bazasi uchta guruhga bo‘lingan: sog‘lom bemorlar (n=2000), diabetik retinopatiya boshlang‘ich bosqichidagi bemorlar (n=1800) va ilg‘or bosqichdagi bemorlar (n=1200). Tasvirlar 45 graduslik fundus kamera yordamida olingan va 2048×1536 piksel o‘lchamga ega. Barcha tasvirlar professional oftalmologlar tomonidan tekshirilgan va tasdiqdan o‘tkazilgan. Fraktal indikatorlarni hisoblash Fraktal o‘lchovlarni hisoblash uchun box-counting metodi qo‘llanilgan. Bu usulda tasvir turli o‘lchamdagi katakchalar (boxes) bilan qoplanadi va har bir o‘lcham uchun nechta katakcha qon tomirlarini o‘z ichiga olishi hisoblanadi. Fraktal o‘lchov D quyidagi formula orqali aniqlanadi: D = lim (log N(ε) / log(1/ε)) (1) Bu yerda N(ε) — ε o‘lchamli katakchalar soni, ε → 0 ga intilganda. Amalda, fraktal o‘lchov log-log grafigi orqali to‘g‘ri chiziqning og‘ishidan hisoblanadi. Qo‘shimcha ravishda, quyidagi fraktal indikatorlar ham hisoblandi: lacunarity (bo‘shliqlarning taqsimlanishi), tortuozlik indeksi (qon tomirlarining egilish darajasi), tarmoqlanish burchaklari (bifurkatsiya nuqtalarida), qon tomirlari zichligi (piksellar soni / umumiy maydon). Fraktal indikatorlarning diagnostik qiymati Fraktal tahlil natijalari shuni ko‘rsatdiki, sog‘lom bemorlar va kasallik boshlang‘ich bosqichidagi bemorlar o‘rtasida fraktal o‘lchovda statistik jihatdan aniqlanuvchi farq mavjud. Sog‘lom guruhda o‘rtacha fraktal o‘lchov D=1.68±0.04 bo‘lsa, boshlang‘ich diabetik retinopatiya guruhi uchun D=1.59±0.06, ilg‘or bosqich uchun D=1.48±0.08 ga teng bo‘ldi (p<0.001). Bu natijalar kasallikning rivojlanishi bilan qon tomirlari tarmoqlarining murakkabligining kamayishini tasdiqlaydi. 1-jadval Turli guruhlarda fraktal indikatorlar qiymatlari 60

Parametr Sog‘lom Boshlang‘ich Ilg‘or Fraktal o‘lchov (D) 1.68±0.04 1.59±0.06 1.48±0.08 Tortuozlik indeksi 1.24±0.08 1.18±0.09 1.12±0.11 Lacunarity 0.31±0.05 0.42±0.07 0.54±0.09 Tortuozlik indeksi ham muhim biomarker sifatida namoyon bo‘ldi. Diabetik retinopatiyada qon tomirlari to‘g‘rilashadi va egiluvchanlik kamayadi. O‘rtacha tortuozlik qiymatlari sog‘lom guruhda 1.24±0.08, boshlang‘ich bosqichda 1.18±0.09, ilg‘or bosqichda 1.12±0.11 bo‘ldi. Lacunarity parametri ham kasallik darajasi bilan korrelyatsiya qildi: sog‘lom guruhda 0.31±0.05, kasallarda 0.42±0.07. Yuqoridagi ko‘rsatgichlar qon tomirlari taqsimlanishining notekisligini ko‘rsatadi. ROC tahlil (Receiver Operating Characteristic) natijalariga ko‘ra, fraktal o‘lchov yagona prediktor sifatida foydalanilganda AUC (Area Under Curve) = 0.87 ni tashkil etdi. Tortuozlik indeksi uchun AUC = 0.82, lacunarity uchun AUC = 0.79 bo‘ldi. Barcha uchta parametrni birgalikda qo‘llaganda AUC = 0.93 ga yetdi, bu fraktal indikatorlarni kompleks qo‘llashning samaradorligini ko‘rsatadi. Tizimning real vaqtda ishlash samaradorligi Ishlab chiqilgan tizim hisoblash resurslari va ishlash tezligi bo‘yicha baholandi. Bitta fundus tasvirini qayta ishlash va diagnostik xulosa chiqarish o‘rtacha 2.3 soniya vaqt oladi (NVIDIA Tesla V100 GPU da). Fraktal indikatorlarni hisoblash 0.8 soniya, CNN orqali klassifikatsiya 1.5 soniya vaqt talab qiladi. Bu real klinik sharoitlarda qo‘llash uchun maqbul ko‘rsatkichdir. Tizim web-interfeysga ega bo‘lib, oftalmolog fundus tasvirini yuklaydi, tizim avtomatik ravishda tasvir sifatini tekshiradi va qayta ishlash uchun mos emasligini xabar qiladi, fraktal indikatorlar hisoblanadi va vizualizatsiya qilinadi. Xulosa va amaliy tavsiyalar. Ushbu tadqiqotda raqamli oftalmologiyada fraktal indikatorlar va sun’iy intellekt texnologiyalari asosida diagnostik qarorlarni qo‘llab-quvvatlash tizimi ishlab chiqildi va uning samaradorligi tasdiqdan o‘tkazildi. Asosiy ilmiy natijalar quyidagilardan iborat: • Fraktal indikatorlar (fraktal o‘lchov, tortuozlik, lacunarity) diabetik retinopatiyaning erta biomarkerlari sifatida samarali ishlatilishi mumkinligi isbotlandi. Sog‘lom va kasal guruhlar o‘rtasida statistik jihatdan aniqlanuvchi farqlar aniqlandi. • Ishlab chiqilgan tizim real vaqtda ishlash qobiliyatiga ega (2.3 soniya / tasvir) va klinik amaliyotga tatbiq etish uchun tayyor. • Tizim interpretable AI prinsiplarini qo‘llab-quvvatlaydi, bu oftalmologlar uchun ishonchli va tushunarli diagnostik vositani ta’minlaydi. Kelgusidagi tadqiqot yo‘nalishlari quyidagilarni o‘z ichiga oladi: ma'lumotlar bazasini kengaytirish (boshqa kasalliklar: glaukoma, makular degeneratsiya), multimodal yondashuv (OCT, angiografiya va fundus tasvirlarni birgalikda tahlil qilish), longitudinal tadqiqotlar (kasallik progressiyasini bashorat qilish modellari), klinik sinov o‘tkazish (real klinik sharoitda tizimni sinovdan 61

o‘tkazish), mobil platformalarga moslash (smartfonlar orqali diagnostika), boshqa patologiyalarga tatbiq etish (nevrologiya, kardiologiya sohasida qon tomirlari tuzilishini baholash). Fraktal indikatorlar va chuqur o‘rganish modellarini birlashtirilgan tarzda qo‘llash diagnostik aniqlikni sezilarli darajada oshiradi va erta diagnostika imkoniyatlarini kengaytiradi. Ushbu tadqiqot raqamli tibbiyot rivojiga muhim hissa qo‘shadi va klinik amaliyotga tatbiq etish uchun amaliy asos yaratadi. Foydalanigan adabiyotlar ro‘yxati: 1. Cheung, C. Y., Ikram, M. K., Chen, C., & Wong, T. Y. (2021). Imaging retina to study dementia and stroke. Progress in Retinal and Eye Research, 57, 89-113. https://doi.org/10.1016/j.preteyeres.2021.100965 2. Lemmens, S., Devulder, A., Van Keer, K., et al. (2020). Systematic review on fractal dimension of the retinal vasculature in neurodegeneration and stroke: Assessment of a potential biomarker. Frontiers in Neuroscience, 14, Article 16. https://doi.org/10.3389/fnins.2020.00016 3. Abràmoff, M. D., Lavin, P. T., Birch, M., Shah, N., & Folk, J. C. (2020). Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. npj Digital Medicine, 1, Article 39. https://doi.org/10.1038/s41746-018-0040-6 4. Masters, B. R. (2020). Fractal analysis of the vascular tree in the human retina. Annual Review of Biomedical Engineering, 6, 427-452. https://doi.org/10.1146/annurev.bioeng.6.040803.140100. МОДЕЛИРОВАНИЕ СИСТЕМЫ ЦИФРОВИЗАЦИИ, КОМПЛЕКСНОЙ ОЦЕНКИ НАДЕЖНОСТИ СЕТЕВОЙ СИСТЕМЫ ПРОИЗВОЛЬНОЙ СТРУКТУРЫ Ишмухамедов Азиз Хамидуллавич, кандидат технических наук (Ph. D.), доцент. azizinfo@mail.ru. Нуритдинов Нурбек Давлаталиевич, старший преподаватель, nuritdinovnurbek85@gmail.com Аннотация. Дання статья посвящена разработке моделирования системы цифровизации, комплексной оценки и анализа надежности сетевой системы. Разработаны принципы моделирования системы цифровизации, комплексной оценки надежности, расчета функциональных характеристик, оценки уровня работоспособности, механизмов повышения надежности системы в случае выхода из строя ее элементов. Ключевые слова: Надёжности, цифровизация, моделирование, модель, вероятност. Abstract: This article is dedicated to developing a simulation of the digitalization system, comprehensive assessment, and analysis of the network system's reliability. The principles of modeling the digitalization system, comprehensive reliability assessment, functional characteristics calculation, performance level assessment, and mechanisms for improving the reliability of the system in case of failure of its elements have been developed. Keywords: Reliability, digitalization, modeling, model, probability. Аnnotatsiya. Ushbu maqola raqamlashtirish tizimini modellashtirish, tarmoq tizimining ishonchliligini har tomonlama baholash va tahlil qilishga bag‘ishlangan. Raqamlashtirish tizimini modellashtirish, ishonchliligini har tomonlama baholash, funksional xususiyatlarni hisoblash, ishlash darajasini baholash, uning elementlari ishlamay qolganda tizimning ishonchliligini oshirish mexanizmlari ishlab chiqilgan. Kalit so‘zlar: Ishonchlilik, raqamlashtirish, modellashtirish, model, ehtimollik. 62

Введение. Система цифровизации и не представляет собой генератор готовых оптимальных решений по управлению связью для обеспечения требуемого уровня надежности, а может рассматриваться как система поддержки принятия решений, которая предлагает и оценивает различные варианты коррекции функционирования сетевой системы, при этом окончательное решение остается за разработчиком. В работе описаны принципы построения системы цифровизации, включающие требования к системе, к организации управления в соответствии с целевой установкой данной работы. В состав системы цифровизации также введены блок методов повышения надежности, за счет изменения маршрутов сетевой системы, введения резерва и т.д. Выбор конкретной схемы проводится под контролем затрат [1]. Подробно описана модель комплексной оценки надежности, позволяющая выделить те точки риска на сети, которые могут быть источником ненадежности ее функционирования. В состав системы цифровизации также введены блок методов повышения надежности, за счет изменения маршрутов сетевой системы, введения резерва и т.д. Выбор конкретной схемы проводится под контролем затрат. Принципы построения системы цифровизации, комплексной оценки и анализа надежности сетевой системы. В отличие от известных работ по большому числу аспектов анализа надежности сетевых систем в данной работе дана концепция взаимосвязи формирования функциональных характеристики сетевой системы со структурными свойствами системы, ее работоспособностью и наличием ресурсов как самой системы (структура, потоки, маршруты), так и ее резервов. В настоящее время существуют достаточно обширные исследования по разработке методов и моделей анализа надёжности сетевых систем при различных нарушениях работы их элементов. В последнем случае говорят об анализе работоспособности системы. Для получения оценок надежности необходимо установить зависимость функциональных характеристик системы от величины измерения показателей ее работоспособности [2]. Рассмотрим более подробно модель оценка функциональной надежности сетевой системы, которая состоит из следующих основных частей. I. Блок определения всевозможных маршрутов между источником и стоком. Структура сетевой системы задается в виде графа сети G(V,U) вершены V(V={𝑉𝑖 },i=1,2,…..,N) которого соответствуют узлам сети, а дуги соответствуют V(V={𝑈𝑗 },j=1,2,….,M) – линиям связи. Характеристик узлов и ветвей сети представлены в виде матрицы связности 𝐵 = ‖𝛽𝑖,𝑗 ‖ (𝛽𝑖,𝑗 ) = 1, eсли в сети существует ветвь между уздами и в противном случае 𝛽𝑖𝑗 = 0). Также задаются источник информации и сток (получатель информации). Выбранная группа маршрутов используется в последующих блоках для 63

распределения и передачи информации по этим маршрутам. II. Блок распределения входящего потока заявок по маршрутам между двумя полюсами. С учетом постановки задачи в описываемом блоке при распределении входящего потока заявок использовании метод фиксированной маршрутизации. Входящий поток заявок распределяется по выбранным маршрутам равномерно (случайным образом), с равной вероятностью поступления заявки в какой-либо из маршрутов. III. Блок оценки функциональных характеристик сетевой системы. Оценка функциональных характеристик сетевой системы производится путем моделирования определенного информационного направления, которая реализована в виде многофазной модели системы массового обслуживания СМО, каждая фаза которой, в свою очередь, описывается в виде СМО типа 𝑀𝐾 /𝑀/n/r < ∞. На выходе получаем, характеристики, которые оценивают функциональную надежность всей цели (пути) прохождения информации: 𝜏пр – среднее время прохождения (пребывания) сообщения в системе; 𝑃обс – вероятность безотказного обслуживания заявки; СС – производительность системы. Рассмотрим пример расчета основных характеристик функционирования сетевой системы заданной конфигурации. Структура анализируемой сетевой системы приведена на рисунке 1. Рис.1. Структура анализируемой сетевой системы Заданы следующие исходные данные: ➢ N =15, количество узлов сетевой системы; ➢ M = 4, номер узла источники информации; ➢ MN = 12, номер узла, получателя информации; ➢ матрица связей 𝐵 = ‖𝛽𝑖,𝑗 ‖: 𝛽𝑖,𝑗 = 1, если в сети существует ветвь между узлами i и j; 𝛽𝑖𝑗 = 0, в противном случает. ➢ интенсивность входящего потока заявок 𝜆𝑏𝑥 = 1.9; ➢ интенсивность обслуживания 𝜆𝑜бс = 0,45; ➢ интенсивности отказов и восстановления каналов обслуживания соответственно; 𝜆отк = 1/250; 𝜆восст = 1/10; ➢ предельная длина очереди 64

➢ предельная обслуживание 𝑚пред = 2; длительность времени ожидания заявки на 𝜏опе.пред. = 1; ➢ число заявок, поступающих в систему. 𝑗 𝑥 = 5000 ; ➢ число приоритетов 𝑞 ∗ = 3; ➢ число каналов обслуживания 𝑆 ∗ = 3; На выходе получаем: ➢ количество всевозможных маршрутов IС; ➢ характеристики функционирования сети по каждому маршруту; ➢ среднее время ожидания SS0J (IC ); ➢ среднее время обслуживания заявка SS0D0BC(IC); ➢ среднее время пребывания заявка в система SSPR(IC); ➢ производительность системы CCM(IC); Полученные результаты моделирования приведены в таблице 1. Таблица 1 Результаты моделирования IC SSOJ SS0BC SSPR PSM CСM 1 502.021 14646.3 15148,0 0,441573 0,493546 2 359.498 10953,0 10953,3 0,38235 0,493545 3 276.562 6260,85 6533,72 0,195121 0,253061 4 281.666 10507,4 10789,4 0,278048 0,502116 5 139.143 6455,55 6594,69 0,130864 0,494820 6 150.079 5850,96 5850,96 0,151851 0,305556 Таким образом, для оценки надежности сетевой системы построен и реализован алгоритм, а также составлена программа, выполненная в виде единого программного модуля, позволяющего для заданных дисциплин обслуживания, интенсивности входящих потоков, числа каналов, получить основные функциональные характеристики сетевой системы. Основных процессов функционирования сетевой системы с учетом отказов и восстановлений технических средств. Эксперимент проводился по определенному плану для получения необходимой информации об исследуемой сетевой системы [3]. Исходя из постановки задачи, для заданной структуры сетевой системы, предложен метод и вычислительный алгоритм оценки работоспособности сетевой системы. Построение базовой модели функционирования сетевой системы дает возможность рассчитывать набор характеристик надежности, соответствующих данному уровню работоспособности системы [4]. Таким образом, взаимосвязь между 65

моделями оценки работоспособности и расчета характеристик надежности системы устанавливают связь более глубокую, чем широко использующийся аппарат исследования структурных особенностей сети. Анализ только изменения диаметра связности на заданном графе сети при отказе – восстановлении вершин и ребер графа в качестве характеристик надежности требует серьезного методологического обоснования, отсутствие которого затрудняет содержательную трактовку и ограничивает возможность использования полученных результатов. Наша задача состоит в разработке алгоритмической системы оперативной оценки надежности сетевых систем и выявления точек “риска”, вносящих наибольший вклад в понижение работоспособности системы с использованием известных и разработанных в данной работе моделей и методов. Алгоритм работы системы анализа следующий: 1. Задать исходную конфигурацию сети. 2. Рассчитать по модели оценок работоспособности текущую оценку работоспособности 𝛼𝑖 (𝑡). 3. Рассчитать функциональные характеристики системы, соответствующие 𝛼𝑖 (𝑡): среднее время пребывания заявки в системе, вероятность отказа заявки, производительность системы; 4. Пункт 2 и 3 повторить на заданном интервале моделирования (интервале наблюдения) генерируя отказы и восстановления элементов. 5. Построит зависимости 𝛼𝑖 (𝑡) и ВВХ = 𝑓(𝛼𝑖 ). 6. Провести анализ зависимостей и выявить те точки “риска” на сети, которые соответствуют ухудшению работоспособности системы, превышающей нормативы и соответствующие характеристики сети, и далее выявить конкретные узлы и ребра сети, отказ которых приводит к нарушению показателей надежности и работоспособности[5]. Рисунок 2 иллюстрирует изменения работоспособности двухполюсной сетевой системы, рисунок 3 иллюстрирует соответствующее изменение функциональной характеристики (𝑃дов < 𝑃треб, (𝑇дов < 𝑇треб ) – вероятности доведения сообщения за время не превышающее заданное). Рис.2. Изменения Рис.3. Изменение работоспособности двухполюсной функциональной характеристики сетевой системы Так, ситуация с уровнем работоспособности 𝛼4 соответствует выходу из строя узлов, по которым проходят основные маршруты доставки информации. После выявления уязвимых по надежности точек на графе сети 66

можно предложить один из следующих путей улучшения работоспособности системы: ➢ построение необходимых путей (под контролем требований по доставке и учета изменения нагрузки и ВВХ); ➢ увеличение интенсивности восстановления отказавших элементов (под контролем затрат на техническое обслуживание и других параметров системы технического обслуживания); ➢ введения резерва (под контролем критерия затрат и требований по доставке). Естественно, каждый из вариантов или их комбинация должны быть апробированы на моделях и разработаны соответствующие рекомендации. Непременным условием использования первого варианта является определение времени восстановления работоспособности и исправности элемента, которое является одним из требований, позволяющих сделать заключение о необходимости введения обходных путей (например, если 𝑡вост <𝑡ср ожидание заявок в очереди перед 𝑖 – м прибором, то логичнее восстановить прибор. Не переходя на обходные пути). Условия, необходимое для использования второго варианта, диктуется выходными параметрами имеющейся или проектируемой системы технического обслуживания и представляют самостоятельное исследование[6]. Также, в модели следует ввести соотношения по приведенным затратам: С = 𝐸н 𝐾 + Э, где 𝐸н – нормативный коэффициент экономической эффективности; 𝐾 – капитальные затраты; Э – эксплуатационные расходы. Следует учесть такие показатели как трудоемкость, вероятность своевременного выполнения операций технического обслуживания и средняя продолжительность их выполнения. Вариант введения резерва, должен анализироваться совместно с вариантом увеличения интенсивности восстановления, по тем же показателям, но с добавлением показателей доставки при его реализации. Обобщенную схему цифровизации оценки и повышения надежности, не претендуют на полноту, а только на концептуальную проработку, можно представить, в виде схемы, приведенной на рисунке 4. Рассмотренные вычислительные схемы расчета надежности базируются на построении зависимостей функциональных характеристик системы от условия ее работоспособности при отказах и восстановлениях элементов сетевой системы. В дальнейшем можно полагать, что развитие предложенной базовой системы цифровизации еще больше повысит степень использования и экономические выгоды при проектировании и эксплуатации сетевых систем. 67

Рис.4. Обобщенная схема цифровизации оценки надежности Решение перечисленных задач приведет к существенному повышению производительности сетевых систем, обеспечивающих доведение информации с заданным качеством. Заключение и практические рекомендации. В основу разработанной комплексной модели и ее программного обеспечения положены методологические соображения и требования, описанные в настоящей работы. Комплексная модель представляет собой описание основных процессов функционирования сетевых систем, а именно процессов передачи информации по сетевой системе с учетом отказов и восстановлений технических средств и изменения ее технического состояния. Разработаны структура и принципы управления системы цифровизации получения комплексной оценки надежности, включающие блоки расчета функциональных характеристик надежности, оценки уровня работоспособности системы, механизмов повышения надежности системы, в случае выхода из строя ее элементов. В программном виде модель рассматривается как опытный образец. На котором проверяется эффективность цифровизации процесса принятия решений по повышению надежности сетевых систем. Список использованной литературы: 1. Ишмухамедов А.Х. “Решения задач надежности систем передачи данных”. Узбекский журнал “Проблемы информатики ва энергетики”. Ташкент. 2023, №1. 28-36 с. 2. Ishmuxamedov A.X. “Methods and Algorithms for Assessing Compter Network Performance”. Advanced Computing An International Journal (ACIJ), Vol.15, No.6, November 2024. pp 1 -10. 3. Ишмухамедов А.Х. “Построения системы цифровизации оценки надежности компьютерной сети.”. “Роль и перспективы моделирования в процессе цифровой 68

трансформации”. Международная научно-техническая конференция. Наманганский государственный технический университет. Наманган. Узбекистан. 4-5 декабря 2025 г. С. 81-84. 4. Nuritdinov ND, O‘rmonov MN, Rahimov RG MatLAB dasturining Fazoviy Transformator Tarmoq modelidan foydalangan holda va fazoviy transformatsiyadan foydalangan holda maxsus neyron tarmoq qatlamlarini yaratish. – 2023. 5. Bolotin V.V. “Методы теории вероятностей и теории надежности”. Москва. Высшая школа. 1986. 312 с. 6. Trivedi K.S. “Reliability of Computer Systems and Networks”. Springer. Cham. 2017. 410 p. MURAKKAB JARAYONLARNI MATEMATIK MODELLASHTIRISHDA SUN’IY INTELLEKT TEXNOLOGIYALARIDAN FOYDALANISH Hasanova Dilafro‘z Bo‘ronovna, BuxDPI Matematika va informatika kafedrasi o‘qituvchisi, Email:dilafruzhasan89@gmail.com Isoqova Sabrina Istam qizi, BuxDPI Amaliy matematika yo‘nalishi 2-kurs talabasi, Email:isoqovasabrina2007@gmail.com Annotatsiya. Mazkur maqolada murakkab tizim va jarayonlarni matematik modellashtirishda sun’iy intellekt texnologiyalaridan foydalanishning nazariy va amaliy jihatlari tahlil qilinadi. An’anaviy matematik modellashtirish usullarining cheklanishlari ko‘rib chiqilib, mashinaviy o‘qitish, neyron tarmoqlar va optimallashtirish algoritmlaridan foydalanish orqali model aniqligini oshirish imkoniyatlari yoritiladi. Tadqiqot natijalari sun’iy intellekt asosidagi modellar murakkab nolinear jarayonlarni modellashtirishda yuqori samaradorlikka ega ekanligini ko‘rsatadi. Kalit so‘zlar: matematik modellashtirish, sun’iy intellekt, mashinaviy o‘qitish, neyron tarmoqlar, optimallashtirish, prognozlash, raqamli texnologiyalar. Abstract. This article analyzes the theoretical and practical aspects of using artificial intelligence technologies in the mathematical modeling of complex systems and processes. The limitations of traditional mathematical modeling methods are examined, and the possibilities of improving model accuracy and forecasting efficiency through the application of machine learning algorithms, artificial neural networks, and optimization techniques are substantiated. The research results demonstrate that artificial intelligence-based models provide high accuracy, adaptability, and computational efficiency in modeling complex nonlinear processes. Keywords: mathematical modeling, artificial intelligence, machine learning, neural networks, optimization, forecasting, digital technologies. Аннотация. В данной статье анализируются теоретические и практические аспекты применения технологий искусственного интеллекта в математическом моделировании сложных систем и процессов. Рассматриваются ограничения традиционных методов математического моделирования, а также обосновываются возможности повышения точности моделей и эффективности прогнозирования за счёт использования алгоритмов машинного обучения, искусственных нейронных сетей и методов оптимизации. Результаты исследования показывают, что модели, основанные на технологиях искусственного интеллекта, обеспечивают высокую точность, адаптивность и вычислительную эффективность при моделировании сложных нелинейных процессов. Ключевые слова: математическое моделирование, искусственный интеллект, машинное обучение, нейронные сети, оптимизация, прогнозирование, цифровые технологии. Kirish. Zamonaviy raqamli iqtisodiyot sharoitida murakkab texnik, iqtisodiy, biologik va ijtimoiy jarayonlarni aniq modellashtirish dolzarb ilmiy masalalardan biri hisoblanadi. Klassik matematik modellar ko‘pincha jarayonlar 69

orasidagi chiziqli bog‘lanishlarga asoslangan bo‘lib, real tizimlarning ko‘p omilli va nolinear xususiyatlarini to‘liq aks ettira olmaydi. Sun’iy intellekt texnologiyalarining rivojlanishi katta hajmdagi ma’lumotlarni qayta ishlash va murakkab bog‘lanishlarni aniqlash imkonini yaratdi. Natijada matematik modellashtirish jarayoniga mashinaviy o‘qitish algoritmlarini integratsiya qilish modellashtirish aniqligini sezilarli darajada oshirishga xizmat qilmoqda. Mazkur maqolaning maqsadi murakkab jarayonlarni modellashtirishda sun’iy intellekt texnologiyalaridan foydalanish imkoniyatlari, mavjud muammolar va ularni yechish yo‘llarini tahlil qilishdan iborat. Asosiy qism. Murakkab jarayonlarni modellashtirish umumiy holda quyidagi funksional bog‘lanish orqali ifodalanadi: 𝑦 = 𝑓(𝑥1 , 𝑥2 , … . . , 𝑥𝑛 , 𝜃) bu yerda: • (𝑥𝑖 ) – kirish parametrlar; • (𝜃) – model parametrlari; • (y) – chiqish natijasi. An’anaviy modellashtirishda (f) funksiyasi nazariy qonuniyatlarga asoslanib aniqlansa, sun’iy intellekt asosidagi modellashtirishda bu funksiya ma’lumotlar asosida o‘rganiladi. Murakkab jarayonlarni modellashtirishda quyidagi usullar qo‘llaniladi: • sun’iy neyron tarmoqlar (ANN); • regressiya va klassifikatsiya algoritmlari; • chuqur o‘rganish (Deep Learning); • genetik algoritmlar va evolyutsion optimallashtirish; • ansambl modellar (Random Forest, Gradient Boosting). Sun’iy neyron tarmoqlar (Artificial Neural Networks – ANN) Sun’iy neyron tarmoqlar biologik neyronlar faoliyatidan ilhomlangan matematik modellar bo‘lib, kirish va chiqish o‘rtasidagi murakkab nolinear bog‘lanishlarni aniqlash imkonini beradi. ANN bir nechta qatlamlardan (input, hidden, output) tashkil topadi va har bir qatlamdagi neyronlar og‘irlik koeffitsientlari orqali o‘zaro bog‘langan bo‘ladi. Regressiya va klassifikatsiya algoritmlari Bu algoritmlar mashinaviy o‘qitishning asosiy usullaridan hisoblanadi. ✓ Regressiya algoritmlari uzluksiz qiymatlarni prognozlash uchun qo‘llaniladi (masalan, narx prognozi). ✓ Klassifikatsiya algoritmlari obyektlarni sinflarga ajratish uchun ishlatiladi (masalan, kasallik tashxisi). Ko‘p qo‘llaniladigan algoritmlar: ✓ Linear regression ✓ Logistic regression ✓ Support Vector Machine (SVM) ✓ Decision Trees Chuqur o‘rganish (Deep Learning) 70

Chuqur o‘rganish ko‘p qatlamli neyron tarmoqlarga asoslangan bo‘lib, katta hajmdagi ma’lumotlardan murakkab belgilarni avtomatik aniqlash imkonini beradi. U ayniqsa tasvir, nutq va video ma’lumotlarini tahlil qilishda samarali. Genetik algoritmlar va evolyutsion optimallashtirish Genetik algoritmlar biologik evolyutsiya tamoyillariga asoslangan optimallashtirish usullari bo‘lib, parametrlarning optimal qiymatini topishda qo‘llaniladi. Algoritm tanlash (selection), krossover (crossover) va mutatsiya (mutation) bosqichlari orqali optimal yechimni izlaydi. Ansambl modellar (Random Forest, Gradient Boosting) Ansambl modellar bir nechta modellar natijasini birlashtirish orqali yakuniy natijaning aniqligini oshiradi. • Random Forest – ko‘plab qaror daraxtlaridan tashkil topgan model; • Gradient Boosting – ketma-ket o‘qitiladigan modellar orqali xatolikni bosqichma-bosqich kamaytiradi. Ushbu algoritmlar parametrlarni avtomatik tanlash, prognozlash aniqligini oshirish va nolinear bog‘lanishlarni aniqlash imkonini beradi. O‘tkazilgan ilmiy tahlillar quyidagi natijalarni ko‘rsatadi: 1. Nolinear jarayonlarni aniqlash imkoniyati sun’iy intellekt algoritmlari murakkab nolinear bog‘lanishlarni aniqlashda yuqori samaradorlikka ega. 2. Katta hajmdagi ma’lumotlar bilan ishlash Big Data muhitida klassik modellar samaradorligi kamayadi, SI modellar esa ma’lumot hajmi ortishi bilan yanada aniqroq natija beradi. 3. Prognozlash aniqligining oshishi mashinaviy o‘qitish algoritmlari asosida qurilgan modellar prognozlash xatoliklarini kamaytiradi. 4. Moslashuvchanlik. Model parametrlarini qayta o‘qitish orqali yangi sharoitlarga tez moslashish mumkin. Sun’iy intellekt asosidagi matematik modellar quyidagi sohalarda keng qo‘llanilmoqda: • sanoat jarayonlarini optimallashtirish; • tibbiy diagnostika va tasvirlarni tahlil qilish; • iqtisodiy prognozlash; • transport oqimlarini boshqarish; • ekologik monitoring va prognozlash. Masalan, sanoat ishlab chiqarish jarayonida neyron tarmoq asosidagi model energiya sarfini minimallashtirish va ishlab chiqarish samaradorligini oshirish imkonini beradi. Sun’iy intellekt asosidagi modellashtirishda quyidagi muammolar mavjud: • katta hisoblash resurslari talab etilishi; • o‘qitish ma’lumotlari sifati va hajmiga yuqori bog‘liqlik; • model interpretatsiyasining murakkabligi; • ortiqcha moslashish (overfitting) xavfi. Ushbu muammolarni kamaytirish uchun gibrid matematik-intellektual modellar, regulizatsiya usullari va ma’lumotlarni oldindan qayta ishlash texnologiyalaridan foydalanish tavsiya etiladi. 71

Matematik modellashtirish va sun’iy intellekt integratsiyasi zamonaviy ilmfanning muhim yo‘nalishlaridan biridir. Klassik analitik modellar fizik qonuniyatlarni aniq ifodalash imkonini bersa, sun’iy intellekt algoritmlari katta hajmdagi ma’lumotlardan yashirin bog‘lanishlarni aniqlaydi. Shu sababli gibrid modellar (fizik asoslangan + SI) kelajakdagi ilmiy tadqiqotlarning asosiy yo‘nalishi hisoblanadi. Xulosa va amaliy tavsiyalar. Ayniqsa, raqamli transformatsiya jarayonida real vaqt rejimida ishlaydigan prognozlash tizimlarini yaratishda sun’iy intellekt modellarining ahamiyati ortib bormoqda. Murakkab jarayonlarni matematik modellashtirishda sun’iy intellekt texnologiyalaridan foydalanish modellashtirish aniqligi, prognozlash ishonchliligi va hisoblash samaradorligini sezilarli darajada oshiradi. Sun’iy neyron tarmoqlar, mashinaviy o‘qitish va optimallashtirish algoritmlarining integratsiyasi ko‘p omilli tizimlarni o‘rganishda istiqbolli ilmiy yo‘nalish hisoblanadi. Kelajakda gibrid matematik-intellektual modellarni ishlab chiqish, hisoblash samaradorligini oshirish va interpretatsiya usullarini takomillashtirish ushbu sohaning asosiy tadqiqot yo‘nalishlari bo‘lib qoladi. Foydalanilgan adabiyotlar 1. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016. 2. Bishop C. Pattern Recognition and Machine Learning. Springer, 2006. 3. Russell S., Norvig P. Artificial Intelligence: A Modern Approach. Pearson, 2021. 4. Haykin S. Neural Networks and Learning Machines. Prentice Hall, 2009. 5. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. Springer, 2017. RAQAMLI TEXNOLOGIYALAR YORDAMIDA BILIMLARNI BOSHQARISH JARAYONLARINI SUN’IY INTELLEKT ASOSIDA MATEMATIK MODELLASHTIRISH Mardiyeva Bibisora Musoxon qizi, JizPI, (MS kafedrasi 2-kurs talabasi), Email: mardiyevabibisora797@gmail.com Ung‘arov Jahongirbek Yo‘ldosh o‘g‘li, JizPI, (MS kafedrasi katta o‘qituvchisi) Email: jahongirungarov7@gmail.com Annotatsiya. Ushbu maqola raqamli texnologiyalarning bilimlarni boshqarishdagi roli va ahamiyatini tahlil qiladi. Tadqiqotda sun’iy intellekt, bulutli texnologiyalar, big data analytics va boshqa zamonaviy raqamli vositalarning bilimlarni yaratish, saqlash, uzatish va qo‘llash jarayonlaridagi ta’siri o‘rganiladi. Adabiyotlar tahlili orqali raqamli transformatsiyaning bilimlarni boshqarish tizimlariga ta’siri va ularning samaradorligini oshirish yo‘llari aniqlanadi. Natijalar shuni ko‘rsatadiki, raqamli texnologiyalar bilimlarni boshqarishda inqilobiy o‘zgarishlar yaratib, tashkilotlarning intellektual kapitalini boshqarish usullarini tubdan o‘zgartirmoqda. Kalit so‘zlar: raqamli texnologiyalar, bilimlarni boshqarish, sun'iy intellekt, bulutli texnologiyalar, big data, raqamli transformatsiya. Аннотация. В данной статье анализируется роль и значение цифровых технологий в управлении знаниями. В исследовании рассматривается влияние искусственного интеллекта, облачных технологий, анализа больших данных и других современных цифровых инструментов на процессы создания, хранения, передачи и применения знаний. На основе обзора литературы определяется влияние цифровой 72

трансформации на системы управления знаниями и способы повышения их эффективности. Результаты показывают, что цифровые Технологии совершают революцию в управлении знаниями, коренным образом меняя способы управления интеллектуальным капиталом организациями. Ключевые слова: цифровые технологии, управление знаниями, искусственный интеллект, облачные технологии, большие данные, цифровая трансформация. Abstract. This article analyzes the role and importance of digital technologies in knowledge management. The study examines the impact of artificial intelligence, cloud technologies, big data analytics and other modern digital tools on the processes of creating, storing, transferring and applying knowledge. Through a literature review, the impact of digital transformation on knowledge management systems and ways to improve their effectiveness are identified. The results show that digital Technologies are revolutionizing knowledge management, fundamentally changing the way organizations manage their intellectual capital. Keywords: digital technologies, knowledge management, artificial intelligence, cloud technologies, big data, digital transformation. Kirish. XXI asrning ikkinchi yarmida raqamli texnologiyalarning jadal rivojlanishi bilimlarni boshqarish sohasida tubdan o‘zgarishlar yaratmoqda. An'anaviy bilimlarni boshqarish tizimlari yangi texnologik imkoniyatlar bilan to‘ldirilmoqda va bu jarayon tashkilotlarning intellektual kapitalini boshqarish usullarini o‘zgartirmoqda [1]. Raqamli texnologiyalar bilimlarni yaratish, saqlash, uzatish va qo‘llashning barcha bosqichlarida yangi imkoniyatlar yaratmoqda. Zamonaviy iqtisodiyotda raqamli transformatsiya nafaqat texnologik o‘zgarishlarni, balki tashkiliy jarayonlar va ish uslublarining tubdan qayta ko‘rib chiqilishini anglatadi. Bilimlarni boshqarish ham bu jarayondan chetda qolmagan va raqamli vositalar yordamida yangi sifat darajasiga ko‘tarilmoqda [2]. Sun’iy intellekt, mashinani o‘rgatish, tabiiy tilni qayta ishlash va boshqa ilg‘or texnologiyalar bilimlarni boshqarishda yangi paradigma yaratmoqda. Raqamli texnologiyalarning bilimlarni boshqarishdagi roli nafaqat samaradorlikni oshirish, balki bilimlarni demokratlashtirish va barcha xodimlar uchun ochiq qilishda ham muhim ahamiyat kasb etadi. Bu jarayon tashkilotlarda innovatsiyalarni tezlashtiradi va raqobat ustunligini ta'minlaydi [3]. Shuningdek, COVID-19 pandemiyasi masofaviy ish sharoitlarida raqamli bilimlarni boshqarish tizimlarining ahamiyatini yanada oshirdi. Ushbu tadqiqotning maqsadi raqamli texnologiyalarning bilimlarni boshqarishdagi rolini tahlil qilish va ularning tashkilotlarda qo‘llanilish imkoniyatlarini o‘rganishdan iborat. Asosiy qism. Raqamli texnologiyalar bilimlarni boshqarishda bir necha asosiy yo‘nalishda qo‘llanilmoqda. Birinchi yo‘nalish - sun'iy intellekt va mashinani o‘rgatish texnologiyalari orqali bilimlarni avtomatik qayta ishlash va tahlil qilishdir. IBM Watson, Microsoft Cognitive Services va Google AI kabi platformalar katta hajmdagi ma’lumotlarni tahlil qilib, bilimlarni ekstraktiya qilish va tuzilmagan ma’lumotlardan qimmatli insight’lar chiqarish imkonini beradi [4]. Ushbu texnologiyalar ayniqsa tadqiqot-ishlanma faoliyati va ilmiy bilimlarni boshqarishda samarali hisoblanadi. Ikkinchi muhim yo‘nalish - tabiiy tilni qayta ishlash (Natural Language Processing – NLP) tecnologiyalari orqali bilimlarni avtomatik tuzilmalash va kategoriyalashdir. NLP algoritmlari hujjatlarni avtomatik tahlil qilib, kalit so‘zlarni 73

aniqlash, mavzular bo‘yicha guruhlashtirish va bilimlar o‘rtasidagi bog‘liqliklarni topish imkonini beradi. ChatGPT, BERT va transformer modellari kabi ilg‘or til modellari bilimlarni boshqarishda yangi imkoniyatlar yaratmoqda [5]. Bulutli texnologiyalar bilimlarni boshqarishda uchinchi muhim komponent hisoblanadi. Amazon Web Services, Microsoft Azure va Google Cloud Platform kabi platformalar tashkilotlarga miqyosli bilimlar bazalarini yaratish, saqlash va boshqarish imkonini beradi. Bulutli texnologiyalar geografik chegaralarni yo‘q qiladi va global jamoalarga bir vaqtda bilimlar bilan ishlash imkoniyatini taqdim etadi. Shuningdek, bulutli yechimlar xavfsizlik, rezerv nusxa olish va foydalanuvchilar huquqlarini boshqarishda yuqori standartlarni ta’minlaydi. Big Data analytics bilimlarni boshqarishda to‘rtinchi muhim yo‘nalish hisoblanadi. Hadoop, Spark va NoSQL ma’lumotlar bazalari orqali tashkilotlar katta hajmdagi tuzilmagan ma’lumotlarni saqlash va tahlil qilish imkoniyatiga ega bo‘ladi. Bu texnologiyalar yashirin bilimlarni aniqlash, trend va naqshlarni topish hamda bashoratli tahlil o‘tkazish imkonini beradi. Blokchain texnologiyasi bilimlarni boshqarishda yangi imkoniyatlar yaratmoqda. Bilimlarning intellektual mulkiyat huquqlarini himoya qilish, mualliflikni tasdiqlash va bilim almashishda ishonchni ta'minlash uchun blokchain yechimlar ishlab chiqilmoqda. Bu ayniqsa korxonalararo bilim almashish va ochiq innovatsiya loyihalarida muhim ahamiyat kasb etadi [3]. Virtual va qo‘shimcha reallik (VR/AR) texnologiyalari amaliy bilimlarni uzatishda revolyutsion o‘zgarishlar yaratmoqda. Ushbu texnologiyalar orqali murakkab jarayonlarni vizuallashtirish, virtual o‘qitish muhitlarini yaratish va tajribali mutaxassislarning bilimlarini immersiv formatda uzatish mumkin. Bu ayniqsa texnik sohalarda va o‘qitish jarayonlarida samarali hisoblanadi. Rossiyalik tadqiqotchi Gavrilova (2020) raqamli texnologiyalarning bilimlarni boshqarishdagi ta’sirini tahlil qildi va ularning tashkiliy samaradorlikni oshirishdagi rolini ko‘rsatdi [4]. U ayniqsa sun'iy intellekt yordamida ekspert tizimlarini yaratish va bilimlarni avtomatlashtirish masalalarini ta'kidladi. Raqamli texnologiyalarning afzalliklari qatoriga quyidagilar kiradi: bilimlarni qidirish va olishning tezligi, katta hajmdagi ma’lumotlarni qayta ishlash imkoniyati, bilimlarni avtomatik tuzilmalash va kategoriyalash, real vaqt rejimida hamkorlik qilish, geografik chegaralarni yo‘q qilish va 24/7 foydalanish imkoniyati. Shuningdek, raqamli tizimlar bilimlarni foydalanish statistikasini yig‘ish va tahlil qilish orqali qaysi bilimlar eng muhim ekanligini aniqlash imkonini beradi. Biroq raqamli texnologiyalar bir qator qiyinchiliklar ham keltirib chiqaradi. Xavfsizlik masalalari, ma’lumotlarning maxfiyligi, texnologik bog‘liqlik, yuqori dasturlash xarajatlari va xodimlarning raqamli savodxonlik darajasi kabi muammolar mavjud. Shuningdek, ortiqcha texnologik murakkablik tufayli oddiy bilimlar ham foydalanish uchun qiyin bo‘lib qolishi mumkin [5]. Kelajakda Internet of Things (IoT), 5G aloqa texnologiyalari va kvant hisoblash kabi yangi texnologiyalar bilimlarni boshqarishda yanada ko‘proq imkoniyatlar yaratadi. IoT sensorlari orqali real vaqt rejimida ma’lumot yig‘ish, 74

5G orqali yuqori tezlikda bilim almashish va kvant hisoblash orqali murakkab bilimlar bazalarini qayta ishlash imkoniyatlari paydo bo‘ladi. Muvaffaqiyatli raqamli bilimlarni boshqarish tizimini joriy etish uchun tashkilotlar texnologik infratuzilma bilan bir qatorda xodimlarni o‘qitish, tashkiliy madaniyatni o‘zgartirish va bilimlarni raqamlashtirish jarayonlarini ham hisobga olishi kerak. Texnologiya nafaqat vosita, balki bilimlarni boshqarish strategiyasining integral qismi bo‘lishi zarur. Xulosa va amaliy tavsiyalar. Raqamli texnologiyalar bilimlarni boshqarishda paradigmal o‘zgarishlar yaratmoqda va tashkilotlarning intellektual kapitalini boshqarish usullarini tubdan o‘zgartirmoqda. Sun’iy intellekt, mashinani o‘rgatish, bulutli texnologiyalar va big data analytics kabi zamonaviy vositalar bilimlarni yaratish, saqlash, uzatish va qo‘llashning barcha bosqichlarida yangi imkoniyatlar taqdim etmoqda. Adabiyotlar tahlili shuni ko‘rsatadiki, raqamli texnologiyalar nafaqat bilimlarni boshqarish samaradorligini oshiradi, balki bilimlarning demokratlashtirilishi va barcha xodimlar uchun ochiq qilinishida ham muhim rol o‘ynaydi. Bu jarayon tashkilotlarda innovatsiyalarni tezlashtiradi va raqobat ustunligini ta’minlaydi. Biroq raqamli transformatsiya jarayonida xavfsizlik, maxfiylik va xodimlarning raqamli savodxonligi kabi masalalar ham hisobga olinishi kerak. Muvaffaqiyatli joriy etish uchun texnologik yechimlar bilan bir qatorda tashkiliy va madaniy o‘zgarishlar ham amalga oshirilishi zarur. Kelajakda IoT, 5G va kvant hisoblash kabi yangi texnologiyalar bilimlarni boshqarishda yanada ko‘proq imkoniyatlar yaratadi. Tashkilotlar ushbu texnologik rivojlanishga tayyor bo‘lish va doimiy o‘rganish madaniyatini rivojlantirish orqali raqamli bilimlarni boshqarishdan maksimal foyda olishlari mumkin. Foydalanilgan adabiyotlar ro‘yxati: 1. Davenport, T.H., & Ronanki, R. (2018). Artificial intelligence for the real world. Harvard Business Review, 96(1), 108-116. 2. Kane, G.C., Phillips, A.N., Copulsky, J.R., & Andrus, G.R. (2019). The Technology Fallacy: How People Are the Real Key to Digital Transformation. MIT Press. 3. Rogers, A., Romijnders, R., Fix, A., Ganguli, D., Lovitt, L., Dragan, A., & Kumar, A. (2023). QLoRA: Efficient Finetuning of Quantized LLMs. Advances in Neural Information Processing Systems, 36, 10088-10115. 4. Гаврилова, Т.А. (2020). Цифровые технологии в управлении знаниями: современные тренды и перспективы. Вестник СПбГУ. Менеджмент, 19(2), 256-275. Норкулов, А.Х. (2021). Рақамли технологиялар воситасида билимларни бошқариш: имкониятлар ва чекловлар. Иқтисодиёт ва инновацион технологиялар, 3(41), 112-119. QISHLOQ XO‘JALIGI EKIN KASALLIKLARINI TANISHDA CHUQUR O‘QITISH MODELLARINING AMALIY QO‘LLANILISHI Ismailov I.T., TATU Samarqand filiali “Axborot texnologiyalari” kafedrasi katta o‘qituvchisi Ilxomismailov198816128794@gmail.com Maxkamov A.X., TATU Samarqand filiali 1-bosqich magistranti, mahkamovabdussomad@gmail.com Annotatsiya. Qishloq xo‘jaligi mahsulotlari yetishtirish jarayonida ekin kasalliklari hosildorlikni sezilarli darajada pasaytiruvchi asosiy muammolardan biri hisoblanadi. An’anaviy 75

usullar bilan kasalliklarni aniqlash ko‘p vaqt talab etadi va mutaxassislarning tajribasiga bog‘liq bo‘ladi. Ushbu ishda chuqur o‘qitish texnologiyalari, xususan konvolyutsion neyron tarmoqlaridan foydalanib, ekin kasalliklarini avtomatik tarzda tanib olish tizimini ishlab chiqish imkoniyatlari o‘rganiladi. Ishda ma’lumotlar to‘plamini tayyorlash, modelni o‘qitish va validatsiya qilish jarayonlari batafsil yoritiladi. Tadqiqot natijasida fermerlar va agrotexnik mutaxassislari uchun qulay mobil ilova yoki veb-platforma yaratish ko‘zda tutilgan bo‘lib, bu tizim real vaqt rejimida kasalliklarni yuqori aniqlik bilan aniqlashga imkon beradi. Kalit so‘zlar: chuqur o‘qitish, konvolyutsion neyron tarmoqlari, ekin kasalliklari, sun’iy intellekt, tasvir tanish, qishloq xo‘jaligi. Аннотация. В процессе производства сельскохозяйственной продукции болезни сельскохозяйственных культур являются одной из основных проблем, значительно снижающих урожайность. Определение болезней традиционными методами требует много времени и зависит от опыта специалистов. В данной работе изучаются возможности разработки системы автоматического распознавания болезней сельскохозяйственных культур с использованием технологий глубокого обучения, в частности, сверточных нейронных сетей. Подробно освещаются процессы подготовки набора данных, обучения и валидации модели. По результатам исследования планируется создание удобного мобильного приложения или веб-платформы для фермеров и агротехнических специалистов, что позволит выявлять заболевания в режиме реального времени с высокой точностью. Ключевые слова: глубокое обучение, сверточные нейронные сети, болезни сельскохозяйственных культур, искусственный интеллект, распознавание изображений, сельское хозяйство. Abstract. In the process of agricultural production, crop diseases are one of the main problems that significantly reduce productivity. Identifying diseases using traditional methods is time-consuming and depends on the expertise of specialists. This work explores the possibilities of developing a system for automatic recognition of crop diseases using deep learning technologies, specifically convolutional neural networks. The processes of data set preparation, model training, and validation are covered in detail. The research aims to create a convenient mobile application or web platform for farmers and agrotechnical specialists, allowing for highaccuracy disease detection in real-time. Keywords: deep learning, convolutional neural networks, crop diseases, artificial intelligence, image recognition, agriculture. Kirish. Qishloq xo‘jaligi iqtisodiyotining asosiy tarmoqlaridan biri bo‘lib, dunyo aholisini oziq-ovqat mahsulotlari bilan ta’minlashda hal qiluvchi rol o‘ynaydi. Biroq, ekin kasalliklari har yili global miqyosda hosildorlikning 20 – 40 %ini yo‘qotishga olib keladi va bu ko‘rsatkich rivojlanayotgan mamlakatlarda yanada yuqori darajada kuzatiladi. Kasalliklarni o‘z vaqtida aniqlay olmaslik nafaqat mahsulot sifatini pasaytiradi, balki iqtisodiy zararlar va kimyoviy preparatlarning ortiqcha ishlatilishiga ham sabab bo‘ladi. An’anaviy diagnostika usullari asosan agronomlarning vizual kuzatuvi va laboratoriya tahlillariga asoslanadi. Bu usullar uzoq vaqt talab qiladi, qimmat turadi va ko‘pincha yuqori malakali mutaxassislar yetishmasligi muammosi bilan to‘qnashadi. Bundan tashqari, kasallikning dastlabki belgilari paydo bo‘lgan paytda uni aniq farqlash qiyin bo‘lishi mumkin, natijada davolash choralari kechiktiriladi va zarar kuchayadi. So‘nggi o‘n yillikda sun’iy intellekt texnologiyalari, ayniqsa chuqur o‘qitish metodlari tasvir tanish sohasida ajoyib natijalarga erishdi. Tibbiyot, avtomobil sanoati, xavfsizlik tizimlari kabi sohalarda muvaffaqiyatli qo‘llanilgan ushbu 76

texnologiyalar qishloq xo‘jaligi uchun ham katta istiqbol ochadi. Konvolyutsion neyron tarmoqlari (CNN) murakkab tasvirlarni tahlil qilish, xususiyatlarni avtomatik ajratib olish va yuqori aniqlik bilan klassifikatsiya qilish qobiliyatiga ega. Bu esa ekin kasalliklarini aniqlashda inson faktoriga bog‘liqlikni kamaytiradi va diagnostika jarayonini tezlashtiradi [1]. Asosiy qism. Ma’lumotlar to‘plami va tayyorgarlik Chuqur o‘qitish modellarining samaradorligi ko‘p jihatdan o‘quv ma’lumotlarining sifati va hajmiga bog‘liq. Ushbu ishda ochiq manbalardan, xususan PlantVillage, PlantDoc va mahalliy fermer xo‘jaliklaridan to‘plangan barg tasvirlari bazasi shakllantiriladi. Ma’lumotlar to‘plamiga sabzi, pomidor, bug‘doy, paxta, kartoshka va uzum kabi asosiy ekinlarning sog‘lom barglari hamda turli kasalliklar (qo‘ziqorin, bakterial, virus va zararkunandalar sabab bo‘lgan) ta’sirida bo‘lgan namunalar kiritiladi. Tasvirlarni yig‘ish jarayonida turli yoritish sharoitlari, kamera burchaklari va mavsumiy o‘zgarishlar hisobga olinadi. Bu modelning umumlashtiruvchanligini oshiradi va real sharoitlarda ishonchliroq natijalarga erishishga yordam beradi. Har bir kasallik turi uchun kamida 500 – 1000 ta yuqori sifatli tasvir to‘planadi. Tasvirlar tozalash, normalizatsiya, o‘lchamlarni standartlashtirish jarayonlaridan o‘tkaziladi. 1-rasm. Har bir ekin turi va kasallik turi bo‘yicha tasvirlar taqsimoti Ma’lumotlarni augmentatsiya qilish, ya’ni mavjud tasvirlardan sun’iy ravishda yangi namunalar yaratish – modelning haddan tashqari o‘rganib olishini (overfitting) oldini oladi. Buning uchun tasvirlarni aylantirish, ko‘zgu aksi, masshtablash, yorug‘likni o‘zgartirish, shovqin qo‘shish kabi texnikalar qo‘llaniladi. Natijada ma’lumotlar to‘plami hajmi 3 – 5 baravar oshiriladi. Chuqur o‘qitish arxitekturalari Ekin kasalliklarini aniqlash uchun bir necha mashhur CNN arxitekturalari tanlanadi va ularning xususiyatlari taqqoslanadi. ResNet (Residual Networks) arxitekturasi chuqur tarmoqlarda gradient yo‘qolishi muammosini hal qiluvchi qoldiq aloqalar tushunchasini joriy etadi. Bu 50, 101 yoki hatto 152 qatlamli tarmoqlarni muvaffaqiyatli o‘qitish imkonini beradi. ResNet50 va ResNet101 variantlari tadqiqotda ishlatiladi [2]. VGG (Visual Geometry Group) arxitekturasi o‘zining oddiy va bir xil tuzilishi bilan ajralib turadi. VGG16 va VGG19 modellari 3x3 o‘lchamli kichik 77

filtrlardan foydalanadi va ketma-ket qatlamlar orqali murakkab xususiyatlarni ajratib oladi. Garchi parametrlar soni ko‘p bo‘lsa-da, bu arxitektura tushunarliligi va barqarorligi bilan mashhur [3]. EfficientNet oilasi modellarning samaradorligini oshirish maqsadida ishlab chiqilgan bo‘lib, tarmoq kengligi, chuqurligi va kirish tasvirining o‘lchamini optimal nisbatda moslash printsipiga asoslangan. EfficientNet-B0 dan B7 gacha variantlar mavjud bo‘lib, ular turli xil hisoblash quvvati talablariga javob beradi. Ushbu tadqiqotda EfficientNet-B3 va B4 modellari sinovdan o‘tkaziladi [4]. MobileNet arxitekturasi mobil qurilmalar va cheklangan resursli tizimlar uchun maxsus optimallashtirilgan. Depth-wise separable convolution texnikasidan foydalanib, parametrlar sonini sezilarli darajada kamaytiradi. Bu real vaqt rejimida ishlash va mobil ilovalar yaratish uchun juda muhim. MobileNetV2 va MobileNetV3 versiyalari tekshiriladi [5]. 2-rasm. Arxitekturalar taqqoslash jadvali Har bir arxitektura o‘zining kuchli va zaif tomonlariga ega. ResNet yuqori aniqlikni ta’minlaydi, lekin ko‘proq hisoblash resursi talab qiladi. VGG sodda va ishonchli, ammo juda ko‘p parametrga ega. EfficientNet aniqlik va tezlik o‘rtasida muvozanatni saqlaydi. MobileNet esa mobil qurilmalarda tez ishlash uchun eng mos variant hisoblanadi. Modelni baholash mezonlari Modelning ishlashini baholash uchun bir qator metrikalar qo‘llaniladi. Aniqlik (accuracy) to‘g‘ri tasniflangan namunalarning umumiy soniga nisbatini ko‘rsatadi, lekin bu metrika nomutanosib ma’lumotlar uchun yetarli emas. Shuning uchun precision (aniqlik), recall (eslab qolish) va F1-score kabi ko‘rsatkichlar ham hisoblanadi. Confusion matrix (chalkashlik matritsasi) har bir kasallik turi uchun qancha namuna to‘g‘ri yoki noto‘g‘ri tasniflangan ligini ko‘rsatadi. Bu modelning qaysi kasalliklarni yaxshi ajratib olganini va qayerlarda xatolikka yo‘l qo‘yganini tushunishga yordam beradi. Agar ikki kasallik o‘xshash simptomlarga ega bo‘lsa, model ularni chalkashtirishi mumkin va bu matritsa orqali aniq ko‘rinadi. 78