Sun’iy Intellekt va Raqamli Iqtisodiyot (SIRI 2025)

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 СУНЪИЙ ИНТЕЛЛЕКТ ТЕХНОЛОГИЯЛАРИ ОРҚАЛИ КОРХОНАЛАР МОЛИЯВИЙ БАРҚАРОРЛИГИНИ ОШИРИШ: КЕЛАЖАКДАГИ РИВОЖЛАНИШ ВА МУАММОЛАР Исмаилов Хусанбой Махаммадқосим ўғли Рақамли технологиялар вазирлиги ҳузуридаги “Рақамли иқтисодиёт тадқиқотлари маркази” ДМ бўлим бошлиғи, PhD, доцент. Сўнги йилларда Сунъий интеллект технологиялари ҳар бир соҳага жадаллик билан кириб келмоқда. Сунъий интеллект технологияси кейинги ўн йилликнинг асосий технологик йўналишларидан бирига айланиб бормоқда деска муболаға бўлмайди. Куни кеча муҳтарам Президентимиз ҳам Парламентлараро Иттифоқнинг 150 Ассамблеясида Сунъий интеллект технологияларига эътибор қаратиб, бу соҳада тизимли ҳамкорликни кучайтириш замон талаб эканлигини алоҳида таъкидлаб ўтди. Статистик маълумотларга эътибор қаратадиган бўлсак, Финтехдаги сунъий интеллект бозори ҳажми 2023 йилда 42,8 миллиард долларга тенг бўлади, деб баҳоланмоқда. Ушбу кўрсаткич 2028 йилга бориб, 49,4 миллиард долларга, 2031 йилга бориб эса 61,3 миллиард долларга етиши кутилмоқда. Қуйида корхоналар молиявий барқарорлигини оширишда Сунъий интеллект технологияларининг аҳамияти тўғрисида тўхталиб ўтамиз. Сунъий интеллект технологиялари молиявий тизимда муҳим аҳамиятга эга. Ҳозирги кунда молия институтлари самарадорликни сезиларли даражада оширишлари учун Сунъий интеллект технологияларини шиддат билан ўзлаштиришмоқда. Лекин, ушбу ривожланиш ижобий тенденцияларга эга бўлсада, баъзи ҳолларда корхоналар молиявий барқарорлигига таҳдид солиб туради. Ўз ўрнида айтиш жоизки, Сунъий интеллектнинг корхоналар молиявий барқарорлигиа таъсири мунозарали ҳолатдир. Сунъий интеллект корхоналарда молиявий тизимни ўзгартирмасдан, молиявий хизматларни ўзгартирадиган технологик инновацияларни жорий қилишда муҳим ҳисобланади. Бундан хулоса қилиш мумкинки, Сунъий интеллект корхоналар молиявий барқарорлигига янги ёки ноёб таҳдидларни келтириб чиқармайди ва шунинг билан бирга молиявий регуляторлар учун ҳам алоҳида қийинчиликларни туғдирмайди. Сунъий интеллект корхоналарда молиявий барқарорликка олиб келадиган хавфлар ва молиявий тизимларнинг заиф нуқталарини кўрсатиб беришда аҳамиятлидир. Умуман олганда, корхоналар молиявий барқрорлигини оширишда Сунъий интеллектнинг асосий ўрни қуйидагича: 1. Корхонанинг молиявий таҳлили ва прогнозлаш. Бунда Сунъий интеллект, ишлаб чиқариш жараёнлари ва молиявий кўрсаткичлар бўйича катта ҳажмдаги маълумотларни таҳлил қилиш ва баҳолаш имконини беради. Сунъий интеллект алогоритмлари, корхоналарнинг молиявий кўрсаткичлари бўлган карзлар ва даромадлар, харажатларнинг тўғри прогнозларини амалга оширишда ёрдам беради. Бу эса, корхоналарда молиявий барқарорликни таъминлаш учун муҳим омиллардан бири ҳисобланади. 41

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot 2. Корхоналарда молиявий хатарларни минималлаштириш. Корхона ўзининг молиявий хатарларини самарали бошқариш учун Сунъий интелелктдан фойдаланиши мумкин. Сунъий интеллект молиявий хатарларни баҳолаш, фалокатларга олиб келиши мумкин бўлган потенциал ҳолатларни аниқлаш ва уларни прогноз қилишда муҳим восита бўлиб, хатарларни камайтириш ва корхонанинг молиявий барқарорлигини таъминлашга ёрдам беради. 3. Рақамли молия ва автоматлаштириш. Корхоналарда молиялаштириш ва ҳисоб-китоб жараёнларини автоматлаштиришда Сунъий интеллектнинг ўрни беъқиёсдир. Корхоналар, уларнинг молиявий ҳаракатларини автоматик равишда мониторинг қилиш ва таҳлил қилиш орқали фойда ва харажатлар тўғрисида ҳақиқий вақтда маълумот олишлари мумкин. Бу ишлаб чиқариш ва хизматларнинг самарадорлигини ошириб, иқтисодий барқарорликни кучайтиришда ёрдам беради. 4. Корхоналарда молиявий қарорларни қабул қилиш. Сунъий интеллект асосидаги тизимлар, корхона раҳбарларига молиявий қарорларни қабул қилишда ёрдам бериши мумкин. Алгоритмлар турли молиявий вазиятларни моделлаштириш ва уларнинг таъсирини баҳолаш орқали стратегиялар тўғрисида маъқул қарорлар қабул қилишга кўмаклашади. Юқоридагилар билан бир қаторда, Сунъий интеллект технологияларини корхоналарда жорий этиш ҳда бир қатор муаммолар ҳам мавжуд: 1. Маълумотларнинг сифати ва миқдори. Корхоналарда Сунъий интеллектнинг самарали ишлаши учун катта ҳажмдаги тўғри ва ишончли маълумотлар талаб қилинади. Агар маълумотлар сифатсиз ёки нотўғри бўлса, Сунъий интеллект тўғри қарорлар қабул қила олмайди ва бу, ўз навбатида, корхоналарнинг молиявий барқарорлигига салбий таъсир кўрсатади. 2. Инвестиция ва ресурслар. Корхоналарда Сунъий интеллект технологияларини жорий қилиш учун катта маблағлар ва ресурслар сарфлаш талаб этилади. Бу, айниқса, кичик ва ўрта бизнеслар учун қийинчилик туғдириши мумкин. 3. Технологик ўзгаришларга мослашиш. Корхоналарда Сунъий интеллект технологияларини жорий қилишга ўтганида, уларнинг ходимлари ҳам янги технологиялар билан ишлашни ўрганишлари зарур. Бу, кўпинча, инсон ресурсларига қўшимча талабларни келтириб чиқаради. Хулоса Хулоса қиладиган бўлсак, Сунъий интеллект технологиялари корхоналарнинг молиявий барқарорлигини оширишдаги ўрни беъқиёсдир. У молиявий таҳлил, хатарлар бошқаруви ва автоматлаштириш каби соҳаларда самарали қарорлар қабул қилишга ёрдам беради. Аммо, уни жорий қилишда маълумотлар сифатини таъминлаш, молиявий сарфларни баҳолаш ва ходимларнинг малакасини ошириш каби масалаларга эътибор қаратилса, Сунъий интеллект технологиялари корхоналар учун катта афзалликларга олиб келади. 42

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 NEYRON TARMOQLARNI KVANTLASH USULLARI Oybek Djurayev1, Muhriddin Muxiddinov1, Jasurbek Djurayev2 1 “Kommunikatsiya va raqamli texnologiyalar kafedrasi, “University of Management and Future Technologies”, Toshkent, O‘zbekiston. djuraev@umft.uz 2Muhammad al-Xorazmiy nomidagi TATU talabasi Annotatsiya: Ushbu maqolada neyron tarmoqlarni kvantlash usullari haqida batafsil ma’lumot beriladi. Kvantlash - bu model og‘irliklari va aktivatsiyalarini kam razryadli sonlarda ifodalab, ularning o‘lchamini kichraytirish va samaradorligini oshirish usulidir. Maqolada kvantlashni hisobga olgan holda o‘qitish (QAT) va o‘qitishdan keyingi kvantlash (PTQ) kabi usullar tushuntiriladi. Bu usullar modellarni cheklangan resursli qurilmalarda, masalan, mobil telefonlar yoki "chekka qurilmalar"da (edge devices) samarali ishlatish imkonini beradi. Kvantlash orqali modelni ixchamlashtirish, xulosa chiqarish tezligini oshirish va energiya sarfini kamaytirish mumkinligi ta’kidlangan. Kalit so‘zlar: Neyron tarmoqlar, kvantlash, kvantlashni hisobga olgan holda o‘qitish (QAT), o‘qitishdan keyingi kvantlash (PTQ), modelni ixchamlashtirish, chekka qurilmalar (edge devices), resurslarni tejash. Kirish Sun’iy intellektdagi sezilarli yutuqlar chuqur neyron tarmoqlarning kuchi va mukammaligi tufayli yuzaga chiqdi. Ushbu murakkab arxitekturalar rasmni tanish, tabiiy tilni qayta ishlash va avtonom tizimlar kabi ko‘plab sohalarda ilg‘or natijalarga erishmoqda. Biroq, ularning aniqligi uchun zarur bo‘lgan chuqurlik va murakkablik katta hisoblash quvvatini va katta model hajmini talab qiladi. Ayniqsa, past quvvat, xotira va energiya imkoniyatlariga ega qurilmalarda bunday modellarning samarali ishlashini ta’minlash muhim muammo hisoblanadi. Shu muammoga yechim sifatida bir qator modelni optimallashtirish usullari ishlab chiqilgan, ularning orasida neyron tarmoqni kvantlash alohida o‘rin tutadi. Kvantizatsiya scale va zero-point ni gradientlar orqali o‘rganadi.Kvantlashning maqsadi va tushunchasi, usullari, sxemalari, kvantlashning model aniqligi va ishlashiga ta’siri, amaliy vositalar, zamonaviy yondashuvlar muhokama qilinadi. Kvantlash model hajmini kamaytirish va ishlash samaradorligini oshirishga qaratilgan. Bu esa, ayniqsa cheklangan resurslarga ega qurilmalarda, tezroq ishlash va kamroq energiya sarfi imkonini yaratadi. Asosiy qism Neyron tarmoqni kvantlash va uning asosiy maqsadlari. Neyron tarmoqni kvantlash - bu neyron tarmoqdagi parametrlarning aniqligini kamaytirish jarayonidir. Odatda bu, og‘irliklar, biaslar va ba’zida aktivatsiyalarni 32-bitli suzuvchi nuqta (FP32) formatidan 8-bitli butun son (INT8) yoki undan past aniqlikka o‘tkazishni anglatadi. 43

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot Asosiy maqsadlar: - Modelni siqish (compression): Kam bitli formatga o‘tkazish orqali model hajmi ancha kichrayadi. Bu kam xotirali qurilmalar uchun juda muhim. Ishlash tezligini oshirish: Past aniqlikdagi arifmetik operatsiyalar, ayniqsa maxsus qurilmalarda, tezroq bajariladi. Quvvat sarfini kamaytirish: Kam bitli ma’lumot va kamroq xotiraga murojaat qilish orqali energiya tejaladi. Kvantlash usullari. o‘qitishdan keyingi kvantlash (Post-Training Quantization - PTQ). PTQ - bu modelni to‘liq o‘qitgandan so‘ng kvantlashni qo‘llash usuli. Ya’ni, model og‘irliklari va ba’zan aktivatsiyalari past aniqlikdagi formatga o‘tkaziladi, lekin qayta o‘qitish talab qilinmaydi. Bu usul oddiy va tezkor, chunki u dastlabki o‘qitish ma’lumotlariga ehtiyoj sezmaydi. Ammo, juda past bitlar (masalan, 4-bit) ishlatilganda aniqlik ancha pasayishi mumkin. Kvantlashni hisobga olgan holda o‘qitish (Quantization-Aware Training - QAT) QAT - modelni o‘qitish jarayonining o‘zida kvantlashni hisobga oladigan usul. o‘qitish vaqtida og‘irliklar va aktivatsiyalar “soxta kvantlash” qilinadi: ular past aniqlikda yaxlitlanadi, lekin haqiqiy hisoblashlar yuqori aniqlikda (FP32) amalga oshiriladi. Bu modelni kvantlashdan kamroq zarar ko‘radigan holatga o‘rgatadi. QAT yuqori aniqlikni saqlab qoladi, lekin ko‘proq resurs va o‘qitish ma’lumotlarini talab qiladi. Odatda PTQdan foydalaniladi, QAT esa aniqlik muhim bo‘lgan holatlarda qo‘llaniladi. Kvantlash darajasi (granulyarligi). Granulyarlik - bu kvantlash qanday “yiriklikda” amalga oshirilishini bildiradi. Ya’ni, qaysi darajadagi og‘irliklar yoki aktivatsiyalar kvantlash parametrlariga ega bo‘ladi. Granulyarlik darajasi qancha nozik bo‘lsa, aniqlikni saqlab qolish shunchalik oson bo‘ladi, lekin amaliyotda bu ko‘proq resurs talab qiladi. Asosiy granulyarlik darajalari: Layer-wise (qatlam bo‘yicha). Har bir qatlam uchun bitta umumiy kvantlash miqyosi (scale) va ofset (zero-point) bo‘ladi. Bu eng sodda va tez ishlaydigan usul, lekin ba’zida aniqlik sezilarli kamayadi. Channel-wise (kanal bo‘yicha). Har bir chiqish kanali (ya’ni, har bir konvolyutsion filtr) uchun alohida kvantlash parametrlari bo‘ladi. Bu ancha aniqlikni saqlaydi va amaliy jihatdan samaraliroq. Group-wise (guruh bo‘yicha). Har bir guruhdagi kanallar uchun bitta kvantlash parametri ishlatiladi. Bu channel-wise va layer-wise orasidagi muvozanatni topishga yordam beradi. Element-wise (element bo‘yicha). Har bir og‘irlik elementi uchun alohida kvantlash bu juda nozik, lekin resurs talab qiladi. Kamdan-kam ishlatiladi [1]. Kvantizatsiya sxemalari. 44

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 Bu bo‘lim kvantlashning sxemalari - ya’ni qanday matematik formulalar asosida kvantlash amalga oshirilishi tushuntiriladi. Asosan ikki xil sxema mavjud: Asimmetrik kvantlash. Bu yerda nolinchi nuqta (zero-point) mavjud. Ya’ni, suzuvchi nuqtadagi nol butun sonlar diapazonida nolga to‘g‘ri kelmasligi mumkin. Bu umumiy holatlarda moslashuvchanlikni oshiradi. 𝑥𝑥 𝑞𝑞𝑥𝑥 = 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟( 𝑠𝑠 + 𝑧𝑧) (1) Bu yerda: x: suzuvchi nuqta qiymati, s: kvantlash masshtabi (scale), z: nol nuqtasi (zero-point) qx: kvantlangan qiymat Simmetrik kvantlash. Bu holda zero-point doimo 0 ga teng bo‘ladi. Kvantlash masshtabi musbat bo‘ladi va butun sonlar atrofida simmetrik taqsimlanadi. Bu usul ayniqsa manfiy va musbat qiymatli og‘irliklar uchun ishlatiladi. Kvantlash formatlari. 𝑥𝑥 𝑞𝑞𝑥𝑥 = 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟( 𝑠𝑠 ) (2) Kvantlashda ishlatiladigan ma’lumot formatlari modelning samaradorligiga katta ta’sir qiladi. Quyidagi formatlar eng ko‘p ishlatiladi: INT8 (8-bit butun son): eng mashhur va amaliy jihatdan yaxshi muvozanatli format. Ko‘p hollarda aniqlikni saqlab qolgan holda ishlatiladi. INT4 / INT2 / INT1 (4, 2, 1-bit): yanada siqilgan formatlar, lekin ular uchun aniqlikni saqlab qolish juda qiyin bo‘ladi. FP16 (16-bit suzuvchi nuqta): bu texnik jihatdan kvantlash hisoblanmasa ham, FP32ga nisbatan samarali yechim hisoblanadi. BF16 (Brain Floating Point 16-bit): FP16ga o‘xshash, lekin aniqlik jihatdan yaxshiroq. Ko‘proq o‘qitishda ishlatiladi [2]. Kvantlashning modelga ta’siri. Kvantlash modelni kichiklashtirish va tezlashtirish imkonini bersa-da, bu ba’zida modelning aniqligiga salbiy ta’sir qiladi. Shu sababli, quyidada kvantlashning ijobiy va salbiy tomonlari tahlil qilinadi. Ijobiy tomonlar: ishlaydi. - Hajmning kamayishi: model hajmi 4x gacha kichrayadi (FP32 → INT8). Hisoblash tezligi ortadi: ayniqsa, INT8 apparatlarda (TPU, GPU, DSP) juda tez Energiyani tejaydi: mobil va chekka (edge) qurilmalarda juda muhim. Salbiy tomonlar: Aniqlikning pasayishi: ayniqsa nozik vazifalarda sezilarli bo‘lishi mumkin. Kompilyatsiya va natija muammolari: ba’zi arxitekturalar yoki qatlamlar kvantlashni qo‘llab-quvvatlamaydi. Muvozanatni saqlash qiyin: ayniqsa past bitli formatlarda (INT4 va INT2). 45

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot Aniqlikni tiklash: Kvantlashdan so‘ng modelda kalibrovka yoki fine-tuning bajarish orqali aniqlikni tiklash mumkin. Shu bilan birga, ba’zi qatlamlarni FP32da saqlab, faqat boshqalarini kvantlash mumkin [3]. Kvantlash vositalari. Amaliyotda kvantlashni amalga oshirish uchun bir nechta kuchli vositalar mavjud. Quyida ularning eng mashhurlari keltirilgan: TensorFlow Lite (TFLite) TFLite kvantlash uchun to‘liq yordam beradi. o‘qitishdan keyingi kvantlash (PTQ), kalibrovka, va kvantlashni hisobga olgan holda o‘qitish (QAT) imkoniyatlari mavjud. Mobil qurilmalar uchun ideal. PyTorch - PyTorch’da torch.quantization moduli mavjud. PTQ va QAT har ikkalasini ham qo‘llab-quvvatlaydi. ONNX orqali eksport qilish mumkin. ONNX Runtime - Kvantlashgan modelni universal formatda ishlatish imkonini beradi. Kompilyatsiya orqali samarali natija beradi. OpenVINO - Intel qurilmalari uchun optimallashtirilgan natija vositasi. Kvantlash modelni ancha tezlashtirish uchun ishlatadi [4]. Zamonaviy yondashuvlar. So‘nggi yillarda kvantlash yanada chuqurroq o‘rganilmoqda va undan foydalanish ko‘paymoqda. Quyida yangi tendensiyalar ko‘rib chiqiladi: Learned Quantization (o‘rganiladigan kvantlash) - Modelni trening paytida kvantlashni o‘rganishga o‘rgatadi Kvantlash masshtabi va nol nuqtasini gradientlar orqali o‘rganadi. Mixed Precision - Ba’zi qatlamlar INT8, boshqalari FP16 yoki FP32da bo‘ladi Bu aniqlik va samaradorlik o‘rtasida muvozanatni beradi. Ultra-low precision (INT4/INT2/1-bit) - Juda zich (compact) modellar yaratish uchun Katta miqdordagi natija kerak bo‘ladigan joylar uchun foydali Lekin aniqlikni saqlash juda qiyin bo‘ladi. Xulosa Neyron tarmoqlarni kvantlash, chuqur o‘rganish (deep learning) modellarini, ayniqsa, resurslari cheklangan muhitlarda samarali qo‘llash imkonini beruvchi muhim texnologiyaga aylandi. Tarmoq parametrlarining aniqligini kamaytirish orqali kvantlash modelni 46

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 ixchamlashtirish, hisoblash tezligini oshirish va energiya samaradorligini yaxshilash kabi muhim afzalliklarni taqdim etadi. o‘qitishdan keyingi kvantlash (Post-Training Quantization) va kvantlashdan xabardor o‘qitish (Quantization-Aware Training) kabi turli usullar, shuningdek, har xil aniqlik darajalari va sxemalar yordamida neyron tarmoqlarni aniq ehtiyojlarga moslash mumkin. Kvantlash aniqlikning ma’lum darajada yo‘qolishiga olib kelishi mumkin bo‘lsa-da, kvantlashdan xabardor o‘qitish va aralash aniqlikdagi kvantlash (mixed-precision quantization) kabi ilg‘or yondashuvlar bu yo‘qotishlarni kamaytirish va ayni paytda sezilarli samaradorlikka erishish imkonini bermoqda. Kvantlash usullaridan foydalanish va tajriba o‘tkazishni osonlashtiruvchi qulay vositalar va platformalarning mavjudligi bu texnikaning ommalashuviga yordam bermoqda. Davom etayotgan ilmiy izlanishlar juda past razryadli kvantlash va apparatga mos optimallashtirish (hardware-aware optimization) yo‘nalishlarida yangi cho‘qqilarni zabt etmoqda. Bu, ayniqsa, tabiiy tilni qayta ishlash (NLP) kabi katta va murakkab modellar uchun kelajakda yanada yuqori samaradorlikni va’da qiladi. Aniqlik, model hajmi va hisoblash samaradorligi o‘rtasidagi muvozanatni hisobga olgan holda har bir aniq dastur yoki apparat platformasi uchun eng mos kvantlash usulini tanlash muhimdir. Chuqur o‘rganish texnologiyalari hayotning turli sohalariga kirib borar ekan, neyron tarmoqlarni kvantlash sohasi tadqiqot va rivojlanishning dolzarb yo‘nalishi bo‘lib qoladi. Adabiyotlar 1. https://arxiv.org/pdf/2101.09671 2. https://www.mdpi.com/2076-3417/14/17/7445 3. https://arxiv.org/pdf/2112.06126 4. https://arxiv.org/html/2306.07215v3 47

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot STRUKTURALASHMAGAN AXBOROT MUHITLARINING XUSUSIYATLARI VA MUAMMOLARI Asqaraliyev Odilbek1, Shukurboyeva Sohiba2 1Sarbon universiteti rektori, texnika fanlari bo‘yicha falsafa doktori(PhD), oasqaraliyev77@gmail.com 2Raqamli texnologiyalar va sun’iy intellektni rivojlantirish ilmiy-tadqiqot instituti Phd tadqiqotchisi, sohiba9926@gmail.com Annotatsiya. Ushbu tezis zamonaviy raqamli kommunikatsiya va axborot boshqaruvi sohasidagi dolzarb muammolardan biri boʻlgan strukturalashmagan axborot muhitlarining xususiyatlarini va muammolarini chuqur tahlil qiladi. Tadqiqot strukturalashmagan maʻlumotlarning asosiy xarakteristikalarini, ularning boshqaruv va qayta ishlash jarayonlarida yuzaga keltiradigan qiyinchiliklarni va mumkin boʻlgan yechimlarni koʻrib chiqadi. Ishning asosiy maqsadi strukturalashmagan axborot muhitlarining texnik, tashkiliy va strategik jihatlarini kompleks tahlil qilish, ularning zamonaviy tizimlar va tashkilotlar faoliyatiga taʻsirini ochib berishdan iboratdir. Tadqiqot maʻlumotlarning tartibsizligi, hajmi, xususiyatlari, boshqaruv muammolari, xavfsizlik tahdidlari kabi muhim qarashlarni oʻz ichiga oladi. Intellektual tahlil vositalari, sunʻiy intellekt texnologiyalari, bulutli platformalar va maʻlumotlar boshqaruvi strategiyalari kabi istiqbolli yoʻnalishlar tahlil qilinadi. Kalit soʻzlar: strukturalashmagan axborot, maʻlumotlar boshqaruvi, raqamli texnologiyalar, sunʻiy intellekt, maʻlumotlar tahlili Kirish Zamonaviy raqamli yangilanish davridagi eng dolzarb muammolardan biri strukturalashmagan axborot muhitlarining murakkabligi va boshqaruv qiyinchiliklaridir. Raqamli texnologiyalarning keng tarqalishi hamda axborot yaratish va almashish tezligining keskin oshishi tufayli, tashkilotlar va korxonalar oʻz maʻlumotlar oqimlarini samarali boshqarishda dolzarb muammolarga duch kelmoqdalar. Strukturalashmagan axborot muhitlari – bu tartibsiz, turli formatdagi va har xil maʻlumotlar toʻplami boʻlib, ularni klassik usullar bilan tizimlashtirish va boshqarish tobora qiyinlashib bormoqda. Ushbu muhitlar elektron pochtalar, hujjatlar, multimedia kontenti, ijtimoiy tarmoqlar yozishmalar va boshqa raqamli kommunikatsiya kanallaridan kelib tushuvchi maʻlumotlarni oʻz ichiga oladi. Ushbu tezislar strukturalashmagan axborot muhitlarining asosiy xususiyatlarini, uning keltirib chiqaradigan muammolarini chuqur tahlil qilishga va mavjud innovatsion yechimlarni o‘rganishga qaratilgan. Tadqiqot raqamli axborot boshqaruvi sohasidagi dolzarb strategik va texnologik yondashuvlarni aniqlashga yordam beradi. Strukturalashmagan axborot muhitlarining xususiyatlari 48

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 Maʻlumotlarning tartibsizligi. Zamonaviy raqamli davrda maʻlumotlarning tartibsizligi muhim strategik muammo sifatida namoyon boʻlmoqda. Tadqiqotlarga koʻra, strukturalashmagan maʻlumotlar tizimlarida klassifikatsiya va tizimlashtirish jarayonlari tobora murakkablashib bormoqda. Maʻlumotlar turli manbalar - kompaniya ichki tizimlar, bulutli platformalar, ijtimoiy tarmoqlar, elektron pochtalar va boshqa kommunikatsiya kanallaridan kelib tushadi, bu esa ularni samarali boshqarishni qiyinlashtiradi[1]. Hajm va oʻsish tezligi. Raqamli maʻlumotlarning oʻsish tezligi global axborot infrastrukturasining asosiy xarakteristikasiga aylanib bormoqda. IDC (International Data Corporation) ning 2023-yildagi hisobotiga koʻra, dunyo boʻylab yaratilayotgan maʻlumotlar hajmi geometrik progressiya boʻyicha oʻsib, har yili 40-45% ga oshib bormoqda. Strukturalashmagan maʻlumotlar ushbu oʻsishning asosiy qismini tashkil qiladi, bu esa klassik axborot boshqaruvi tizimlarining potentsialini boy berishi bilan teng[2]. Xilma-xillik. Maʻlumotlarning xilma-xillik xususiyati – zamonaviy axborot muhitlarining eng muhim xususiyatlaridan biridir. Turli formatdagi maʻlumotlar (matn, audio, video, grafika, strukturalashmagan hujjatlar) bir-biriga integratsiya qilinishi zarur boʻlgan tizimlarni shakllantiradi. Strukturalashmagan axborot muhitlarining asosiy muammolari Maʻlumotlarni boshqarish qiyinchiliklari. Zamonaviy raqamli muhitda maʻlumotlarni boshqarish dolzarb muammolardan biri hisoblanadi. Tadqiqotchilarning izlanishlariga koʻra, strukturalashmagan maʻlumotlar oqimlarida samarali izlash va topish mexanizmlari juda cheklangan[3]. Maʻlumotlarni qayta ishlash va chuqur tahlil qilish jarayonlari murakkab boʻlib, klassik axborot qidiruv tizimlarining imkoniyatlari cheklanmoqda. 1-jadval. Maʻlumotlar boshqaruvi qiyinchiliklari tahlili Muammo Izoh Yechish mexanizmlari Qidiruv mexanizmlari Turli formatdagi maʻlumotlarni samarali qidirish qiyin Intellektual qidiruv tizimlarini joriy etish Tahlil qilish Maʻlumotlarning kompleks tuzilmasi Sunʻiy intellekt va mashina oʻrganish texnologiyalari Integratsiya Turli manbalardan kelgan maʻlumotlarni birlashtirish Unifikatsiya platformalari va API lar Xavfsizlik va maxfiylik tahdidlari. Strukturalashmagan axborot muhitlarida xavfsizlik va maxfiylik tahdidlari tobora dolzarblashib bormoqda. Xalqaro ekspertlar taʻkidlaganlaridek, maʻlumotlarni nazorat qilishning murakkabligi kiberxavfsizlik uchun kritik vaziyadlar yaratmoqda[4]. Xavfsizlik tahdidlari diagnostikasi ⚫ Ruxsatsiz kirish ehtimoli ⚫ Maʻlumotlarning tarqalish xavfi ⚫ Korporativ maxfiy maʻlumotlarning yorqin ochilishi ⚫ Shaxsiy maʻlumotlarning integrasiyalanishi 49

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot Resurslarga boʻlgan talab. Strukturalashmagan maʻlumotlarni qayta ishlash uchun hisoblash resurslari va texnik infratuzilmaga boʻlgan talab keskin oshmoqda. Jahon axborot texnologiyalari assotsiatsiyasining (WITA) 2023-yilgi hisobotiga koʻra, katta hajmdagi maʻlumotlarni saqlash va qayta ishlash uchun yuqori tezlikdagi protsessorlar, katta hajmdagi operativ xotira va tezkor disklar talab qilinadi. 1-rasm. Resurslarga boʻlgan talab diagrammasi. Strukturalashmagan axborot muhitlarining innovatsion yechim va strategiyalari Intellektual tahlil vositalari. Zamonaviy axborot boshqaruvi strategiyalarida sunʻiy intellekt (SI) va mashinali oʻrganish texnologiyalari asosiy rol oʻynaydi. Xalqaro tadqiqotchilar koʻrsatganlaridek, ushbu texnologiyalar strukturalashmagan maʻlumotlarni qayta ishlashning eng samarali mexanizmlari hisoblanadi. 2-rasm. Sunʻiy intellekt texnologiyalarining asosiy qoʻllanilish sxemasi 50

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 2-jadval. SI qoʻllanilish strategiyalari Texnologiya Imkoniyatlari Taʻsir darajasi Mashinali oʻrganish Avtomatik klassifikatsiya Yuqori Tabiiy tilni qayta ishlash Maʻlumotlarni semantik strukturalashtirish Oʻrta-yuqori Klasterlashtirish algoritmlari Kontekstual tahlil Oʻrta Bulutli Texnologiyalar. IDC (International Data Corporation) ning 2023-yilgi hisobotiga koʻra, bulutli platformalar strukturalashmagan maʻlumotlarni boshqarishning eng innovatsion yechimlaridan biri hisoblanadi. Bulutli platformalarning asosiy afzalliklari: ⚫ Resurslardan samarali foydalanish ⚫ Xarajatlarni 35-40% ga kamaytirish ⚫ Masshtablanuvchi arxitektura ⚫ Xavfsizlik va ishonchlilik ⚫ Maʻlumotlarni geografik joylashuvdan qatʻi nazar himoya qilish ⚫ Real-vaqt monitoringi va xavfsizlik nazorati ⚫ Texnologik imkoniyatlar ⚫ Minimal texnik xizmat koʻrsatish xarajatlari Maʻlumotlar boshqaruvi strategiyalari. Zamonaviy axborot boshqaruvi strategiyalari dinamik strukturalashtirish va doimiy monitoring asosida quriladi. Mutaxassislarning tadqiqotlariga koʻra, ushbu strategiyalar: ⚫ Maʻlumotlarning operativ boshqaruvi samaradorligini 50% ga oshiradi. ⚫ Xavfsizlik risklarini sezilarli darajada kamaytiradi. ⚫ Tez va ishonchli qarorlar qabul qilishga yordam beradi[5]. Xulosa Zamonaviy raqamli muhitda strukturalashmagan axborot muhitlari dolzarb muammolardan biri bo‘lib, u katta hajmdagi ma’lumotlarni samarali boshqarish va tahlil qilishni talab etadi. Ushbu muhitning murakkabligi va xilma-xilligi uni an’anaviy ma’lumotlar bazalaridan farqlab, yangicha yondashuvlar ishlab chiqishni zarur qiladi. Bu muammoni hal etish uchun kompleks va integratsiyalashgan yondashuvlar talab qilinadi. Ma’lumotlar oqimini tartibga solish, tahlil qilish hamda samarali boshqarish uchun ilg‘or texnologiyalar va sun’iy intellekt asosidagi tizimlarni joriy etish muhim ahamiyat kasb etadi. Shu bilan birga, ma’lumotlarning o‘zaro integratsiyasi va kontekstual tushunilishini ta’minlash raqamli ekotizimning samaradorligini oshirishga xizmat qiladi. Texnologik innovatsiyalar va strategik yondashuvlar strukturalashmagan axborot muhitlaridan to‘liq foydalanish imkonini beruvchi muhim omillardir. Ma’lumotlar tahlili, tabiiy 51

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot tilni qayta ishlash va mashinaviy o‘rganish kabi ilg‘or usullar muammolarni hal qilishda katta rol o‘ynaydi. Shu sababli, kelajakda ushbu sohada tadqiqotlarni kengaytirish va amaliy yechimlarni ishlab chiqish axborot texnologiyalari rivojlanishining asosiy yo‘nalishlaridan biri bo‘lib qoladi. Adabiyotlar 1. Abdullaev R.M. "Raqamli maʻlumotlar boshqaruvi strategiyalari" (2022) 2. Shankar R. “Unstructured data - growth and challanges” (2015) 3. Jean P.I. “Unstructured data analytics” (2018) 4. Chen X. "Artificial Intelligence in Data Management" (2022) 5. Gantz J. "Big Data: Future Trends and Challenges" (2023) 6. Adanma C.E. “Unstructured Data: an overview of the data of Big Data”(2016) 52

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 КОРХОНАЛАР БОШҚАРУВИГА СУНЪИЙ ИНТЕЛЛЕКТНИНГ ТАЪСИРИ Кравченко Владимир Владимирович, Рақамли технологиялар вазирлиги ҳузуридаги “Рақамли иқтисодиёт тадқиқотлари маркази” давлат муассасаси директори, Ўзбекистон Республикаси Президенти ҳузуридаги Давлат бошқаруви академияси мустақил тадқиқотчиси, v.kravchenko@derc.uz Сўнги йилларда Сунъий интеллект технологиялари ҳар бир соҳага кириб келмоқда. Жумладан корхоналар бошқарувида ҳам Сунъий интеллект технологиялари муҳим аҳамият касб этмоқда. Бугунги кунда сунъий интеллектнинг қўлланилиши кўплаб соҳаларда, хусусан, бизнес ва корхона бошқаруви жараёнларида самрали ҳисобланмоқда. Сўнги 10 йилликда корхоналарнинг бизнес жараёнларига сунъий интеллект технологиялари фаол жалб қилинди ва бу орқали кўплаб корхоналар иқтисодий самарадорликка эришмоқда. Корхона бошқаруви – бу ташкилотнинг кундалик ишларини, ресурсларини, стратегияларини ва ходимларини бошқариш жараёни ҳисобланади. Сунъий интеллектнинг бу жараёнга киритилиши, корхоналарга турли соҳаларда самарадорликни оширишга ёрдам беради. Сунъий интеллект алгоритмлари маълумотларни тезда таҳлил қилиш, қарорлар қабул қилишда ёрдам бериш ва автоматлаштирилган тизимларни бошқариш имконини беради. Сунъий интеллект технологиялари корхоналар бошқарувида қуйидаги ҳолларда фойдаланилади: Сотишни башорат қилишда. Корхона менежерлари кўпинча регрессия таҳлили каби статистик усуллардан фойдаланиб савдони башорат қилишга ҳаракат қилишади. Лекин, бу усусл асосан кичик ҳажмдаги маълумотлар учун мўлжалланган. Сунъий интеллект технологиялари эса, турли хил бошқа маълумотлар нуқталарини ҳисобга олиб, сотишни прогнозлаш сифатини ошириши мумкин. Маҳсулотларни нархлашда. Сунъий интеллект алгоритмлари ёрдами билан маҳсулотларнинг ҳақиқий нархларини топиш мумкин. Дастурий таъминот маълум алгоритмлар асосида истеъмолчиларнинг нарх ўзгаришларига муносабатларини ўрганишга ҳаракат қилади. Ҳозирги кунда АҚШ ва Европа давлатларидага корхоналарда сунъий интеллект алгоритмлари асосида маҳсулотларни нархлаш амалга оширилмоқда. Фирибгарликни аниқлашда. Сўнги пайтларда сунъий интеллект технологияларидан фирибгарликларни аниқлаш ва башорат қилишда кенг фойдаланилмоқда. Ҳозирги кунда корхоналар томонидан ишончсиз маълумотлар тарқатилиб, компаниялар ўз обрўсига путур етказишмоқда ва натижада бозорни тарк этишмоқда. Маълумотларни таҳлил қилиш ва қарорлар қабул қилишда. Корхона бошқарувчиларининг асосий вазифаларидан бири самарали қарорлар қабул қилишдир. Сунъий интеллект ёрдамида катта ҳажмдаги маълумотларни тезкорлик 53

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot билан таҳлил қилиш, улардан хулосалар олиш ва тўғри қарорлар қабул қилиш тизимларини анча енгиллаштиради. Кадрлар бошқарувида. Корхоналарда сунъий интеллект кадрларни бошқаришда муҳим ўрин тутади. Сунъий интеллект тизимлари ходимлар иш фаолиятини таҳлил қилиш, уларга керакли тренингларни аниқлаш ва ҳатто корхона ичидаги муваффақиятли ходимларни аниқлашда ёрдам бериши мумкин. Бундан ташқари, сунъий интеллект тизимлари кадрлар билан боғлиқ жараёнларни автоматлаштиришга ёрдам беради, масалан, интервюлар ўтказиш, ишга қабул қилиш ёки маошларни белгилаш ва бошқа жараёнларда. Медиарежалаштиришда. Сунъий интеллект платформалари корхоналарда шаффоф ва самарали медиа режалаштириш имконини беради. Платформалар уларни автоматик равишда баҳолаш учун кўплаб тегишли фаол маълумотлар нуқталарини тўплайди. Корхоналар бошқарувида сунъий интеллектнинг энг катта афзалликларидан бири – бу самарадорликни оширишдир. Сунъий интеллект ёрдамида корхоналар вақтни тежаш, жараёнларни автоматлаштириш ва хатоларни камайтириш орқали умумий самарадорликни оширишлари мумкин. Сунъий интеллект тизимлари, катта маълумотлар базаларини тезда таҳлил қилиб, раҳбарларга тўғри ва тез қарорлар қабул қилишда ёрдам беради. Шу билан бирга, сунъий интеллект орқали қабул қилинган қарорлар, инсон ресурсларига нисбатан хатоларга йўл қўймасдан амалга оширилади. Сунъий интеллект ўзини ўзи ривожлантирадиган тизимлар орқали янги имкониятларни кашф этади. Корхоналар бу технологияни янги инновацион маҳсулотлар яратишда, янги бозорларга киришда ёки янги хизматлар таклиф қилишда қўллашлари мумкин. Хулоса Хулоса қиладиган бўлсак, Сунъий интеллект, албатта, корхоналар бошқарувида катта ўзгаришларга олиб келмоқда. У нафаqat самарадорликни оширади, балки янги имкониятлар яратади, жараёнларни автоматлаштиради ва қарорлар қабул қилишда ёрдам беради. Бироқ, бу технологиянинг қўлланилиши ҳам ўзининг хавфлари ва чекловларига эга. Корхона бошқарувчилари бу хавфларни ҳисобга олиб, сунъий интеллектни самарали ва масъулиятли тарзда қўллашлари зарур. 54

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 Ko‘ZI OJIZ VA ZAIF Ko‘RUVCHILAR UCHUN TURLI SHAROITLARDA TASVIRDAGI OB’EKTLARNI ANIQLASH MODELLARI VA AQLLI Ko‘ZOYNAK TIZIMI Saydullayev Sirojiddin, o‘ktamov Muhsinjon, Muxiddinov Muhriddin Kommunikatsiya va raqamli texnologiyalar kafedrasi, “University of Management and Future Technologies”, Toshkent, O‘zbekiston. mukhiddinov@umft.uz Anotatsiya: Ko‘rish qobiliyatidan mahrum yoki zaif ko‘ruvchi insonlar kundalik hayotda ko‘plab qiyinchiliklarga duch keladilar. Ularning atrof-muhitni anglash, xavfsiz harakatlanish va mustaqil qaror qabul qilish jarayonlari cheklangan bo‘lib, bu hayot sifatiga salbiy ta’sir ko‘rsatadi. Ushbu muammolarni hal qilish maqsadida sun’iy intellekt va kompyuter ko‘rish texnologiyalaridan foydalanish taklif etilmoqda. Aqlli ko‘zoynak tizimlari ushbu insonlarga obyektlarni taniy olish, matnlarni ovozga aylantirish va navigatsiya imkoniyatlarini taqdim etadi. Taklif etilayotgan tizim to‘rtta asosiy modelga asoslangan. Kam yorug‘likdagi tasvirlarni yaxshilash modeli atrof-muhitni aniqroq ko‘rishga yordam beradi. Ob’ektlarni aniqlash va audio mulohaza modeli foydalanuvchiga atrofdagi narsalar haqida ovozli axborot yetkazadi. Ob’ektlarni yuqori aniqlikda taniy olish modeli esa xavfsiz harakatlanishga ko‘maklashadi. Hayvonlar, mashinalar va boshqa 147 toifadagi tovushlarni taniy oladigan transformator kodlovchi-dekoder modeli orqali foydalanuvchilarga audio fikrmulohaza berish shuningdek, matnni nutqqa aylantirish va teginish grafiklarini yaratish modeli yozuvlarni o‘qish imkonini beradi. Natijada, ushbu texnologiya zaif ko‘ruvchilar hayotini ancha yengillashtiradi. Kalit soʻzlar: Aqlli koʻzoynaklar; Sun’iy intellekt; Koʻr va koʻrish qobiliyati zaif insonlar; Chuqur oʻrganish algoritmlari; Kam yorug‘lik sharoitidagi tasvirlarni qayta ishlash; Kordamchi texnologiyalar; Obyektlarni aniqlash; Audio fikr-mulohaza tizimlari; Yangilanadigan taktil displey. Kirish Ko‘zi ojiz va zaif ko‘ruvchilar mustaqil harakatlanish, atrof-muhitni anglash va yozma ma’lumotlarni o‘qishda katta qiyinchiliklarga duch keladilar. Ushbu muammolarni bartaraf etish maqsadida sun’iy intellekt (SI) va chuqur o‘qitish texnologiyalaridan foydalangan holda aqlli ko‘zoynak tizimi taklif etiladi. Ushbu tizim obyektlarni aniqlash, matnni ovozli shaklda taqdim etish, navigatsiya va to‘siqlardan ogohlantirish imkoniyatlarini ta’minlaydi. Tadqiqot natijalari shuni ko‘rsatadiki, tizim ExDark ma’lumotlar to‘plamida sinovdan o‘tkazilganda kam yorug‘lik sharoitida obyektlarni 90% aniqlikda taniydi. Taklif etilgan yechim koʻr va koʻrish qobiliyati zaif insonlarning mustaqil hayot kechirishiga ko‘maklashib, ularning ijtimoiy faolligini oshirishga xizmat qiladi. Aqlli ko‘zoynak nafaqat vizual ma’lumotlarni ovozga aylantirish, balki kengaytirilgan sensor interfeys orqali qo‘l harakati bilan boshqarish imkoniyatini ham ta’minlaydi. Ushbu texnologiya yordamida foydalanuvchilar nafaqat mustaqil harakatlana oladilar, balki o‘z atrofidagi muhitni yanada aniqroq anglash imkoniyatiga ega bo‘ladilar. Aqlli ko‘zoynakning texnologik jihatdan takomillashtirilishi kelajakda yanada keng qamrovli qo‘llanilishini ta’minlaydi. 55

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot Ko‘zi ojiz va zaif koʻruvchilar kundalik hayotda harakatlanish va atrof-muhitni bilishda qiyinchiliklarga duch keladilar. Ularning mustaqil harakatlanishi uchun qoʻl tayoq , gid itlar va smartfon ilovalari kabi yordamchi vositalar qo‘llaniladi. Biroq, bunday vositalar ko‘pincha yetarlicha samarali bo‘lmaydi. Masalan, qoʻl tayoq uzoq masofalarda samarasiz bo‘lishi mumkin, gid itlarni o‘rgatish va ularga g‘amxo‘rlik qilish esa juda qimmatga tushadi, smartfon ilovalaridan foydalanish esa hamma uchun qulay bo‘lmasligi mumkin. Shu sababli, aqlli texnologiyalar asosida ishlab chiqilgan yordamchi qurilmalar tobora ommalashmoqda. 1-jadvalda koʻr va koʻrish qobiliyati zaif insonlar uchun yordamchi vositalarning afzalliklari va kamchiliklari keltirilgan. 1-jadval. Koʻr va koʻrish qobiliyati zaif insonlarga yordamchi yordamchi vositalar taxlili Yordamchi Vosita Afzalliklari Kamchiliklari Oq Tayoq 1. Oson foydalanish, arzon. 1. Gavjum joylarda samarasiz. 2. Eng keng tarqalgan vosita. 2. Foydalanuvchi qo‘llaridan foydalanish imkoniyatini cheklaydi. Yo‘lboshchi Itlar 1. Foydalanuvchining 1. o‘rgatish va g‘amxo‘rlik qilish juda xavfsizligini ta'minlaydi. qimmat. 2. Do‘stlik va qulaylikni taqdim 2. Ba'zi joylarda (yopiq teatrlar, etadi. kirish cheklovlari) foydalanish mumkin emas. Smartfon Ilovalari 1. Yuqori darajadagi 1. Hamma uchun qulay emas, moslashuvchanlik. texnik ko‘nikmalarni talab qiladi. 2. Sensorlar va kameralar 2. Boshqa qurilmalar bilan yordamida real vaqtda integratsiya qilishda muammolar ma'lumot taqdim etadi. bo‘lishi mumkin. Aqlli Ko‘zoynaklar (Tunda Ko‘rish, Kam Yorug‘likdagi Tasvirni Yaxshilash Modeli) 1. Tunda va kam yorug‘likda 1. Batareya muddatining yaxshi ko‘rish imkoniyatini cheklanishi, uzoq vaqt ishlatilganda taqdim etadi. zaruriy quvvatni ta'minlash muammosi. 2. Kameralar va infraqizil 2. Yangi texnologiya bo‘lgani uchun texnologiyalar yordamida ba'zi foydalanuvchilarni qo‘llabmuhitni yaxshilash. quvvatlash cheklangan bo‘lishi mumkin. 3. Ko‘zi ojiz va zaif 3. Tez-tez yangilanishlar va texnik koʻruvchilarga tunda mustaqil xatoliklar bo‘lishi mumkin. harakat qilish imkoniyatini beradi. Taklif etilayotgan aqlli ko‘zoynaklar tunda ko‘rish, kam yorug‘likdagi tasvirni yaxshilash modeli kiritilgan. Ushbu modellar ko‘zi ojiz va zaif koʻruvchilarga tunda ham samarali harakat qilish imkoniyatini yaratadi, bu esa ularning mustaqilligini oshiradi. 56

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 Adabiyotlar sharhi Aqlli ko‘zoynaklar: tunda ko‘rish va kam yorug‘likdagi tasvirni yaxshilash. Zamonaviy aqlli ko‘zoynaklar texnologik rivojlanish natijasida turli sharoitlarda, jumladan, past yorug‘lik va tungi muhitda ko‘rish imkoniyatini oshirish uchun ishlab chiqilmoqda. Ushbu tizimlar chuqur o‘rganish modellaridan foydalangan holda tasvir sifatini yaxshilash, ob’ektlarni aniqlash va foydalanuvchiga real vaqt rejimida kerakli vizual yoki audio ma’lumotlarni taqdim etishga yo‘naltirilgan. Kam yorug‘likda tasvirni yaxshilash uchun maxsus ishlab chiqilgan model past aniqlikdagi tasvirlarni yuqori sifatli tasvirlarga aylantiruvchi konvolyutsion neyron tarmoqlarga asoslanadi. 2.1. Ko‘r va ko‘rish qobiliyati zaif insonlar uchun tunda va kam yorug‘likda ko‘rish imkoniyatini ta’minlovchi tizimlar Ko‘r va ko‘rish qobiliyati zaif insonlar uchun atrof-muhitni yaxshiroq idrok etish imkoniyatini yaratish maqsadida ilg‘or texnologiyalardan foydalangan holda tunda va kam yorug‘lik sharoitida ishlovchi maxsus tizimlar ishlab chiqilmoqda. Ushbu tizimlar sun’iy intellekt, kompyuter ko‘rish, infraqizil tasvir qayta ishlash va chuqur o‘rganish modellaridan foydalanib, foydalanuvchilarga real vaqt rejimida muhit haqidagi vizual va audio ma’lumotlarni yetkazib beradi. Bunday tizimlarning asosiy vazifasi past yorug‘lik sharoitida tasvir sifatini yaxshilash va vizual kontentni aniqroq ko‘rinishga keltirishdan iborat. Buning uchun maxsus ishlab chiqilgan kam yorug‘likdagi tasvirni yaxshilash modellaridan foydalaniladi. Ushbu modellar konvolyutsion neyron tarmoqlarga asoslangan bo‘lib, tasvirning yorqinligini oshirish, shovqinni kamaytirish hamda muhim tafsilotlarni tiklash orqali uning sifatini yaxshilaydi. ExDark va LOL kabi past yorug‘lik sharoitidagi tasvirlar to‘plamlarida o‘qitilgan bu modellar infraqizil va optik sensorlar bilan integratsiya qilingan holda ishlaydi. Shuningdek, aqlli ko‘zoynaklar va taqiladigan qurilmalar ushbu texnologiyalarni qo‘llab-quvvatlab, ob’ektlarni aniqlash, matnni taniy olish va taktil grafiklar yaratish imkonini beradi. Sun’iy intellekt serverida ishlovchi yuqori samarali chuqur o‘rganish modellarining yordamida tasvir real vaqt rejimida qayta ishlanadi va natijalar foydalanuvchiga audio vositalar yoki sensorli interfeys orqali yetkaziladi. Bu texnologiyalar ko‘r va zaif ko‘ruvchi insonlarning shaxsiy harakatlanish xavfsizligini oshirish, ularga mustaqil ravishda atrof-muhit bilan o‘zaro aloqa qilish imkoniyatini ta’minlash hamda kundalik hayot faoliyatlarini soddalashtirishga xizmat qiladi. Tizimlarning rivojlanishi kelajakda ushbu foydalanuvchilar uchun yanada intuitiv va samarali yordamchi qurilmalarni yaratishga imkon beradi. 2.2. Tunda obyektni aniqlash va tanib olish modellari Tunda ob’ektlarni aniqlash va tanib olish kompyuter ko‘rish sohasida dolzarb muammolardan biri bo‘lib, kam yorug‘lik, shovqin va vizual tafsilotlarning yo‘qolishi kabi omillar modelning samaradorligiga ta’sir qiladi. Ushbu muammolarni bartaraf etish maqsadida ilg‘or chuqur o‘rganish texnologiyalaridan, jumladan, konvolyutsion neyron tarmoqlarga (CNN) asoslangan tasvirni qayta ishlash usullaridan foydalaniladi. Tunda ob’ektni aniqlash modellari odatda infraqizil, termal va past yorug‘likdagi tasvirlarni qayta ishlashga moslashtirilgan bo‘lib, ExDark, LOL va FLIR Thermal datasetlari 57

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot kabi maxsus ma’lumotlar to‘plamlarida o‘qitiladi. YOLO (You Only Look Once), Faster R-CNN va DETR (Detection Transformer) kabi ilg‘or modellar past yorug‘lik sharoitlarida ishlash uchun optimallashtirilgan. Ushbu modellar turli murakkab transformatsiyalar orqali tasvirdagi muhim xususiyatlarni ajratib olib, ob’ektlarning joylashuvi va sinfini aniqlaydi. Kelajakda tunda ob’ektni aniqlash va tanib olishni takomillashtirish uchun multimodal yondashuvlar, ya’ni infraqizil va optik sensorlarni birgalikda ishlatish, GAN (Generative Adversarial Networks) modellaridan foydalangan holda tasvir sifatini yaxshilash va mustahkam o‘rganish metodlarini qo‘llash istiqbolli yo‘nalishlar sifatida qaralmoqda. Ushbu yondashuvlar modelning tunda ham barqaror va yuqori aniqlikda ishlashini ta’minlashi mumkin. Quyidagi 2-jadvalda tunda ob’ektni aniqlash va tanib olish modellari, ularning ishlash xususiyatlari hamda samaradorligi ko‘rsatilgan. Ko‘rinib turibdiki, har bir modelning o‘ziga xos afzallik va cheklovlari mavjud. Kontekst va foydalanish holatiga qarab mos model tanlanishi kerak. 2.3. Taklif etilayotgan aqlli ko‘zoynak tizimi arxitekturasi Bizning asosiy maqsadimiz ko‘zi ojiz va zaif ko‘ruvchilar uchun kunduzi ham, kechasi ham mustaqil harakatlanish imkoniyatlarini kengaytirish va ularning hayot sifatini oshirishdan iborat. Ushbu maqsadga erishish uchun eng samarali yondashuvlardan biri – taqiladigan aqlli ko‘zoynak va mini-kamera yordamida atrof-muhitni vizual tahlil qilish, aniqlangan ob’ektlar haqidagi ma’lumotlarni esa foydalanuvchilarga ovozli qayta aloqa orqali yetkazib beradigan ko‘p funksiyali tizimni ishlab chiqishdir. Bundan tashqari, yangilanadigan taktil displey orqali ko‘zi ojiz foydalanuvchilar ob’ektlarning konturlarini sezish orqali vizual ma’lumotni idrok etish imkoniyatiga ega bo‘ladilar. Tizim yuqori aniqlikda ob’ektlarni aniqlash uchun chuqur konvolyutsion neyron tarmoqlardan (CNN) foydalanadi hamda real vaqt rejimida samarali ishlashi uchun yuqori unumdorlikka ega protsessor bilan jihozlanadi. Shu sababli, tizim mijoz-server arxitekturasi asosida ishlab chiqilgan bo‘lib, uning mahalliy qismi aqlli ko‘zoynak va smartfon/taktil displeydan [63] iborat, tasvirlarni qayta ishlash vazifalari esa sun’iy intellekt serverida amalga oshiriladi. Keyingi matnlarda soddalik uchun smartfon/taktil displey atamasi o‘rniga "smartfon" so‘zi ishlatiladi. Taklif etilayotgan tizimning umumiy arxitekturasi 2-rasmda tasvirlangan. Mahalliy qism aqlli ko‘zoynak va smartfondan iborat bo‘lib, u Bluetooth orqali ma’lumot almashadi. Shu bilan birga, sun’iy intellekt serveri mahalliy qurilmadan tasvirlarni qabul qilib, ularni qayta ishlaydi va natijalarni audio shaklda qaytaradi. Aqlli ko‘zoynak qurilmasi o‘zida dinamikni mujassamlashtirgan bo‘lib, smartfondan yuborilgan audio natijalarni eshitish porti orqali ham tinglash imkoniyati mavjud. Sun’iy intellekt serveri quyidagi to‘rtta asosiy modelni o‘z ichiga oladi: Kam yorug‘likdagi tasvirni yaxshilash modeli – tasvir sifatini oshirish va shovqinni kamaytirish uchun. Ob’ektni aniqlash va tanib olish modeli – atrof-muhitdagi obyektlarni identifikatsiya qilish uchun. Matnni aniqlash modeli – yozuvlarni taniy olish va ovozli formatga o‘girish uchun. Matndan nutqqa o‘tkazish (TTS) va taktil grafiklarni yaratish modeli – aniqlangan ma’lumotlarni ovozli va taktil shaklda taqdim etish uchun. 58

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 2-rasm. Taklif etilayotgan tizimning umumiy arxitekturasi. Mahalliy tizimning ishlash tartibi quyidagicha tashkil etilgan: avvalo, foydalanuvchi aqlli ko‘zoynak va smartfon o‘rtasida Bluetooth aloqasini o‘rnatadi. Shundan so‘ng, foydalanuvchi aqlli ko‘zoynak orqali tasvirga olish so‘rovini yuborishi mumkin, bunda tasvir smartfon tomonidan olinadi. Ushbu yondashuv aqlli ko‘zoynakning quvvat sarfini sezilarli darajada kamaytiradi, chunki u uzluksiz video skanerlash o‘rniga faqat kerakli vaqtda tasvir olish uchun ishlaydi. Tizim quyosh chiqishi va botishiga qarab ikkita ishlash rejimiga ega: kunduzgi va tungi. Kunduzgi rejimda kam yorug‘likdagi tasvirni yaxshilash modeli ishlatilmaydi. Tungi rejimda (3-rasm) esa smartfondan tasvir olingandan so‘ng, avvalo, tasvir sifati oshiriladi va shovqinlar kamaytiriladi. Keyin, ob’ektlarni aniqlash, tanib olish va matnni taniy olish modellari ishga tushiriladi, natijalar esa nutqqa aylantiriladi va ovozli shaklda foydalanuvchiga yetkaziladi. Yakuniy audio natijalar sun’iy intellekt serverining javobi sifatida mahalliy qurilmaga qaytariladi. Shunday qilib, ishlab chiqilayotgan tizim ko‘zi ojis va zayif ko‘ruvchi foydalanuvchilarning atrof-muhitni idrok etish jarayonini soddalashtirishga va ularning kundalik hayotida mustaqil harakatlanish imkoniyatlarini kengaytirishga xizmat qiladi. Olingan tasvirlar sun’iy intellekt serveriga uzatiladi, u yerda ma’lumotlar qayta ishlanib, ob’ektlarni aniqlash va tanib olish natijalari naushnik, karnay yoki smartfon orqali ovozli fikr-mulohaza shaklida foydalanuvchiga yetkaziladi. Shuningdek, taktil paneldan foydalanuvchilar identifikatsiya qilingan ob’ektlarning konturlarini sezish orqali vizual ma’lumotni idrok eta oladilar. Xulosa Ushbu maqolada ko‘r va ko‘rish qobiliyati zaif insonlar odamlari uchun kompyuterni koʻrish va chuqur oʻrganishdan foydalangan holda ob'ektni aniqlash, ob'ektni ajratib olish va 59

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot matnni aniqlash modellarini oʻz ichiga olgan aqlli ko‘zoynak tizimi tasvirlangan. Taklif etilayotgan tizim toʻliq avtomatik boʻlib, sun’iy intellekt serverida ishlaydi. U tungi muhitda Ko‘r va ko‘rish qobiliyati zaif insonlarga yordam berish uchun kam yorug‘lik va qorong‘u sahna tasvirlaridan ob'ektlarni aniqlaydi va taniydi. An'anaviy aqlli ko‘zoynak tizimi chuqur oʻrganish modellari va teginish grafiklari uchun ob'ektni ajratib olish va matndan nutqqa matnni tanib olish qoʻshilishi yordamida kengaytirildi. Aqlli ko‘zoynak tizimlari oʻrnatilgan tizimlarda koʻproq energiya va xotira talab qiladi, chunki ular chuqur oʻrganish modellariga asoslangan. Shuning uchun biz real vaqt rejimida ishlashni ta'minlash va energiya muammolarini hal qilish uchun uni sun'iy intellekt serverida qurdik. 5G texnologiyasining rivojlanishi bilan tasvir ma'lumotlarini sun’iy intellekt serveriga uzatish hamda foydalanuvchilarga real vaqt rejimida natijalarni yetkazib berish yanada tez va samarali amalga oshirilish mumkin. Eksperimental natijalar shuni koʻrsatdiki, ob'ektni aniqlash, aniq ob'ektni ajratib olish va matnni aniqlash modellari mustahkam va qorong‘i sahna muhitida kam yorug‘likni yaxshilash texnikasi yordamida yaxshi ishlaydi. Kelajakda biz ob'ektni aniqlash va matnni aniqlash vazifalarini, shuningdek, tunda baholashni hal qilish uchun chegaralangan quti va yerdagi haqiqat ma'lumotlari bilan past yorug‘lik va qorong‘i tasvirli ma'lumotlar toʻplamini yaratishni maqsad qilganmiz. Adabiyotlar 1. Mukhiddinov, Mukhriddin.; Cho, Jinsoo. Smart Glass System Using Deep Learning for the Blind and Visually Impaired. Sensors, 2025, 25, 1234. [CrossRef] 2. Chen, C.; Chen, Q.; Xu, J.; Koltun, V. Learning to See in the Dark. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2018, pp. 3291–3300. [CrossRef] 3. Guo, X.; Li, Y.; Ling, H. LIME: Low-Light Image Enhancement via Illumination Map Estimation. IEEE Transactions on Image Processing, 2017, 26(2), 982–993. [CrossRef] 4. Lore, K. G.; Akintayo, A.; Sarkar, S. LLNet: A Deep Autoencoder Approach to Natural Low-Light Image Enhancement. Pattern Recognition, 2017, 61, 650–662. [CrossRef] 5. Zhang, Y.; Zhang, J.; Guo, X. Kindling the Darkness: A Practical Low-Light Image Enhancer. Proceedings of the 27th ACM International Conference on Multimedia, 2019, pp. 1632–1640. [CrossRef] 6. Wei, C.; Wang, W.; Yang, W.; Liu, J. Deep Retinex Decomposition for Low-Light Enhancement. British Machine Vision Conference (BMVC), 2018. [CrossRef] 7. Li, C.; Guo, C.; Han, L.; Jiang, J. Zero-Reference Deep Curve Estimation for LowLight Image Enhancement. IEEE Transactions on Image Processing, 2021, 30, 2340–2355. [CrossRef] 8. Zhang, X.; Zhang, L.; Li, C. Retinex-inspired Unrolling with CNN for Low-light Image Enhancement. IEEE Transactions on Image Processing, 2021, 30, 4421–4434. [CrossRef] 9. Fan, Z.; Zhang, Z.; Wang, Y. Multi-Scale Retinex-based Image Enhancement via Deep Learning. IEEE Access, 2020, 8, 78977–78989. [CrossRef] 60