Sun’iy Intellekt va Raqamli Iqtisodiyot

Foydalanuvchi so‘rovlarini tushunish va javoblar generatsiya qilish uchun zamonaviy ko‘p modalli til modeli bulutli API orqali ishlatiladi. Model xususiyatlari: • 1 million token kontekst oynasi • 100+ til qo‘llab-quvvatlash • 0.7-1.2 soniya API kechikishi • 1,500 so‘rov/daqiqa rate limiting So‘rov jarayoni: STT dan matn olish → Tizim ko‘rsatmalari bilan API so‘rovi → Javob generatsiya (temperature: 0.7, max tokens: 150) → Javobni tekshirish → TTS uchun tayyorlash. Gibrid arxitektura: lokal va bulutli taqsimlash. Tizimning asosiy xususiyati - komponentlarni strategik joylashtirish. STT va TTS lokal serverda, LLM bulutda joylashtirilgan. Lokal komponentlar (STT + TTS) afzalliklari: ➢ Maxfiylik (audio ma’lumotlar serverdan chiqib ketmaydi) ➢ Nol tarmoq kechikishi ➢ Oflayn va barqaror ishlashi ➢ API xarajatlari yo‘q Resurs talablari: STT: 4GB RAM, 2.5GB xotira; TTS: 2GB RAM, 500MB xotira; CPU: 4+ yadrolar. Real vaqt pipeline: WebSocket (0ms) → STT/LOKAL (0.6s) → LLM/BULUT (0.8s) → TTS/LOKAL (0.4s) → Audio chiqish. Jami: 1.8 soniya. Xulosa. Ushbu maqolada sun’iy intellekt texnologiyalarining ikki muhim qo‘llanish sohasi tahlil qilindi. Ovozli yordamchi qismida o‘zbek tili uchun gibrid arxitektura asosida 94,2 % STT aniqligi, 1.8 soniya jarayon davomiyligi va 50+ bir vaqtli foydalanuvchiga xizmat ko‘rsatish imkoniyati namoyish etildi. OCR qismida bojxona hujjatlarini qayta ishlash tezligini 50 %dan ortiqqa oshirish, xatoliklarni 95 %+ aniqlikkacha kamaytirish va to‘liq avtomatlashtirishning amaliy yo‘llari ko‘rsatildi. Gibrid yondashuv (STT va TTS lokal, LLM bulutda) maxfiylik, tezlik va AI imkoniyatlari o‘rtasida optimal muvozanatni ta’minlaydi. OCR texnologiyasi esa hujjatli nazoratni tezlashtirish, xatoliklarni kamaytirish va xavflarni boshqarish tizimi samaradorligini oshirishda muhim vosita hisoblanadi. O‘zbekiston Respublikasida raqamli transformatsiya kontekstida ushbu texnologiyalar davlat xizmatlari, bojxona organlari, ta’lim, sog‘liqni saqlash va boshqa sohalarda o‘zbek tilida samarali inson-mashina muloqotini ta’minlash hamda hujjat aylanmasini optimallashtirish uchun keng qo‘llanilishi mumkin. Bu milliy iqtisodiyotning barqaror rivojlanishi, xalqaro savdo hajmining o‘sishi va O‘zbekistonning jahon iqtisodiyotiga integratsiyalashuviga katta hissa qo‘shadi. Foydalanilgan adabiyotlar: 1.https://www.icustoms.ai/blogs/a-guide-to-intelligent-document-automationprocesses 2. https://legislacao.presidencia.gov.br/atos/?tipo=DEC&numero=10550&ano= 202 0&ato=03fITSq1UMZpWT666 119

3. https://mag.wcoomd.org/magazine/wco-news-96/recent-changes-in-china-rul esof-origin/ 4. O‘zbekiston Respublikasi Prezidentining 2025-yil 25-martdagi “Davlat bojxona xizmati organlarining faoliyati samaradorligini oshirish bo‘yicha chora-tadbirlar to‘g‘risida”gi 57-son farmoni. 5. Mozilla Foundation. (2023). “Common Voice Dataset”. 6. Radford, A., et al. (2022). “Robust Speech Recognition via Large-Scale Weak Supervision”. 7. Team, G., et al. (2023). “Gemini: A Family of Highly Capable Multimodal Models”. 120

O‘ZBEKISTON BOJXONA ORGANLARIDA SUN’IY INTELLEKT TEXNOLOGIYALARINI QO‘LLASH: JORIY HOLAT, XORIJIY TAJRIBALAR VA RIVOJLANISH ISTIQBOLLARI Shuxratov Shoxijaxonbek Bojxona instituti 4-kurs kursanti, e-mail: shuxratovshoxijaxonbek@gmail.com Ergashev Qobiljon, “Bojxona nazorati” kafedrasi katta o‘qituvchisi, e-mail: qobiljon881023@mail.ru Annotatsiya. Ushbu maqola O‘zbekiston Respublikasida bojxona sohasida sun’iy intellekt (SI) texnologiyalarini joriy etish bo‘yicha amalga oshirilayotgan keng qamrovli islohotlar, xorijiy ilg‘or tajribalar va kelajakdagi rivojlanish istiqbollarini chuqur tahlil qilishga bag‘ishlangan. Tadqiqot davomida Braziliya va Xitoy Xalq Respublikasining bojxona tizimlarida OCR (Optik Belgilarni Tanib Olish), NLP (Tabiiy Tilni Qayta Ishlash) va mashinali o‘qitish texnologiyalarini qo‘llash bo‘yicha erishilgan sezilarli yutuqlar tahlil qilingan. Maqola yakunida mamlakatimiz bojxona tizimini yanada modernizatsiya qilish va xalqaro standartlarga muvofiqlashtirish bo‘yicha amaliy tavsiyalar taqdim etilgan. Kalit so‘zlar: sun’iy intellekt, bojxona xizmati, OCR texnologiyasi, xavflarni boshqarish, raqamlashtirish, Braziliya tajribasi, Xitoy tajribasi, superkompyuter, kadrlar tayyorlash, bojxona rasmiylashtiruvi. Аннотация. Настоящaя статья посвящена углубленному анализу всеобъемлющих реформ по внедрению технологий искусственного интеллекта (ИИ) в таможенной сфере Республики Узбекистан, передового зарубежного опыта и перспектив будущего развития. В ходе исследования проанализированы значительные достижения в применении технологий OCR (оптического распознавания символов), NLP (обработки естественного языка) и машинного обучения в таможенных системах Бразилии и Китайской Народной Республики. В заключении статьи представлены практические рекомендации по дальнейшей модернизации таможенной системы страны и приведению ее в соответствие с международными стандартами. Ключевые слова: искусственный интеллект, таможенная служба, технология OCR, управление рисками, цифровизация, опыт Бразилии, опыт Китая, суперкомпьютер, подготовка кадров, таможенное оформление. Abstract. This article is dedicated to an in-depth analysis of comprehensive reforms on the implementation of Artificial Intelligence (AI) technologies in the customs sector of the Republic of Uzbekistan, advanced foreign experience, and future development prospects. The research analyzes significant achievements in the application of OCR (Optical Character Recognition), NLP (Natural Language Processing), and machine learning technologies in the customs systems of Brazil and the People’s Republic of China. The article concludes with practical recommendations for further modernization of the country’s customs system and its alignment with international standards. Keywords: artificial intelligence, customs service, OCR technology, risk management, digitalization, Brazil experience, China experience, supercomputer, personnel training, customs clearance. Kirish. XXI asr global iqtisodiyotda texnologik inqilob davri sifatida tarixga kirib bormoqda. Bu davrning eng muhim belgilaridan biri sun’iy intellekt (AI) texnologiyalarining barcha hayot sohalariga, jumladan, davlat boshqaruvi va xalqaro savdo sohasiga chuqur kirib borishidir. Jahon Bojxona Tashkiloti (WCO) va yetakchi davlatlarning bojxona organlari hujjatlarni avtomatik tahlil qilish, 121

xavflarni bashorat qilish, tovarlarni intellektual tasniflash va rasmiylashtiruv jarayonlarini tezlashtirish uchun sun’iy intellekt, mashinali o‘qitish (Machine Learning) va tabiiy tilni qayta ishlash (NLP) texnologiyalarini faol joriy etmoqda. Bu o‘zgarishlar nafaqat bojxona nazoratining samaradorligini oshirish, balki xalqaro savdo oqimlarini tezlashtirish va korrupsion xavflarni minimallashtirish imkonini beradi. O‘zbekiston Respublikasida so‘nggi yillarda iqtisodiyotni liberallashtirish va modernizatsiya qilish bo‘yicha muhim qonun hujjatlar qabul qilinmoqda. Prezidentimiz Shavkat Mirziyoyevning “Yangi O‘zbekiston” strategiyasi doirasida bojxona tizimini isloh qilish va raqamlashtirish ustuvor yo‘nalishlardan biri etib belgilandi. 2024-yil 14-oktabrda qabul qilingan “Sun’iy intellekt texnologiyalarini 2030-yilga qadar rivojlantirish strategiyasini tasdiqlash to‘g‘risida”gi 358-sonli Prezident qarori mamlakatimizda sun’iy intellektni rivojlantirish bo‘yicha kompleks yondashuv shakllantirdi. Ushbu qarorga muvofiq, bojxona va soliq sohalarida yashirin iqtisodiyot ulushini kamaytirish, shubhali bojxona operatsiyalarini prognozlash va xavflarni boshqarish sun’iy intellekt texnologiyalarini joriy etish bo‘yicha ustuvor yo‘nalishlar sifatida belgilandi.[1] 2025-yil 25-martdagi 57-son farmon bilan bojxona tizimida sun’iy intellekt texnologiyalarini keng joriy etish va 2030-yilga qadar xavfni boshqarish tizimi samaradorligini 2 barobarga oshirish vazifasi qo‘yildi. Bu farmon bojxona sohasida sun’iy intellektni qo‘llashning aniq yo‘l xaritasini belgilab berdi va bojxona xizmatlarini xalqaro standartlarga muvofiqlashtirish jarayonini tezlashtirdi. Farmonning ijrosi doirasida 86 ta loyiha ishlab chiqildi va ularni amalga oshirish uchun 50 million dollar mablag‘ ajratildi. Bu summa 2026-yilda 100 million dollargacha oshirilishi rejalashtirilmoqda.[2] Mazkur tadqiqot O‘zbekiston Respublikasida bojxona sohasida sun’iy intellekt texnologiyalarini qo‘llash bo‘yicha amalga oshirilayotgan islohotlarni chuqur tahlil qilish, xorijiy ilg‘or tajribalarni o‘rganish hamda mamlakatimiz bojxona tizimini yanada rivojlantirish bo‘yicha amaliy tavsiyalar ishlab chiqishni maqsad qilgan. Maqolada Braziliya va Xitoy Xalq Respublikasining bojxona organlarida sun’iy intellekt texnologiyalarini joriy etish bo‘yicha erishilgan yutuqlar batafsil tahlil qilingan va O‘zbekiston uchun o‘zlashtirilishi mumkin bo‘lgan amaliyotlar belgilangan. O‘zbekistonda sun’iy intellekt strategiyasi va bojxona sohasidagi islohotlar Sun’iy intellekt strategiyasi va huquqiy asos O‘zbekiston Respublikasi sun’iy intellekt texnologiyalarini rivojlantirish bo‘yicha davlat darajasida sistemali yondashuvni amalga oshirmoqda. 2024-yil 14-oktabrda qabul qilingan 358-sonli Prezident qarori bilan tasdiqlangan strategiya 2030-yilgacha bo‘lgan davr uchun aniq yo‘nalishlar va vazifalarni belgilab berdi. Ushbu strategiya mamlakatimizning raqamli transformatsiyasini tezlashtirish va iqtisodiyot sohasida innovatsion yechimlarni keng joriy etishni ko‘zda tutadi. Strategiyaga muvofiq, bojxona organlariga taqdim etilayotgan qog‘oz ko‘rinishidagi ma’lumotlarni sun’iy intellekt elementlarini qo‘llagan holda elektron 122

ko‘rinishga o‘tkazish va tahlil qilish 2027-yilning may oyiga qadar amalga oshirilishi kutilmoqda. Bu vazifa nafaqat texnologik jihatdan murakkab, balki tashkiliy va huquqiy jihatdan ham katta tayyorgarlikni talab etadi. Bojxona kodeksiga qo‘shimcha o‘zgartirishlar kiritilmoqda, elektron hujjatlar aylanmasi to‘liq qonuniy asos bilan ta’minlanmoqda. 2025-yil 25-martdagi 57-son farmon bojxona tizimida sun’iy intellekt texnologiyalarini keng joriy etish va 2030-yilga qadar xavfni boshqarish tizimi samaradorligini 2 barobarga oshirish vazifasini belgilab berdi. Bu maqsadga erishish uchun bojxona organlari quyidagi yo‘nalishlar bo‘yicha faoliyat olib bormoqda: • hujjatlarni avtomatik tahlil qilish tizimlarini joriy etish (OCR va NLP texnologiyalari asosida); • xavflarni bashorat qilish va shubhali operatsiyalarni aniqlash uchun sun’iy intellekt asosidagi risk-boshqaruv tizimlarini rivojlantirish; • tovarlarni avtomatik tasniflash va bojxona qiymatini baholash tizimlarini yaratish; • bojxona ma’lumotlar bazasini kengaytirish va “katta ma’lumotlar” (Big Data) platformasini rivojlantirish; • xalqaro bojxona tashkilotlari bilan ma’lumotlar almashinuvini avtomatlashtirish. O‘zbekistonning xalqaro reytinglardagi o‘rni 2024-yilda O‘zbekiston hukumatning sun’iy intellektga tayyorlik global reytingida (Government AI Readiness Index) 17 pog‘ona yuqorilab, 70-o‘rinni egallagan va Markaziy Osiyo bo‘yicha yetakchi o‘rinni qo‘lga kiritgan. Bu yutuq mamlakatimizda amalga oshirilayotgan keng qamrovli islohotlar va sun’iy intellektni rivojlantirish bo‘yicha strategik yondashuvning samaradorligini ko‘rsatadi. Ushbu reytingda O‘rta Osiyo davlatlari orasida O‘zbekiston yetakchi pozitsiyani egallagan bo‘lib, bu mintaqadagi raqamli transformatsiya jarayonlarida mamlakatimizning oldinga siljishini tasdiqlaydi. Bu yutuqlar ortida sistemali davlat siyosati, aniq yo‘l xaritasi va katta mablag‘larni sun’iy intellekt infratuzilmasiga yo‘naltirish turadi. 2024–2025-yillarda sun’iy intellekt loyihalariga jami 50 million dollar ajratildi, 2026-yilda esa bu mablag‘ 100 million dollargacha oshirilishi rejalashtirilgan. Bundan tashqari, Raqamli texnologiyalar vazirligi huzurida “Raqamli texnologiyalar va sun’iy intellektni rivojlantirish ilmiy-tadqiqot instituti” tashkil etildi va Ochiq ma’lumotlar portali (data.egov.uz) ishga tushirildi. Bojxona sohasida amalga oshirilayotgan loyihalar Hozirgi kunda bojxona organlari sun’iy intellekt orqali xavfni boshqarish tizimini yo‘lga qo‘ygan. Bu tizim bojxona deklaratsiyalarini avtomatik tahlil qilish, yuqori xavfli yuklar va shubhali operatsiyalarni aniqlash, soxta hujjatlarni fosh etish kabi vazifalarni bajaradi. Tizim mashinali o‘qitish algoritmlariga tayangan holda, o‘tmishdagi tajribalar va ma’lumotlar bazasidan foydalanib, xavf darajasini baholaydi va tegishli choralarni ko‘rishni tavsiya etadi. 123

2026-yilda bojxona-soliq, sog‘liqni saqlash, energetika, transport va qishloq xo‘jaligi sohalarida 100 ta yangi sun’iy intellekt loyihasi amalga oshirilishi rejalashtirilgan. Bojxona sohasida amalga oshirilayotgan asosiy loyihalar quyidagilarni o‘z ichiga oladi: 1. OCR (Optik Belgilarni Tanib Olish) tizimini joriy etish. Bu tizim qog‘oz ko‘rinishidagi hujjatlardan ma’lumotlarni avtomatik ravishda ajratib olish va elektron ko‘rinishga o‘tkazish imkonini beradi. Tizim invoys, konosament, sertifikat va boshqa bojxona hujjatlarini 95 %dan yuqori aniqlik bilan o‘qiy oladi. 2. NLP (Tabiiy Tilni Qayta Ishlash) texnologiyasini qo‘llash. Bu texnologiya hujjatlardagi matnlarni tahlil qilish, tovar tavsiflarini avtomatik tasniflash va turli tillardagi hujjatlarni bir-biriga moslashtirish imkonini beradi. 3. Intellektual xavfni boshqarish tizimini rivojlantirish. Bu tizim o‘tmishdagi ma’lumotlar, global savdo tendensiyalari va boshqa omillarni tahlil qilib, yuqori xavfli yuklar va shubhali operatsiyalarni aniqlay oladi. 4. Bojxona qiymatini baholash tizimini avtomatlashtirish. Sun’iy intellekt asosida yaratilgan tizim tovarlaning xalqaro narxlarini taqqoslash, soxta baholash holatlari aniqlash va to‘g‘ri bojxona qiymatini belgilash imkonini beradi. 5. Post-clearance audit (bojxonadan o‘tkazilgandan keyingi audit) jarayonini intellektuallashtirish. Bu tizim kompaniyalarning savdo tarixini tahlil qilish, nomuvofiqliklarni aniqlash va bojxona to‘lovlarini tekshirish jarayonlarini avtomatlashtiradi. Xorijiy davlatlar tajribasini tahlil qilish Braziliya tajribasi Braziliya mamlakati o‘zining bojxona organida sun’iy intellekt texnologiyalarini qo‘llash bo‘yicha 2024-yil 24-noyabrda prezident farmonini qabul qilgan va bojxona hujjatlarini tekshirish uchun avtomatlashtirilgan tizimlar va sun’iy intellekt algoritmlarini ishlab chiqishni milliy bojxona modernizatsiyasi dasturining ustuvor yo‘nalishi sifatida belgilab o‘tgan. Ushbu strategik qaror Braziliyaning bojxona tizimini tubdan o‘zgartirdi va xalqaro savdo oqimlarini sezilarli darajada tezlashtirdi.[3] Braziliyada joriy etilgan sun’iy intellekt tizimlari quyidagi asosiy komponentlardan iborat: • OCR texnologiyasi yordamida bojxona hujjatlarini avtomatik o‘qish va ma’lumotlarni elektron tizimga kiritish; • Mashinali o‘qitish (Machine Learning) algoritmlari orqali xavfli yuklar va shubhali operatsiyalarni aniqlash; • Katta ma’lumotlar (Big Data) tahlili yordamida global savdo tendensiyalarini kuzatish va bojxona qoidabuzarliklarini prognoz qilish; • Blockchain texnologiyasi asosida bojxona hujjatlarining haqiqiyligini ta’minlash. Ushbu o‘zgarishlar orqali Braziliya bojxona tizimi quyidagi ko‘rsatkichlarga erishdi: • Bojxona rasmiylashtiruvi uchun sarflanadigan vaqt 60 %ga qisqartirildi. Avval o‘rtacha 8-10 soat davom etgan jarayon hozir 3-4 soatga tushdi; 124

• Korrupsiya va qonunbuzarlik holatlari 25 %ga kamaydi. Avtomatlashtirilgan tizim inson omiliga bog‘liq qarorlar qabul qilish holatlarini minimallashtirdi; • Savdo hajmi yiliga 7–9 %ga oshdi. Bojxona jarayonlarining tezlashishi va soddalashishi xalqaro savdo faoliyatini rag‘batlantirdi; • Hujjatlar bilan ishlashdagi xatolar 80 %ga kamaydi. OCR texnologiyasi inson xatolarini deyarli to‘liq bartaraf etdi; • Bojxona byudjetiga tushum 15 %ga oshdi. Qoidabuzarliklarni samarali aniqlash va to‘g‘ri soliqlarni undirish tizimga qo‘shimcha daromadlar olib keldi. Xitoy Xalq Respublikasi tajribasi Xitoy mamlakati bojxona tizimida 2020-yil dekabrdan boshlab “Intelligent Examination” (Intellektual Tekshiruv) texnologiyasini qo‘llagan. Bu tizim dunyoda eng ilg‘or bojxona avtomatlashtirish tizimlaridan biri hisoblanadi va to‘liq sun’iy intellekt asosida ishlaydi. Mazkur tizim bojxona organlariga taqdim etiladigan tovar to‘g‘risidagi barcha hujjatlarni 100 % avtomatlashtirilgan holda tekshirish uchun AI algoritmlardan foydalanadi.[4] Xitoyning “Smart Customs” (Aqlli Bojxona) strategiyasi doirasida quyidagi texnologiyalar joriy etildi: • OCR texnologiyasi orqali bojxona hujjatlaridan ma’lumotlarni avtomatik ravishda ajratib olish va tahlil qilish. Tizim 50 dan ortiq turdagi bojxona hujjatlarini taniy oladi va ulardan zarur ma'lumotlarni 99,5 % aniqlik bilan ajratadi; • Chuqur o‘rganish (Deep Learning) algoritmlari yordamida tovarlarning rasmlarini tahlil qilish va deklaratsiyaga muvofiqligini tekshirish. Bu tizim skanerdan o‘tgan yuklarning rasmlarini tahlil qilib, deklaratsiyada ko‘rsatilgan ma’lumotlar bilan solishtiradi; • Tabiiy tilni qayta ishlash (NLP) yordamida turli tillardagi hujjatlarni avtomatik tarjima qilish va tahlil qilish; • Blockchain texnologiyasi asosida hujjatlarning haqiqiyligini ta’minlash va soxtalashtirishni oldini olish; • Internet of Things (IoT) texnologiyalari yordamida yuklar harakatini real vaqt rejimida kuzatish. Xitoyda erishilgan natijalar: • Yuk tekshiruvi uchun sarflanadigan vaqt avvalgi 18.5 daqiqadan 8.8 daqiqaga (52,4 %ga) qisqarildi; • Hujjatli tekshiruv vaqti o‘rtacha 67 %ga qisqartirildi. Ba’zi sodda holatlarda bu vaqt bir necha soniyagacha tushdi; • OCR avtomatlashtiruvi bojxonada hujjatlar bilan ishlash vaqtini 70 %gacha qisqartirildi; • Xavfli yuklar va qonunbuzarliklarni aniqlash samaradorligi 40 %ga oshdi; • Bojxona byudjetiga yiliga qo‘shimcha 8 milliard dollar tushum ta’minlandi; • Ma’lumotlarni kiritishdagi xatolar 95 %ga kamaydi. O‘zbekistonda sun’iy intellekt infratuzilmasini rivojlantirish Hisoblash quvvatlari va texnik baza 125

Sun’iy intellekt loyihalarini amalga oshirish uchun yuqori hisoblash quvvatlariga ega bo‘lish zarurdir. O‘zbekiston hukumati bu masalaga katta e’tibor qaratmoqda. 2025-yilda 16 ta superkompyuter sotib olish uchun 50 million dollar ajratildi va 2026-yilda bu mablag‘ 100 million dollargacha oshiriladi. Bu superkompyuterlar murakkab sun’iy intellekt algoritmlarini ishlab chiqish, katta hajmdagi ma’lumotlarni qayta ishlash va mashinali o‘qitish jarayonlarini tezlashtirish uchun ishlatiladi. AQShning Nvidia kompaniyasi bilan hamkorlikda superkompyuter klasterini ishga tushirish loyihasi amalga oshirilmoqda. Nvidia kompaniyasi sun’iy intellekt sohasida dunyo yetakchi ishlab chiqaruvchilaridan biri bo‘lib, uning GPU (grafik ishlov berish bloklari) texnologiyalari eng zamonaviy sun’iy intellekt tizimlarida qo‘llanilmoqda. Toshkent shahridagi Inha universiteti uchun grafik ishlov berish bloklari (GPU) o‘rnatish ishlari olib borilmoqda, bu universitet mamlakatimizda sun’iy intellekt bo‘yicha tadqiqotlar markaziga aylanishi kutilmoqda. Bundan tashqari, 2025-yilda Buxoro, Farg‘ona va Toshkent viloyatlarida “bulutli” ma’lumotlar markazi ishga tushirilishi rejalashtirilgan. Bu markazlar mintaqadagi davlat muassasalari, tadqiqot institutlari va biznes strukturalari uchun sun’iy intellekt xizmatlarini taqdim etadi. Bulutli ma’lumotlar markazlari yordamida barcha hududlarda sun’iy intellekt texnologiyalariga teng kirish imkoniyati ta’minlanadi. Kadrlar tayyorlash va ta’lim tizimi Sun’iy intellekt texnologiyalarini samarali qo‘llash uchun yuqori malakali kadrlar tayyorlash zarur. O‘zbekiston hukumati bu yo‘nalishda ham keng qamrovli dasturlarni amalga oshirmoqda. “Bir million sun’iy intellekt yetakchilari” dasturi ishga tushirildi va aistudy.uz hamda omp.aistudy.uz platformalarida besh ta bepul onlayn o‘quv dasturi yo‘lga qo‘yilgan. Bu dastur doirasida 2027-yilgacha 1 million nafar yosh sun’iy intellekt sohasidagi bilim va ko‘nikmalarga ega bo‘lishi kutilmoqda. Bu raqam O‘zbekiston aholisining taxminan 3% ini tashkil etadi va bu ko‘rsatkich global miqyosda yuqori hisoblanadi. Dastur quyidagi yo‘nalishlarga e’tibor qaratmoqda: • Sun’iy intellekt asoslari (Machine Learning, Deep Learning); • Ma’lumotlar tahlili va vizualizatsiya; • Tabiiy tilni qayta ishlash (NLP); • Kompyuter ko‘rishi (Computer Vision); • Sun’iy intellektda axloq va xavfsizlik masalalari. Barcha hududlarda “Sun’iy intellekt xakatoni” tashkil etiladi. Xakaton - bu dasturchilar va mutaxassislar uchun tanlangan muammolarni hal etish bo‘yicha musobaqa bo‘lib, ishtirokchilar bir necha kun davomida sun’iy intellekt yechimlarini ishlab chiqadilar. Eng yaxshi loyihalar davlat tomonidan qo‘llabquvvatlanadi va amaliyotga joriy etiladi. 100 nafar yuqori malakali mutaxassis AQSh, Yevropa, Singapur va Yaponiyaga olti oylik kurslarga yuboriladi. Ushbu mutaxassislar qaytib kelgandan so‘ng mamlakatimizda sun’iy intellekt sohasidagi bilimlarini tarqatadilar va O‘zbekistonda yangi loyihalar ishlab chiqadilar. Barcha vazirlik va hokimliklarda 126

sun’iy intellektni rivojlantirish bilan shug‘ullanadigan alohida bo‘linma tashkil qilish topshirildi va shahar hamda tumanlarda hokimlarning raqamlashtirish va sun’iy intellekt bo‘yicha maslahatchisi lavozimi kiritiladi. O‘zbekiston va xorijiy davlatlar tajribasini qiyosiy tahlil qilish O‘zbekiston, Braziliya va Xitoyning bojxona tizimlarida sun’iy intellekt texnologiyalarini qo‘llash tajribasini qiyosiy tahlil qilish quyidagi xulosalarni beradi: Mezonlar Xitoy XR Braziliya 1. Strategiya qabul qilingan yil 2020-yil dekabr 2020-yil noyabr 2. OCR texnologiyasi 99,5% aniqlik, 50+ hujjat turi 95 % aniqlik, asosiy hujjatlar 3. Hujjatlar tekshiruv vaqti 67 %ga qisqardi 60 %ga qisqardi 4. Korrupsiya kamayishi Ma’lumot mavjud emas 25 %ga kamaydi 5. Savdo hajmi o‘sishi Ma’lumot mavjud emas 7–9 %ga oshdi O‘zbekiston uchun ushbu tajribalardan quyidagilarni o‘rganish muhimdir: 6. Xitoyning yondashuvi – to‘liq avtomatlashtirish va yuqori texnologiyalarni joriy etish. Bu yondashuv katta mablag‘lar talab etadi, lekin uzoq muddatda eng yuqori natija beradi. 7. Braziliyaning yondashuvi - bosqichma-bosqich joriy etish va real natijalarni o‘lchash. Bu yondashuv kamroq xavfli va O‘zbekiston uchun maqbulroq bo‘lishi mumkin. 8. Ikkala davlat ham kadrlar tayyorlashga katta e’tibor bergan va bu omil muvaffaqiyatning asosiy kaliti hisoblanadi. 9. Xalqaro hamkorlik va texnologiya transferi muhim rol o‘ynaydi. O‘zbekiston bojxona tizimini yanada rivojlantirish bo‘yicha takliflar Yuqorida keltirilgan tahlillar va xorijiy tajribalarni o‘rganish asosida, O‘zbekiston bojxona tizimini yanada modernizatsiya qilish va sun’iy intellekt texnologiyalarini samarali joriy etish uchun quyidagi takliflar ishlab chiqildi: Qisqa muddatli takliflar (2026–2027- yillar) 10. Bojxona organlarida OCR va NLP texnologiyalarini qo‘llab hujjatlarni avtomatik tahlil qilish tizimini to‘liq joriy etish va 2027-yilga qadar qog‘oz hujjatlardan elektron tizimga o‘tishni yakunlash. Bu jarayon pilot loyihalar orqali boshlangan bo‘lib, ularni kengaytirish va barcha bojxona punktlariga tarqatish zarur. 11. Braziliya va Xitoy tajribasidan kelib chiqqan holda, bojxona xizmatida xavflarni bashorat qilish va shubhali operatsiyalarni aniqlash uchun sun’iy intellekt asosidagi risk-boshqaruv tizimlarini rivojlantirish. Bu tizim o‘tmishdagi ma’lumotlar, global tendensiyalar va boshqa omillarni tahlil qilib, yuqori xavfli yuklar va operatsiyalarni avtomatik aniqlaydi; 12. Bojxona xodimlarini sun’iy intellekt texnologiyalari bilan ishlash bo‘yicha qayta tayyorlash va malakasini oshirish dasturlarini kengaytirish. Har bir bojxona xizmatchisi sun’iy intellekt tizimlarining asosiy prinsiplari va ulardan foydalanish usullari bilan tanishtirilishi kerak; 127

13. Xalqaro bojxona tashkilotlari (WCO) va yetakchi texnologiya kompaniyalari (Microsoft, IBM, Nvidia) bilan hamkorlikni mustahkamlash hamda sun’iy intellekt sohasida tajriba almashinuvini faollashtirish. Xorijiy ekspertlarni jalb qilish va ularning maslahatlari asosida O‘zbekiston uchun eng maqbul texnologik yechimlarni tanlash; 14. Bojxona ma’lumotlar bazasini kengaytirish va sun’iy intellekt modellarini o‘qitish uchun “katta ma’lumotlar” (Big Data) platformasini rivojlantirish. Ma’lumotlar bazasi qanchalik keng va sifatli bo‘lsa, sun’iy intellekt tizimlari shunchalik aniq ishlaydi. O‘rta muddatli takliflar (2027–2029- yillar) 15. Bojxona qiymatini avtomatik baholash tizimini joriy etish. Bu tizim sun’iy intellekt algoritmlari yordamida tovarlaring xalqaro narxlarini taqqoslash, soxta baholash holatlari aniqlash va to‘g‘ri bojxona qiymatini belgilaydi; 16. Post-clearance audit (bojxonadan o‘tkazilgandan keyingi audit) jarayonini to‘liq intellektuallashtirish. Bu tizim kompaniyalarning savdo tarixini avtomatik tahlil qilish, nomuvofiqliklarni aniqlash va bojxona to‘lovlarini tekshirish jarayonlarini avtomatlashtiradi; 17. Blockchain texnologiyasini bojxona hujjatlarining haqiqiyligini ta’minlash uchun joriy etish. Bu texnologiya hujjatlarni soxtalashtirish imkoniyatini deyarli nolga tushiradi; 18. Mintaqadavlat ma’lumotlar almashinuv tizimini yaratish. O‘zbekiston, Qozog‘iston, Tojikiston va boshqa qo‘shni davlatlar bojxonalari o‘rtasida ma’lumotlarni avtomatik almashish tizimi yaratish transhegaraviy savdoni osonlashtiradi; 19. Mobil ilovalar orqali bojxona xizmatlarini taqdim etishni kengaytirish. Savdogarlar smartfonlari orqali deklaratsiyalarni yuborish, to‘lovlarni amalga oshirish va yuklar holatini kuzatish imkoniyatiga ega bo‘lishi kerak. Uzoq muddatli takliflar (2029–2033- yillar) 20. To‘liq avtomatlashtirilgan bojxona punktlarini yaratish. Bu punktlarda inson aralashuvi minimal bo‘lib, barcha jarayonlar sun’iy intellekt tomonidan boshqariladi; 21. Kvant hisoblash texnologiyalarini bojxona tizimida qo‘llash imkoniyatlarini o‘rganish. Kvant kompyuterlari murakkab optimizatsiya masalalarini hal qilish va katta hajmdagi ma’lumotlarni qayta ishlashda yuqori samaradorlikka ega; 22. O‘zbekistonni mintaqada sun’iy intellekt texnologiyalari bo‘yicha yetakchi markazga aylantirish. Boshqa davlatlar uchun sun’iy intellekt yechimlarini eksport qilish va texnologik xizmatlar ko‘rsatish; Xulosa va amaliy tavsiyalar. O‘zbekiston Respublikasida bojxona sohasida sun’iy intellekt texnologiyalarini joriy etish bo‘yicha sistemali va keng qamrovli ishlar amalga oshirilmoqda. Prezident farmonlari va qarorlari bilan belgilangan vazifalar asosida mamlakatimiz sun’iy intellektni tatbiq etish bo‘yicha xalqaro reytingda sezilarli o‘rin egallagan va Markaziy Osiyo bo‘yicha yetakchi davlatga aylangan. 2024-yilda mamlakatimiz Government AI Readiness Index reytingida 17 128

pog‘ona yuqorilab, 70-o‘rinni egalladi, bu mintaqadagi eng yuqori ko‘rsatkich hisoblanadi. Bojxona sohasida xavflarni boshqarish, hujjatlarni avtomatik tahlil qilish va rasmiylashtiruv jarayonlarini tezlashtirish bo‘yicha yangi tizimlar joriy etilmoqda. Hozirgi kunda bojxona organlari sun’iy intellekt orqali xavfni boshqarish tizimini yo‘lga qo‘ygan va 2026-yilda 100 ta yangi sun’iy intellekt loyihasi amalga oshirilishi rejalashtirilgan. OCR va NLP texnologiyalari boshlang‘ich bosqichda joriy etilgan bo‘lib, ularni kengaytirish va tobora murakkab vazifalarni bajarish uchun takomillashtirish davom etmoqda. Xorijiy davlatlar, ayniqsa Braziliya va Xitoy tajribalari shuni ko‘rsatadiki, sun’iy intellekt texnologiyalarini to‘g‘ri qo‘llash natijasida bojxona operatsiyalari samaradorligi sezilarli darajada oshadi, xatolar kamayadi va savdo hajmi ortadi. Xulosa qilib aytganda, O‘zbekiston bojxona tizimida sun’iy intellekt texnologiyalarini joriy etish bo‘yicha to‘g‘ri yo‘ldan bormoqda. Davlat rahbariyatining strategik yondashuvi, yetarli mablag‘lar ajratish va xorijiy ilg‘or tajribalardan o‘rganish mamlakatimizni ushbu sohada mintaqaviy lider sifatida ko‘rsatmoqda. Kelgusida ushbu yo‘nalishda davom ettirilgan ishlar O‘zbekiston iqtisodiyotini yanada rivojlantirish va xalqaro savdoni osonlashtirishga muhim hissa qo‘shadi. Foydalanilgan adabiyotlar ro‘yxati: 1. O‘zbekiston Respublikasi Prezidentining 2024-yil 14-oktabrdagi “Sun’iy intellekt texnologiyalarini 2030-yilga qadar rivojlantirish strategiyasini tasdiqlash to‘g‘risida”gi 358sonli qarori. 2. O‘zbekiston Respublikasi Prezidentining 2025-yil 25-martdagi bojxona tizimida sun’iy intellekt texnologiyalarini joriy etish to‘g‘risidagi 57-sonli farmoni. 3. Braziliya Federativ Respublikasi Prezidentining 2020-yil 24-noyabrdagi bojxona modernizatsiyasi to‘g‘risidagi farmoni. 4. Xitoy Xalq Respublikasi bojxona xizmatining “Smart Customs” (Aqlli bojxona) dasturlari va “Intelligent Examination” tizimiga oid rasmiy materiallari. АНАЛИЗ ПОТЕРЬ ДАВЛЕНИЯ В ЗАВИСИМОСТИ ОТ СКОРОСТИ ПОТОКА: СРАВНЕНИЕ РАСЧЁТОВ ПО ШЕВЕЛЁВУ, АНАЛИТИЧЕСКОЙ МОДЕЛИ И ЧИСЛЕННОГО МОДЕЛИРОВАНИЯ Содиков Мирзохид Улугбек угли, Магистрант, Ферганский государственный технический университет E-mail: dr.m.sodikhov@bk.ru Annotatsiya. Ushbu maqolada quvur bo‘ylab bosim yo‘qotishlarini tahlil qilish natijalari keltirilgan. Shevelev formulasi, analitik hisob va raqamli modellashtirish usullari Nikuradze tajriba ma’lumotlari bilan taqqoslangan. Analitik usul eng yuqori aniqlikni ta’minlashi aniqlangan. Kalit so‘zlar: bosim yo‘qotishlari, ishqalanish koeffitsiyenti, raqamli modellashtirish, oqim tezligi, quvur. Аннотация. В данной статье представлены результаты анализа потерь давления по трубопроводу. Формула Шевелева, методы аналитического расчета и численного 129

моделирования сравнивались с экспериментальными данными Никурадзе. Установлено, что аналитический метод обеспечивает наивысшую точность. Ключевые слова: потери давления, коэффициент трения, численное моделирование, скорость потока, трубопровод. Abstract. This study compares pressure losses in a pipeline at three flow velocities using Shevelev formula, analytical calculation, and numerical simulation against Nikuradze experimental data. The analytical method is found to provide the lowest relative error among the three approaches examined. Key words: pressure losses, friction coefficient, numerical simulation, flow velocity, pipeline. Введение. Оценка потерь давления в трубопроводах является ключевой задачей гидравлики и проектирования инженерных систем. В инженерной практике применяются три основных подхода: эмпирические формулы (в частности, формула Шевелёва), аналитические методы на основе уравнения Дарси–Вейсбаха и численное моделирование. Каждый из них имеет свои ограничения, и выбор наиболее точного метода напрямую влияет на надёжность проектируемых систем [1]. Цель настоящей работы – провести сравнительный анализ трёх методов расчёта потерь давления при различных скоростях течения жидкости и определить относительную погрешность каждого подхода относительно экспериментальных данных Никурадзе [2]. Основная часть. Исследование проведено для стального трубопровода длиной L = 100 м, внутренним диаметром d = 0,1 м при трёх значениях скорости потока: v = 1,0; 1,5 и 2,0 м/с. Кинематическая вязкость воды принята ν = 1,0·10⁻⁶ м²/с. Для каждого значения скорости вычислены: потери давления по формуле Шевелёва, по аналитическому методу Дарси–Вейсбаха с коэффициентом Коулбрука – Уайта, а также методом численного моделирования. В качестве эталонных приняты значения по таблицам Никурадзе [3]. Числа Рейнольдса для трёх режимов составили Re = 100 000; 150 000 и 200 000 соответственно, что соответствует развитому турбулентному течению. Результаты расчётов представлены в Таблице 1. Видно, что при увеличении скорости от 1,0 до 2,0 м/с все методы фиксируют рост потерь давления. Наибольшие значения Δh получены по формуле Шевелёва (2,21– 7,89 м), аналитический метод даёт несколько заниженные значения (1,57– 6,30 м), тогда как численное моделирование существенно занижает потери (0,62–2,55 м) по сравнению с экспериментом Никурадзе (1,68–5,91 м) [4]. Таблица 1 Результаты расчёта потерь давления тремя методами и экспериментальные данные Никурадзе Длина Диаметр Скорость Шевелёв Аналитич. Моделир. Никурадзе трубопр. трубопр. (m/s) Δh (m) Δh (m) Δh (m) Δh (m) (m) (m) Re 100 0,1 1,0 2,21 1,57 0,622 1,682 100 000 100 0,1 1,5 4,446 3,54 1,431 4,128 150 000 130

100 0,1 2,0 7,89 6,30 2,548 5,912 200 000 Анализ относительной погрешности (Таблица 2) выявил следующие закономерности. Аналитический метод обеспечивает наименьшую погрешность среди трёх подходов: 7,13 % при v = 1,0 м/с и 6,15 % при v = 2,0 м/с, что свидетельствует о его хорошей сходимости с данными Никурадзе в рассмотренном диапазоне скоростей. Метод Шевелёва имеет переменную погрешность: относительно низкую при v = 1,5 м/с (7,14 %), но существенно возрастающую при v = 1,0 и 2,0 м/с (23,89 % и 25,06 % соответственно), что указывает на нелинейный характер ошибки. Численное моделирование демонстрирует наибольшую погрешность среди рассмотренных методов – 56,90 – 65,34 % – что объясняется недооценкой сил вязкого трения при принятых граничных условиях. Это свидетельствует о необходимости корректировки настроек модели турбулентности [5]. Таблица 2 Относительная погрешность методов расчёта потерь давления v (m/s) Погрешность по Шевелёву (%) Погрешность аналитич. (%) Погрешность моделир. (%) 1,0 23,89 7,13 62,99 1,5 7,14 16,62 65,34 2,0 25,06 6,15 56,90 Графический анализ (Рисунок 1) наглядно иллюстрирует описанные тенденции. На левой оси Y показаны абсолютные потери давления Δh (м), на правой — относительная погрешность (%). Кривая численного моделирования (синяя линия) расположена значительно ниже кривых остальных методов и эталонных данных, что визуально подтверждает систематическое занижение потерь давления. Кривая аналитического расчёта (красная линия) проходит ближе всего к значениям Никурадзе, особенно при средних и высоких скоростях. Кривая Шевелёва (зелёная линия) последовательно завышает потери и при обеих крайних скоростях имеет наибольшее отклонение от эталона. 131

Рисунок 1. График сравнения потерь давления и относительной погрешности при трёх скоростях потока Заключение и практические рекомендации. По результатам сравнительного анализа трёх методов расчёта потерь давления установлено следующее. Во-первых, все методы корректно отражают тенденцию роста Δh с увеличением скорости потока. Во-вторых, аналитический метод Дарси– Вейсбаха с коэффициентом Коулбрука–Уайта обеспечивает наименьшее отклонение от экспериментальных данных Никурадзе (6 – 17 %) и может быть рекомендован как предпочтительный инструмент для инженерных расчётов в рассмотренном диапазоне режимов. В-третьих, формула Шевелёва систематически завышает потери давления и имеет нестабильную погрешность (7–25 %), что ограничивает её применимость при переменных скоростях. В-четвёртых, численное моделирование при принятых граничных условиях даёт наибольшую погрешность (57–65 %), что указывает на необходимость совершенствования настроек модели турбулентности перед её практическим применением [5]. На основе полученных результатов рекомендуется: для инженерных расчётов трубопроводных систем при Re = 100 000–200 000 использовать аналитический метод как наиболее точный; при применении численного моделирования проводить верификацию модели по экспериментальным данным; дальнейшие исследования направить на оптимизацию параметров турбулентной модели и расширение диапазона скоростей. Список использованной литературы: 1. White, F.M. (2016). Fluid Mechanics (8th ed.). McGraw-Hill Education. 2. Colebrook, C.F., & White, C. M. (1937). Experiments with fluid friction in roughened pipes. Proceedings of the Royal Society A, 161(906), 367–381. 3. Madaliev, M.E. (2025). Mexanika suyuqliklari va gazlar: Oliy o‘quv yurtlari uchun darslik. Fergana: Sunrise-pro. 4. Blazek, J. (2015). Computational Fluid Dynamics: Principles and Applications (3rd ed.). Elsevier. 5. Versteeg, H.K., & Malalasekera, W. (2007). An Introduction to Computational Fluid Dynamics: The Finite Volume Method (2nd ed.). Pearson Education. RASMLARDA OBYEKTLARNI ANIQLASHDA DATASET TANLASHNING METODOLOGIK ASOSLARI Utemuratov Rustem Bazarbayevich, PhD, urb80@mail.ru Geldibayev Begench Yegendurdiyevich, PhD, geldibayev@umail.uz G‘arg‘abaeva Ramuza Abdikerim qizi, magistrant, ramuza15122001@gmail.com Annotatsiya. Ushbu maqolada rasmlarda obyektlarni aniqlashda mashinali oʻqitish algoritmlarini qoʻllash masalasi tahlil qilinadi. Two-stage va one-stage detektorlarning xususiyatlari, ularning aniqlik va tezlik koʻrsatkichlari solishtirildi hamda dataset tanlash mezonlari ilmiy asosda yoritildi. MS COCO dataseti mezonlar asosida baholanib, eksperimental tadqiqotlar uchun maqbul baza sifatida asoslab beriladi. 132

Kalit soʻzlar: obyekt deteksiyasi, mashinali oʻqitish, deep learning, one-stage detektorlar, benchmark. Аннотация. В данной статье рассматривается применение алгоритмов машинного обучения для обнаружения объектов на изображениях. Проводится сравнительный анализ two-stage и one-stage детекторов с точки зрения точности и скорости работы, а также обосновываются критерии выбора набора данных. Датасет MS COCO оценивается на основе выбранных критериев и обосновывается как эффективная экспериментальная база. Ключевые слова: детекция объектов, машинное обучение, глубокое обучение, onestage детекторы, benchmark. Abstract. This paper analyzes the application of machine learning algorithms for object detection in images. A comparative study of two-stage and one-stage detectors is presented in terms of accuracy and speed, and dataset selection criteria are scientifically justified. The MS COCO dataset is evaluated based on these criteria and validated as an appropriate experimental benchmark. Key words: object detection, machine learning, deep learning, one-stage detectors, benchmark. Kirish. Rasmlarda obyektlarni aniqlash (object detection) tasvirda obyektning joylashuvini (bounding box) aniqlashni talab qiladigan kompyuter koʻrishi sohasiga tegishli masala boʻlib, amaliy jihatdan xavfsizlik tizimlari, avtonom transport, tibbiy diagnostika, sanoat nazorati, qishloq xoʻjaligi monitoringi va chakana savdo kabi koʻplab sohalarning asosiy texnologik tayanchi hisoblanadi. Zamonaviy detektorlar yuqori aniqlikka erishgan boʻlsa-da, real sharoitda “kichik obyektlar”, “fon shovqini”, “qisman yopilish (occlusion)”, “yoritish va ob-havo oʻzgarishi”, hamda “domen siljishi (domain shift)” kabi masalalar dolzarbligicha qolmoqda [1]. Tadqiqotlarda detektorlarning amaliy natijasi ko‘pincha algoritmning o‘ziga emas, balki ma’lumotlar to‘plamining hajmi, xilma-xilligi, sifati va sinflar muvozanati kabi omillarga ko‘proq bog‘liqligi qayd etilgan.[1], [2]. Demak, rasmlarda obyektlarni aniqlash masalasida mashinali oʻqitish algoritmlari uchun datasetni tanlash masalasi dolzarb hisoblanadi. Asosiy qism. Tasvirlarda obyekt deteksiyasi sohasida soʻnggi yillarda chuqur oʻqitishga asoslangan yondashuvlar jadal rivojlanib, aniqlik va tezlik koʻrsatkichlari sezilarli darajada oshdi. Quyida mazkur evolyutsiya asosiy ilmiy ishlanmalar tahlili orqali yoritilib, mavjud yondashuvlarning afzallik va kamchiliklari koʻrib chiqiladi. 1) Ikki bosqichli (two-stage) detektorlar. Obyekt deteksiyasida chuqur oʻqitishning jadal rivoji R-CNN yondashuvidan boshlab keskin tezlashdi. Girshick va hammualliflar R-CNN yordamida region proposal orqali taklif etilgan sohalarni CNN yordamida tasniflash gʻoyasini ilgari surib, oʻsha davr benchmarklarida sezilarli darajadagi yaxshilanishni koʻrsatgan [3]. Keyinchalik Faster R-CNN konsepsiyasi region proposal bosqichini ham neyron tarmoq ichiga integratsiya qilib, Region Proposal Network (RPN) orqali takliflarni tezroq va samaraliroq hosil qilishga erishilgan. Natijada aniqlik yuqori boʻlib, amaliy qoʻllash imkoniyati ham kengaydi [4]. Ushbu ishlar two-stage detektorlarning kuchli tomoni murakkab 133

sahnalarda aniqlik va barqarorlik ekanini koʻrsatadi, ammo hisoblash resurslari va kechikish (latency) masalasi doimo dolzarb boʻlib qolgan [4]. 2) Bir bosqichli (one-stage) detektorlar. Real vaqt (real-time) ehtiyoji kuchayishi bilan one-stage detektorlar keng ommalashdi. YOLO “deteksiyani regressiya masalasi” sifatida koʻrib, bitta tarmoq orqali bir martada bbox va sinf ehtimollarini olishni taklif etdi [5]. Bu yondashuv tezlik boʻyicha sezilarli yutuq bergan, ayniqsa amaliy tizimlarda joriy etishga qulay boʻlgan [5]. Shunga qaramay, one-stage detektorlar uzoq vaqt two-stage detektorlardan aniqlik boʻyicha ortda qolgan. Lin va hammualliflar bu holatning asosiy sabablaridan biri foreground-background nomutanosibligi ekanini koʻrsatib, Focal Lossʼni taklif etishgan va RetinaNet orqali one-stage detektorlar ham yuqori aniqlikka erisha olishini isbotlaganlar [6]. 3) Transformer-asosli detektorlar. Soʻnggi bosqichda DETR (DEtection TRansformer) obyekt deteksiyasini “set prediction” sifatida koʻrib, anchor va NMS kabi qoʻlda sozlanadigan komponentlarga ehtiyojni kamaytiruvchi end-to-end yondashuvni namoyish etdi [7]. DETR natijalarini COCO kabi murakkab benchmarklarda two-stage bazalar bilan taqqoslab koʻrsatishi, obyektlar oʻzaro munosabatini global kontekstda modellashtirish gʻoyasini kuchaytirdi [7]. Bu yoʻnalish obyekt deteksiyasining nazariy arxitektura asoslarini kengaytiradi, ammo katta dataset va koʻproq hisoblash resurslariga ehtiyojni ham oshirishi mumkin [1], [7]. Zamonaviy obyekt deteksiyasi tizimlarida natijaning aniqligi va barqarorligi koʻp jihatdan tanlangan dataset va benchmark sifatiga bogʻliq. Shu sababli quyida maʼlumotlar toʻplamining roli, ularning baholash jarayonidagi ahamiyati tahlil qilinadi. 1) COCO dataseti. Bu real hayotga yaqin murakkab sahnalardan tashkil topgan dataset boʻlib hisoblanadi. MS COCO obyektlarni “kontekstda” (murakkab kundalik sahnalarda) berishi, koʻp obyektli tasvirlar, turli oʻlcham va qisman yopilish holatlarini koʻp uchratishi bilan detektorlar uchun kuchli sinov vositasi boʻlib hisoblanadi [8]. COCO rasm/obyekt statistikasi va koʻlami uni tadqiqotlarda standart benchmarklardan biriga aylantirdi. Shuningdek, deteksiya bilan birga instans segmentatsiya ham mavjudligi ishni keyinchalik kengaytirish imkonini beradi [8], [9]. 2) PASCAL VOC dataseti. Bu klassik va nisbatan soddaroq benchmark boʻlib hisoblanadi. PASCAL VOC uzoq yillar davomida obyektlarni tanish va deteksiya qilish boʻyicha standart dataset boʻlgan va uning asosida bir qancha baholash protokollari shakllantirilgan [10]. U COCOʻga nisbatan kichikroq va sinflari kamroq boʻlgani sababli tezkor tajribalar oʻtkazish va usulni tez tekshirish uchun qulay, ammo real hayotdagi murakkablikni kamroq qamrab olishi mumkin [10]. 3) Open Images. Juda katta koʻlam va tabiiy sinf statistikasiga ega boʻlgan dataset boʻlib hisoblanadi. Open Images V4 millionlab rasmlar va juda katta bbox anotatsiya koʻlami bilan detektorlarni “keng koʻlamli oʻqitish” nuqtai nazaridan kuchli platforma hisoblanadi [11]. Unda litsenziya va manba (Flickr) tabiati sababli 134

sinflar statistikasi nisbatan “tabiiy” boʻlishi, turli biaslarni tahlil qilish va generalizatsiyani oshirish uchun ham muhim [11]. 4) Domenga mahsus datasetlar. Ayrim sohalarda masalan, transport vositalarini avtonom boshqaruvda umumiy datasetlar yetarli boʻlmaydi. Bunday vaziyatlarda KITTI va BDD100K datasetlari maqbul yechim boʻla oladi. KITTI bu real boshqaruv platformasidan yigʻilgan maʼlumotlar asosida 3D obyekt deteksiyasigacha boʻlgan turli vazifalar uchun benchmark taklif qiladi [12]. BDD100K esa geografik va ob-havo xilma-xilligi, koʻp vazifali belgilanishi bilan real sharoitda barqaror ishlaydigan tizimlarni oʻqitish uchun katta imkoniyat beradi [11]. Yuqoridagi tahlillar shuni koʻrsatadiki, obyekt deteksiyasi masalasida algoritm tanlovi va dataset tanlovi oʻzaro chambarchas bogʻliqdir. Agar qoʻyilgan masala maksimal aniqlik talab etadigan boʻlsa two-stage detektorlar ishonchli tayanch model (baseline) sifatida xizmat qilishi mumkin, biroq real vaqt rejimida ishlovchi tizimlarda tezkor va soddaroq one-stage yondashuvlar afzal boʻladi, garchi ular maʼlumotlar tarkibi, obyekt oʻlchami va sinflar balansiga nisbatan sezgirroq boʻlsa ham. Shu bilan birga, ilmiy taqqoslash va umumiy deteksiya qobiliyatini baholashda COCO kabi keng qoʻllaniladigan benchmark datasetlar natijalarni solishtirish imkonini beradi, tez prototiplash bosqichida esa VOC kabi soddaroq toʻplamlar qulay hisoblanadi. Resurslar yetarli boʻlganda Open Images kabi katta koʻlamli datasetlar model generalizatsiyasini oshiradi, domen-spetsifik vazifalarda esa umumiy datasetda oldindan oʻqitish va soha maʼlumotlari asosida nozik sozlash (fine-tuning) yondashuvi ilmiy jihatdan samaraliroq natija beradi. Umuman olganda, obyekt deteksiyasining dolzarbligi real vaqt rejimidagi amaliy ehtiyojning ortishi, zamonaviy arxitekturalarga qaramay maʼlumotlar sifati va balansining cheklov omiliga aylanishi, benchmarklarning reproduktiv va solishtiriladigan natijalar berishi hamda transformer asosidagi yangi paradigmalar katta va xilma-xil datasetlarga yanada yuqori talab qoʻyishi bilan asoslanadi. Shu sababli ushbu maqolada obyekt deteksiyasi algoritmlarini oʻqitish bilan birga, dataset tanlovini mezonlar asosida asoslash va tanlangan dataset doirasida detektorlarni taqqoslab baholash ilmiy jihatdan dolzarb masala ekanligi aniqlandi. Shularnda kelib chiqqan holda rasmlarda obyektlarni aniqlash masalasida model samaradorligi bevosita maʼlumotlar toʻplamining sifati, koʻlami va tarkibiy xususiyatlariga bogʻliq. Shu sababli tadqiqotda dataset tanlash quyidagi ilmiy va amaliy mezonlar asosida amalga oshirildi. Adabiyotlar tahlilidan kelib chiqqan holda ushbu maqolalada datasetni baholash uchun quyidagicha mezonlar taklif etildi (1-jadval). 1-jadval Tasvirlarda obyektlar deteksiyasi masalasida datasetni tanlash uchun taklif etilgan mezonlar № 1 Mezon nomi Tadqiqot maqsadiga Tavsifi Dataset obyekt deteksiyasi vazifasiga Ilmiy asos Vazifa va maʼlumot mosligi model 135 Tanlovdagi ahamiyati Algoritmlarni toʻgʻri baholash imkonini

moslik 2 Maʼlumotlar hajmi 3 Sinflar muvozanati 4 Tasvir xilma-xilligi 5 Annotatsiya sifati 6 Benchmark mavjudligi 7 Hisoblash resurslariga moslik mos boʻlishi (bounding box annotatsiya mavjudligi) Rasmlar va obyektlar sonining yetarliligi samaradorligiga bevosita taʼsir qiladi beradi Katta dataset modelning umumlashtirish qobilyatini oshiradi Har bir sinf boʻyicha namunalar sonining nisbatan tengligi Yoritish, burchak, masofa, fon murakkabligi, occlusion Bounding box koordinatalarining aniqligi va standart format Dataset ilmiy hamjamiyatda keng qoʻllanilishi Dataset hajmi va modelni oʻqitish talablari Class imbalance modelni dominant sinflarga ogʻdiradi Modelning real sharoitda ishlash qobiliyatini belgilaydi Noisy labels modelni notoʻgʻri oʻqitadi Overfitting kamayadi va natijalar barqaror boʻladi Kam uchraydigan obyektlarni aniqlash sifati oshadi Domen siljishiga chidamlilik oshadi Taqqoslash va reproduktivlik muhim Amaliy cheklovlar mavjud Oʻqitish jarayonining ishonchliligi taʼminlanadi Natijalarni boshqa ishlar bilan solishtirish mumkin Tadqiqotning amalga oshirilishi taʼminlanadi Ushbu mezonlar dataset tanlash jarayonini tizimli va ilmiy asoslangan holda amalga oshirish imkonini beradi hamda eksperimental natijalarning ishonchliligini taʼminlaydi. Shuningdek, ular tanlangan maʼlumotlar toʻplamining tadqiqot maqsadlariga mosligini baholash va kelgusida olingan natijalarni boshqa ilmiy ishlar bilan taqqoslashda metodologik asos vazifasini bajaradi. Mazkur mezonlar asosida umumiy obyekt deteksiyasi uchun keng qoʻllaniladigan va ilmiy hamjamiyatda standart benchmark hisoblangan MS COCO (Microsoft Common Objects in Context) dataseti tanlandi. Quyida COCO dataseti taklif etilgan mezonlar asosida baholandi (2-jadval). 2-jadval Tanlangan datasetni mezonlar asosida baholash № Mezon nomi 1 Tadqiqot maqsadiga moslik 2 Maʼlumotlar hajmi Baholash Yuqori 3 Oʻrtacha– Yuqori Juda yuqori 4 5 6 7 COCO boʻyicha tavsif Obyekt deteksiyasi uchun bounding box annotatsiyalar mavjud, 80 ta obyekt sinfi 200 000+ rasm, 1 milliondan ortiq obyekt annotatsiyasi Sinflar muvozanati Koʻp sinflar mavjud, ayrim sinflarda nomutanosiblik mavjud Tasvir xilmaTurli sahnalar, murakkab fon, kichik va qisman xilligi yopilgan obyektlar mavjud Annotatsiya sifati Standart JSON format, bounding box va segmentation mask mavjud Benchmark sifatida Ilmiy maqolalarda keng qoʻllaniladi, mAP@0.5 va qoʻllanilishi mAP@0.5:0.95 metrikalari bilan baholanadi Hisoblash Katta hajmli dataset, GPU talab qiladi, ammo preresurslariga moslik trained modellar mavjud 136 Juda yuqori Yuqori Juda yuqori Oʻrtacha

Baholash natijalariga koʻra, MS COCO dataseti obyektlarni aniqlash algoritmlarini ilmiy asosda taqqoslash, ularning aniqlik va barqarorligini baholash hamda real sharoitga moslashuvchanligini tekshirish uchun mos va yetarli darajada murakkab maʼlumotlarmi taqdim etadi. Shu sababli mazkur tadqiqotda asosiy eksperimental baza sifatida COCO datasetidan foydalanish maqsadga muvofiq deb topildi. Xulosa va amaliy tavsiyalar. Obyektlarni aniqlash boʻyicha tadqiqotlarda dataset tanlash bosqichi metodologik jihatdan hal qiluvchi ahamiyatga ega. Chunki modelning aniqligi, barqarorligi va real sharoitga moslashuvchanligi nafaqat arxitekturaga, balki maʼlumotlarning koʻlami, xilma-xilligi va annotatsiya sifatiga ham bogʻliq. Shu sababli dataset tanlashda vazifaga moslik (bounding box mavjudligi), maʼlumotlar hajmi, sinflar balansi, tasvir xilma-xilligi, annotatsiya sifati, benchmark sifatida qoʻllanilishi va hisoblash resurslariga mosligi kabi omillar hisobga olindi. Foydalanilgan adabiyotlar roʻyxati 1. Zaidi, S.S.A., Ansari, M., Aslam, A., Kanwal, N., Asghar, M.U., & Lee, B. (2022). A survey of modern deep learning based object detection models. Digital Signal Processing, 126, 103514. https://doi.org/10.1016/j.dsp.2022.103514 2. Geiger, A., Lenz, P., & Urtasun, R. (2012). Are we ready for autonomous driving? The KITTI vision benchmark suite. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 3354–3361. https://doi.org/10.1109/CVPR.2012.6248074 3. Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2014). Rich feature hierarchies for accurate object detection and semantic segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 580–587. https://doi.org/10.1109/CVPR.2014.81 4. Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards realtime object detection with region proposal networks. Advances in Neural Information Processing Systems (NeurIPS), 28. https://arxiv.org/abs/1506.01497 5. Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 779–788. https://doi.org/10.1109/CVPR.2016.91 6. Lin, T.-Y., Goyal, P., Girshick, R., He, K., & Dollár, P. (2017). Focal loss for dense object detection. Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2980–2988. https://doi.org/10.1109/ICCV.2017.324 7. Carion, N., Massa, F., Synnaeve, G., Usunier, N., Kirillov, A., & Zagoruyko, S. (2020). End-to-end object detection with transformers. European Conference on Computer Vision (ECCV), 213–229. https://arxiv.org/abs/2005.12872 8. Lin, T.-Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., Dollár, P., & Zitnick, C. L. (2014). Microsoft COCO: Common objects in context. European Conference on Computer Vision (ECCV), 740–755. https://doi.org/10.1007/978-3-31910602-1_48 9. Coco Consortium. (n.d.). COCO – Common objects in context. https://cocodataset.org 137

10. Everingham, M., Van Gool, L., Williams, C. K. I., Winn, J., & Zisserman, A. (2010). The PASCAL visual object classes (VOC) challenge. International Journal of Computer Vision, 88(2), 303–338. https://doi.org/10.1007/s11263-009-0275-4 11. Kuznetsova, A., Rom, H., Alldrin, N., Uijlings, J., Krasin, I., Pont-Tuset, J., Ferrari, V. (2018). The Open Images dataset V4: Unified image classification, object detection, and visual relationship detection at scale. International Journal of Computer Vision. https://arxiv.org/abs/1811.00982 12. Yu, F., Chen, H., Wang, X., Xian, W., Chen, Y., Liu, F., Madhavan, V., & Darrell, T. (2020). BDD100K: A diverse driving dataset for heterogeneous multitask learning. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2636–2645. https://doi.org/10.1109/CVPR42600.2020.00271 ПРОБЛЕМЫ МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ СЛОЖНЫХ ПРОЦЕССОВ В СОВРЕМЕННЫХ ЦИФРОВЫХ ТЕХНОЛОГИЯХ Пак Диана Александровна, преподаватель, ДжиГПУ имени А. Кадыри, tumangroz@gmail.com Асатова Ирода Икром кизи студентка, ДжиГПУ имени А. Кадыри irodanarzullaeva00@gmail.com Аннотация. В работе рассматривается повышение эффективности математического моделирования в IT-индустрии. Анализируются аспекты и барьеры оперативной обработки данных. Предоставляется авторский подход, основанный на синтезе классического анализа и нейросетевых технологий, позволяющий адаптировать теоретические модели под требования современных цифровых платформ. Ключевые слова: Моделирование, интеллект, алгоритм, технология, процесс. Annotatsiya. Ishda IT-industriyasida matematik modellashtirish samaradorligini oshirish masalalari ko‘rib chiqiladi. Ma’lumotlarga tezkor ishlov berishdagi to‘siqlar tahlil qilinadi. Nazariy modellarni zamonaviy raqamli platformalar talablariga moslashtirishga xizmat qiluvchi klassik tahlil va neyrotarmoq texnologiyalari sinteziga asoslangan mualliflik yondashuvi taklif etiladi. Kalit so‘zlar: Modellashtirish, intellekt, algoritm, texnologiya, jarayon. Abstract. The paper examines improving mathematical modeling efficiency in the IT industry. It analyzes aspects and barriers of real-time data processing. The author presents an approach based on synthesizing classical analysis and neural network technologies to adapt theoretical models to modern digital platforms. Keywords: Modeling, intelligence, algorithm, technology, process. Введение. В условиях стремительной цифровизации математическое моделирование становится фундаментом для проектирования интеллектуальных систем и управления высокотехнологичными процессами. Современные цифровые технологии (AI, Big Data, IoT) требуют создания моделей, способных работать в режиме реального времени и обрабатывать колоссальные объемы данных. Однако усложнение самих систем опережает развитие классических математических методов, что создает разрыв между теоретической моделью и её практической реализацией. 138