Sun’iy Intellekt va Raqamli Iqtisodiyot

4-jadval Murojaatlarning vaqt bo‘yicha taqsimoti (chiziqli diagramma) Vaqt Murojaatl oralig‘i ar (%) 06:00– 28% 12:00 12:00– 41% 18:00 18:00– 31% 00:00 Xulosa va amaliy tavsiyalar. Natijalar shuni ko‘rsatdiki, geolokatsiya asosidagi tahlil muammolarning faqat mavjudligini emas, balki ularning hududiy va vaqtli qonuniyatlarini aniqlash imkonini beradi. Ayniqsa, klasterlash natijalari muammolarning tasodifiy emas, balki tizimli xarakterga ega ekanligini ko‘rsatdi. Bu esa davlat xizmatlarini rejalashtirishda muhim ahamiyatga ega. Olingan natijalar geolokatsiya asosidagi tahlil yondashuvi shahar infratuzilmasi muammolarini aniqlashda samarali ekanligini ko‘rsatdi. Klasterlash natijalari muammolarning tasodifiy emas, balki hududiy qonuniyatlar asosida shakllanishini isbotlaydi [4], [6]. Mazkur yondashuv davlat boshqaruvi va shahar rejalashtirish jarayonlarida katta ma’lumotlar (Big Data) va analitik platformalar bilan integratsiya qilinishi mumkin [11], [14]. Xulosa qilib shuni aytish mumkinki, mazkur maqolada geolokatsiya asosida aholi murojaatlarini tahlil qilish modeli ishlab chiqildi. Model “muammolarni hududiy aniqlash”, “tezkor choralar ko‘rish”, “resurslarni samarali taqsimlash” va “Smart City tizimlari uchun analitik asos yaratish” kabi imkoniyatlarni berdi. Tadqiqot natijalari geolokatsiya va GIS texnologiyalaridan foydalanish shahar muammolarini aniqlash va boshqarishda muhim vosita ekanligini tasdiqlaydi. Ushbu yondashuv BMT tomonidan ilgari surilgan barqaror urbanizatsiya tamoyillariga ham mos keladi [13], [15]. Kelgusida modelni real vaqt rejimida ishlovchi GeoAI va bashoratlash algoritmlari bilan boyitish hamda sun’iy intellekt asosida prognozlash va real vaqt monitoringi bilan boyitish rejalashtirilmoqda. Foydalanilgan adabiyotlar ro‘yxati 1. Batty, M. (2013). The New Science of Cities. MIT Press, Cambridge, MA, USA. 2. Goodchild, M.F. (2018). Reimagining the history of GIS. Annals of GIS, 24(1), 1–8. https://doi.org/10.1080/19475683.2018.1424737 3. Longley, P.A., Goodchild, M.F., Maguire, D.J., & Rhind, D.W. (2015). Geographic Information Science and Systems (4th ed.). Wiley, Hoboken, NJ, USA. 4. Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining (KDD), 226–231. 5. Zhang, D., Li, N., Zhou, Z.H., Chen, C., Sun, L., & Li, S. (2014). iBAT: Detecting anomalous taxi trajectories from GPS traces. Proceedings of the 13th International Conference on Ubiquitous Computing, 99–108. https://doi.org/10.1145/2632048.2636076 6. Zheng, Y., Capra, L., Wolfson, O., & Yang, H. (2014). Urban computing: Concepts, methodologies, and applications. ACM Transactions on Intelligent Systems and Technology, 5(3), 1–55. https://doi.org/10.1145/2629592 19

7. Hasan, S., Schneider, C.M., Ukkusuri, S. V., & González, M. C. (2013). Spatiotemporal patterns of urban human mobility. Journal of Statistical Physics, 151(1–2), 304– 318. https://doi.org/10.1007/s10955-012-0645-0 8. Andris, C. (2016). Integrating social network data into GISystems. International Journal of Geographical Information Science, 30(10), 2009–2029. https://doi.org/10.1080/13658816.2016.1153122 9. Li, X., Zhang, C., Li, W., Ricard, R., Meng, Q., & Zhang, W. (2015). Assessing streetlevel urban greenery using Google Street View and a modified green view index. Urban Forestry & Urban Greening, 14(3), 675–685. https://doi.org/10.1016/j.ufug.2015.06.006 10. Openshaw, S. (1984). The Modifiable Areal Unit Problem. Geo Books, Norwich, UK. 11. Kitchin, R. (2014). The Data Revolution: Big Data, Open Data, Data Infrastructures and Their Consequences. Sage Publications, London, UK. 12. Shahabi, C., Kolahdouzan, M., & Sharifzadeh, M. (2003). A road network embedding technique for K-nearest neighbor search in moving object databases. GeoInformatica, 7(3), 255– 273. https://doi.org/10.1023/A:1025138013232 13. United Nations. (2019). World Urbanization Prospects: The 2018 Revision. United Nations Department of Economic and Social Affairs, New York, USA. 14. IBM Corporation. (2021). Smart Cities and Intelligent Infrastructure. IBM White Paper, Armonk, NY, USA. 15. ESRI. (2023). GIS for Smart Cities: Spatial Analytics for Urban Management. ESRI Press, Redlands, CA, USA. SUN’IY INTELLEKT TASNIFI, IMKONIYATLARI VA QO‘LLANILISH SOHALARI To‘xtayev Sanjar Maxsudovich, Buxoro innovatsiyalar universiteti “Axborot texnologiyalari va dasturiy injinering” kafedrasi o‘qituvchisi, sanjar_tuxtayev@bui.uz Annotatsiya. Ushbu maqola zamonaviy axborot jamiyatining transformatsiyasida hal qiluvchi rol o‘ynayotgan sun’iy intellekt (SI) texnologiyalarining nazariy va amaliy asoslarini o‘rganishga bag‘ishlangan. Maqolada SI tushunchasining evolyutsiyasi, uning intellektual darajasi bo‘yicha iyerarxik tasnifi (ANI, AGI, ASI) hamda fundamental yondashuvlari – qoidalarga asoslangan tizimlardan tortib, murakkab generativ va mustahkamlovchi o‘rganish (Reinforcement Learning) algoritmlarigacha tahlil qilinadi. Tadqiqot davomida SI tizimlarining tibbiyotda aniq diagnostika, moliya sektorida risklarni boshqarish, ta’limda adaptiv o‘qitish va sanoatda jarayonlarni avtomatlashtirishdagi strategik ahamiyati asoslab beriladi. Shuningdek, maqolada texnologik yutuqlar bilan bir qatorda yuzaga kelayotgan etik muammolar, xususan, algoritmik bias (tomonlamalik), ma’lumotlarning shaffofligi (Explainable AI) va kiberxavfsizlik masalalari ilmiy nuqtai nazardan muhokama qilinadi. Xulosa qismida SI tizimlarini milliy iqtisodiyotga integratsiya qilishda inson omili va huquqiy tartibga solishning zarurligi ta’kidlanadi. Kalit so‘zlar. sun’iy intellekt; mashinaviy o‘rganish; chuqur o‘rganish; NLP; kompyuter ko‘rish; optimallashtirish; bias; maxfiylik. Аннотация. Данная статья посвящена изучению теоретических и практических основ технологий искусственного интеллекта (ИИ), играющих решающую роль в трансформации современного информационного общества. В статье анализируются эволюция понятия ИИ, его иерархическая классификация по уровню интеллекта (ANI, AGI, ASI), а также фундаментальные подходы – от систем, основанных на правилах, до сложных алгоритмов генеративного обучения и обучения с подкреплением (Reinforcement Learning). В ходе исследования обосновывается стратегическое значение систем ИИ для 20

точной диагностики в медицине, управления рисками в финансовом секторе, адаптивного обучения в образовании и автоматизации процессов в промышленности. Кроме того, наряду с технологическими достижениями, в статье с научной точки зрения обсуждаются возникающие этические проблемы, в частности, алгоритмическая предвзятость (bias), объяснимость моделей (Explainable AI) и вопросы кибербезопасности. В заключении подчеркивается необходимость учета человеческого фактора и правового регулирования при интеграции систем ИИ в национальную экономику. Ключевые слова: искусственный интеллект; машинное обучение; глубокое обучение; NLP; компьютерное зрение; оптимизация; предвзятость (bias); конфиденциальность. Abstract. This thesis outlines the concept of Artificial Intelligence (AI), its main classifications, and key ap-plication domains. It briefly reviews rule-based systems, machine learning, deep learning, and rein- forcement learning, and highlights how AI improves decisionmaking, prediction, and automation in healthcare, education, industry, finance, agriculture, and logistics. The thesis also summarizes major limitations and risks, including data quality issues, bias, lack of transparency, and privacy concerns. Keywords. artificial intelligence; machine learning; deep learning; NLP; computer vision; optimization; bias; privacy. Kirish. Insoniyat tarixi davomida texnologik taraqqiyot bir necha bor jamiyatning rivojlanish yo‘nalishini o‘zgartirgan. Biroq, XXI asrning eng hayratlanarli va keng ko‘lamli hodisasi – Sun’iy Intellekt (SI)ning paydo bo‘lishi va barcha sohalarga shiddat bilan kirib kelishidir. SI shunchaki dasturiy ta’minot emas, balki kompyuter tizimlarining katta hajmdagi ma’lumotlarni (Big Data) qayta ishlash, mantiqiy xulosalar chiqarish, o‘tmish tajribasidan o‘rganish va o‘zgaruvchan sharoitlarga moslashish kabi inson ongiga xos intellektual funksiyalarni bajarish qobiliyatidir. Bugungi kunda SI texnologiyalari oddiy algoritmlardan murakkab ekotizimlarga aylandi. Uning rivojlanishiga uchta asosiy omil turtki bo‘ldi: Hisoblash quvvatlarining ortishi (GPU va TPU texnologiyalari); Katta ma’lumotlar (Big Data) oqimining mavjudligi; Matematik algoritmlarning (xususan, neyron tarmoqlarining) takomillashishi. Ilmiy adabiyotlarda SI ko‘pincha "Yangi elektr quvvati" (The New Electricity) deb ataladi, chunki elektr energiyasi sanoatni qanday o‘zgartirgan bo‘lsa, SI ham bugun ishlab chiqarish, xizmat ko‘rsatish va boshqaruv tizimlarini xuddi shunday tubdan isloh qilmoqda. Masalan, tabiiy tilni qayta ishlash (NLP) sohasidagi yutuqlar inson va mashina o‘rtasidagi muloqotni mutlaqo yangi bosqichga olib chiqdi, kompyuter ko‘rishi (Computer Vision) esa tibbiy diagnostika va avtonom transport vositalarida inson imkoniyatlaridan yuqori natijalarni ko‘rsatmoqda. Biroq, SI ning keng ko‘lamli joriy etilishi faqat ijobiy imkoniyatlar bilan cheklanib qolmay, tizimli risklarni ham keltirib chiqarmoqda. Algoritmlarning qaror qabul qilish jarayonidagi "qora quti" (black box) effekti, ya’ni qaror qanday qabul qilinganini tushuntirib bera olmaslik muammosi, bugungi kunda olimlar va huquqshunoslar oldida turgan eng dolzarb masalalardan biridir. Ushbu maqola SI ning tasnifi va imkoniyatlarini tizimlashtirish bilan birga, ushbu texnologik taraqqiyotning salbiy oqibatlarini minimallashtirish yo‘llarini ham tadqiq etishni maqsad qiladi. 21

Sun’iy intellektning iyerarxik tasnifi va evolyutsion bosqichlari: sun’iy intellekt tizimlari o‘zining intellektual salohiyati va funksional imkoniyatlariga ko‘ra bir necha strategik guruhlarga bo‘linadi. Bu tasnif nafaqat texnologik darajani, balki tizimning inson ongiga qanchalik yaqinlashganini ham belgilaydi. Tor (Kuchsiz) SI (Artificial Narrow Intelligence - ANI): bugungi kunda mavjud bo‘lgan barcha SI yutuqlari ushbu toifaga kiradi. Ular muayyan bir sohada (masalan, shaxmat o‘ynash, til tarjimasi yoki yuzni tanish) insondan o‘zib ketishi mumkin, biroq o‘z ixtisosligidan tashqaridagi masalalarda mutlaqo ojizdir. Umumiy SI (Artificial General Intelligence - AGI): bu intellekt darajasi inson bilan tenglashgan bosqichdir. AGI har qanday intellektual vazifani o‘rgana oladi, mavhum fikrlaydi va bir sohadagi bilimini ikkinchi sohaga ko‘chira oladi. Hozirda bu yo‘nalish ilmiy tadqiqotlar bosqichida. Superintellekt (Artificial Super Intelligence ASI): insoniyat tarixidagi eng buyuk daholardan ham barcha sohalarda (ilmiy kashfiyotlar, ijtimoiy munosabatlar, strategik boshqaruv) ustun bo‘lgan gipotetik bosqich. SI ning ishlash mexanizmi uning o‘rganish metodologiyasiga tayanadi. Zamonaviy SI asosan quyidagi uchta ustunga qurilgan: mashinaviy o‘rganish (Machine Learning): bu yondashuvda tizimga qat’iy qoidalar berilmaydi. Buning o‘rniga, algoritm katta hajmdagi ma’lumotlarni (Dataset) tahlil qilib, ular orasidagi korrelyatsiya va qonuniyatlarni mustaqil topadi. Birinchidan, chuqur o‘rganish (Deep Learning): bu ML ning yuqori bosqichi bo‘lib, u ko‘p qatlamli neyron tarmoqlariga asoslanadi. Masalan, tasvirni aniqlashda birinchi qatlam piksellarni, ikkinchisi chiziqlarni, uchinchisi esa butun bir shaklni tahlil qiladi. Ikkinchidan, mustahkamlovchi o‘rganish (Reinforcement Learning): Agent "harakat — natija — mukofot" zanjiri asosida ishlaydi. Bu usul, ayniqsa robototexnika va o‘zi boshqariladigan avtomobillarda (Self-driving cars) keng qo‘llaniladi. SI imkoniyatlarining amaliy vertikallari: SI texnologiyalari bugun iqtisodiyotning deyarli barcha jabhalarida inson mehnatining samaradorligini multiplikatsiya qilmoqda: tibbiy diagnostika (Healthcare AI); kompyuter ko‘rishi (Computer Vision) algoritmlari MRT va rentgen suratlaridagi saraton hujayralarini eng tajribali shifokorlardan ham tezroq va 98 %gacha aniqlikda topa olmoqda. Tabiiy tilni qayta ishlash (NLP): matnlarni tushunish, sentiment tahlil (matndagi hissiyotni aniqlash) va sinxron tarjima tizimlari global kommunikatsiya to‘siqlarini olib tashladi. Bashoratli tahlil (Predictive Analytics): moliya va sanoatda SI kelajakdagi talabni, birja tebranishlarini yoki texnikaning qachon buzilishini (Predictive Maintenance) oldindan aytib beradi. Strategik cheklovlar va etik to‘siqlar: texnologik jozibadorlikka qaramay, SI joriy etishda bir qator tizimli xavflar mavjud. Shaffoflik muammosi (Interpretability): neyron tarmoqlarining "qora quti" effekti ularning qarorini mantiqiy asoslashni qiyinlashtiradi. Bu ayniqsa sud va harbiy sohalarda katta xavf tug‘diradi. Kiberxavfsizlik va Maxfiylik: SI tizimlari shaxsiy ma’lumotlarni o‘g‘irlash yoki "Deepfake" kabi dezinformatsiya qurollarini yaratishda qo‘llanilishi mumkin. Sun’iy intellekt zamonaviy texnologiyalar ichida strategik ahamiyatga ega bo‘lib, tahlil, bashorat, avtomatlashtirish va optimallashtirish orqali turli sohalarda 22

samaradorlikni oshiradi. Shu bilan birga, SI yechimlarini amaliyotga joriy etishda etik me’yorlar, shaffoflik, maxfiylik va xavfsizlik masalalarini hisobga olish zarur. Foydalanilgan adabiyotlar 1. Russell S., Norvig P. Artificial Intelligence: A Modern Approach. 4th ed. Pearson, 2021. 2. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016. 3. Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006. 4. Murphy K.P. Machine Learning: A Probabilistic Perspective. MIT Press, 2012. 5. Sutton R.S., Barto A.G. Reinforcement Learning: An Introduction. 2nd ed. MIT Press, 2018. 6. Vaswani A. va boshq. Attention Is All You Need. NeurIPS, 2017. 7. LeCun Y., Bengio Y., Hinton G. Deep learning. Nature, 521, 436–444, 2015. 8. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. 2nd ed. Springer, 2009. MATHEMATICAL MODEL AND OPTIMIZATION ALGORITHM FOR DIGITALIZED LOCAL PRODUCT TRADE Jumaboev Behzod Farxod o‘g‘li Doctoral Student (PhD applicant) Muhammad al-Khwarizmi, TUIT E-mail: jumaboevbehzod@gmail.com Mansurova Makhina Yashnarovna PhD, Associate Professor, Head of the Department of Research, Innovation and Training of Scientific and Pedagogical Staff, UMFT E-mail: m.ya.mansurova@gmail.com Abstract. This paper proposes a mathematical model and an optimization algorithm for enhancing digitalized local product trade. By integrating artificial intelligence and multi-index optimization, the approach minimizes trade costs, reduces delivery risks, and improves decisionmaking efficiency within digital trade platforms. Keywords: digital local product trade, mathematical model, optimization algorithm, artificial intelligence, multi-index decision-making. Annotatsiya. Mazkur ishda raqamlashtirilgan mahalliy mahsulotlar savdosini takomillashtirish uchun matematik model va optimallashtirish algoritmi taklif etiladi. Sun’iy intellekt asosida ko‘p mezonli qarorlar qabul qilish orqali xarajatlar va risklar kamaytiriladi. Kalit so‘zlar: mahalliy mahsulotlar savdosi, matematik model, optimallashtirish algoritmi, sun’iy intellekt, ko‘p mezonli qarorlar. Аннотация. В статье предложены математическая модель и алгоритм оптимизации для цифровизированной торговли местной продукцией. Использование технологий искусственного интеллекта и многокритериальной оптимизации позволяет снизить издержки, уменьшить риски и повысить эффективность принятия решений. Ключевые слова: цифровая торговля местной продукцией, математическая модель, алгоритм оптимизации, искусственный интеллект, многокритериальная оптимизация. Introduction. Digitalization has significantly transformed local product trade systems by increasing the complexity of goods distribution between producers and markets. In such environments, trade allocation can be viewed as an optimization problem involving multiple supply and demand points, where the main objective is to minimize trade and delivery costs while ensuring reliable and 23

timely distribution. The expansion of local markets and diversification of production locations require optimization-based models capable of supporting efficient and data-driven decision-making. Digital trade platforms face challenges similar to those in transportation and logistics systems, including high operational costs, supply –demand imbalance, and the need to preserve product quality during delivery [1]. Recent studies show that artificial intelligence and multi-index optimization enhance decision-making by simultaneously considering cost, time, and risk factors. However, many existing approaches lack adaptability to digital trade environments. This study addresses this gap by integrating artificial intelligence with mathematical modeling to provide an efficient decision-support framework for digitalized local product trade. Main part. Artificial intelligence has become a key driver of digital transformation in trade-related transportation and distribution systems. In digitalized local product trade, efficient delivery and coordination directly affect transaction speed, cost efficiency, and product quality. AI-based technologies support intelligent routing and scheduling by enabling systems to select optimal delivery paths, reduce delays, and improve resource utilization. Furthermore, artificial intelligence facilitates the integration of multiple delivery modes through real-time data exchange and algorithmic coordination, ensuring smooth and efficient distribution of local products from producers to markets and consumers [2]. International transport Air transport Short shelf life is not easy to store or transport urgent goods Artificial intelligence (AI) Rail transport Inland transportation, bulk cargo transportation International transport Water transport Bulk cargo transport Figure 1: AI coordination of modes of transport Furthermore, artificial intelligence supports data-driven decision-making by considering multiple criteria such as delivery time, cost, and risk factors. This multi-index approach enhances the adaptability and resilience of digital trade systems, allowing platforms to dynamically adjust distribution strategies in response to changing market conditions. Overall, the integration of artificial intelligence into transportation and distribution processes significantly strengthens the operational efficiency of digitalized local product trade systems. AI-based coordination and optimization contribute to reduced transaction costs, improved delivery reliability, and enhanced competitiveness of local products within digital markets [3]. 24

Production planning problem Task assignment problem Shortest path problem Maximum traffic transportati on problem Network transportati on problem General tranportatio n problem Transportation problem Figure 2: Shipping issue In digitalized local product trade systems, the distribution of goods between producers and markets can be formulated as a trade allocation and routing problem. The objective of this problem is to ensure that local products are delivered safely and efficiently from production points to demand points while minimizing overall trade and delivery costs. Unlike traditional transportation models with fixed parameters and limited routing options, digital trade platforms operate in dynamic environments with multiple delivery and distribution alternatives. This complexity requires advanced optimization approaches to effectively manage trade flows. From an optimization perspective, digital local product trade is closely related to network-based distribution and shortest path problems, which reflect the structure of platformdriven, multi-demand systems. In such environments, markets demand different types and quantities of local products, making it necessary to balance trade cost, delivery efficiency, and routing strategies. By incorporating network optimization concepts and feedback mechanisms similar to reverse logistics, digital trade systems can enhance adaptability, reduce transaction costs, and improve coordination between producers and markets. Consequently, the distribution of local products can be formulated as a multi-index optimization problem aimed at minimizing cost while ensuring delivery reliability and product quality [4]. 25

If there are 𝒊 production places, 𝑆𝑖 (𝑖 = 1,2,3 … . ) for a commodity, and the output of each production place is 𝑈𝑖 (𝑖 = 1,2,3 … . ), and there are 𝑗 demand places, 𝑄𝑗 (𝑖 = 1,2,3 … ) for this commodity, the required quantity of commodities in each demand place is 𝐺𝑗 (𝑖 = 1,2,3 … ). Then, there is a need for transportation between the place of origin and the place of demand. Then transportation cost and the amount of transportation in the transportation problem will be generated, which are represented by 𝑇𝑖 and 𝑀𝑗 , respectively, and the matrix of the total transportation cost is expressed as follows: 𝑇1 … 𝑇𝑖 [𝑇] = [ … 𝑇2𝑖 … ]. (1) 𝑇𝑖 … 𝑇1 And, the matrix of shipping quantities is expressed as follows: 𝑀1 … 𝑀𝑗 [𝑀] = [ … 𝑀2𝑗 … ]. (2) 𝑀𝑗 … 𝑀1 To this end, we need to establish a mathematical model of multiple indicators as follows: ∑𝑖𝑗=1 𝑇𝑒 ≥ 𝑀𝑗 , (𝑗 = 1,2,3 … ). (3) Formula (3) represents that the production quantity 𝑇𝑒 of the production place exceeds the shipped quantity of this production place, which is also a phenomenon under normal circumstances. However, usually, the quantity of a commodity shipped will not exceed the production quantity of the origin. The quantity of products arriving at the place of demand will not be lower than the quantity of commodities required by the place of demand, so its mathematical model can be expressed as follows: ∑𝑗𝑖=1 𝑀𝑗 ≥ 𝑌𝑒 , (𝑗 = 1,2,3 … ). (4) Here, 𝑌𝑒 represents the total quantity of goods required by the demand place. So, in general, the mathematical model of the transportation problem is as follows: 𝑗 𝑖 𝑚𝑖𝑛𝑇 ∗ 𝑀 = ∑ ∑ 𝑇𝑒 ∗ 𝑌𝑒 , 𝑗=1 𝑖=1 𝑖 𝑠. 𝑡 ∑ 𝐺1 ≤ 𝑈1 (𝑖, 𝑗 = 1,2,3 … ), 𝑗 ∑𝑖𝑗 𝐺𝑖 ≥ 𝑇𝑒 , 𝑗 (5) 𝑠. 𝑡 ∑ 𝑀𝑗 ≥ 𝐺1 (𝑖, 𝑗 = 1,2,3 … ), 𝑖 𝑗 ∑ 𝑌𝑒 ≤ 𝐺1 , 𝑖 𝑇𝑒 ≥ 0, 𝑀𝑗 ≥ 0, 𝑈1 ≥ 0, 𝑌𝑒 ≥ 0 (𝑒 = 1,2,3 … 𝑖, 𝑗). For the multi-index transportation problem, it is necessary to achieve multiple goals in transportation; that is, to find the optimal node in the case of multiple goals, the linear programming function of the multi-index transportation problem is as follows: 26

𝐹(𝑥) = 1, (𝑀𝑗 ≥ 𝑌𝑒 ), 𝑇 −1 𝐹(𝑥) = 𝑀 𝑖−𝑌 , 𝑗 𝑒 (𝑌𝑒 ≤ 𝑀𝑗 ≤ 𝑀2𝑗 ), (6) 𝑓(𝑥) = 0, (𝑌𝑒 = 𝑀𝑗 ). These constraints ensure that the traded quantity does not exceed production capacity and that market demand is satisfied [5]. Start Generate initial transport data Judgment stop condition Output Optimal transportation scheme Judge mode of transport Calculate and judge the best route according to the mathematical model Regenerate Figure 3: Genetic algorithm flow To address the multi-index optimization problem, an artificial intelligence– based approach is employed, with a genetic algorithm selected for its effectiveness in global search and handling complex multi-objective decision spaces. Through iterative selection, crossover, and mutation processes, optimal trade routes and allocation strategies are identified that balance cost minimization with delivery reliability [6]. Multiple distribution indicators, including trade cost, delivery time, product quality, and risk, were considered to reflect real digital trade conditions with multiple delivery channels. The experimental results show that relying on a single indicator is insufficient, as lower costs do not always ensure reliability or quality preservation. In contrast, multi-index optimization allows a balanced evaluation of different distribution strategies. The proposed AI-based optimization algorithm effectively compares multiple scenarios and identifies optimal trade configurations that ensure reliable delivery under dynamic demand and distribution constraints. These findings confirm that artificial intelligence and genetic algorithms significantly enhance route planning and allocation efficiency, providing a scalable and adaptive solution for improving the performance and sustainability of digitalized local product trade systems [7,8]. Conclusion and practical recommendations. This study proposes a mathematical model and an artificial intelligence–based optimization algorithm for improving digitalized local product trade. By integrating multi-index optimization with intelligent algorithms, the approach supports effective decision-making in trade distribution and delivery processes, considering cost, reliability, and 27

operational risk. The application of a genetic algorithm enables efficient evaluation of complex trade distribution scenarios and identification of optimal strategies under multi-objective conditions. Experimental results confirm that the proposed model reduces overall trade and delivery costs while enhancing reliability, demonstrating the importance of multi-index optimization for modern digital trade platforms. From a practical perspective, the proposed framework can be used as a decision-support tool for digital trade platforms, local producers, and market operators to improve coordination, reduce transaction losses, and increase the competitiveness of local products. Future research may extend the model by incorporating dynamic market factors and advanced learning mechanisms to further enhance its adaptability and practical applicability. References 1. Yakubov, M.S. (2022). Raqamli logistika tizimlarida taqsimot jarayonlarini optimallashtirishning nazariy asoslari. TATU Ilmiy jurnali, 3, 44–52. 2. Jumaboyev, B.F., & Mansurova, M.Y. (2025). An overview of transport logistics in Kazakhstan: Focus on the case of Astana. Journal of Multidisciplinary Science and Innovation, 4(4), 1129–1132. 3. Jumaboyev, B.F., & Mansurova, M.Y. (2025). Integratsiyalashgan axborot tizimlarida elektron savdoni amalga oshirish usullari. Development of Science ilmiy jurnali, 3(7), 51–62. ISSN 3030-3907. 4. Jumaboyev, B.F., Bekmuhammedov, B.N., & Mansurova, M.Y. (2024). Optimizing workforce dynamics: A comparative analysis of regional development. Open Access Repository, 10(3), 1–7. 5. Rilinger, S. (2024). Algorithmic management and optimization in digital markets. Review of Industrial Organization, 64(2), 245–270. https://doi.org/10.1007/s11186-024-09555-6 6. Kawa, A., & Anholcer, M. (2019). Exclusion constraints in freight transport and logistics optimization. Sustainability, 11(18), 5021. https://doi.org/10.3390/su11185021 7. Xolmatov, B.T., & Raxmonov, D.S. (2021). Qishloq xo‘jaligi mahsulotlarini taqsimlashda raqamli platformalarning o‘rni va afzalliklari. O‘zbekiston Qishloq xo‘jaligi jurnali, 6, 25–33. 8. Sultonov, I.J. (2022). Sun’iy intellekt asosida taqsimot tarmoqlarini boshqarish: nazariya va amaliyot. TATU Axborotnomasi, 4, 58–67. KATTA HAJMDAGI MA’LUMOTLAR (BIG DATA) TAHLILIDA MATEMATIK MODELLAR VA SUN’IY INTELLEKT INTEGRATSIYASI Qurbonov Muhammad Sadriddin o‘g‘li, TDIU 1-kurs talabasi, E-mail: qmuhammad0407@gmail.com Annotatsiya. Ushbu maqolada raqamli iqtisodiyot sharoitida katta hajmdagi ma’lumotlar (Big Data)ni qayta ishlash va tahlil qilishning zamonaviy yondashuvlari ko‘rib chiqilgan. Xususan, matematik modellar – statistik tahlil, regressiya, klasterlash, tasniflash, optimallashtirish va prognozlash usullarining Big Data tahlilidagi o‘rni yoritilgan. Bundan tashqari, sun’iy intellekt, mashinali o‘rganish va chuqur o‘rganish algoritmlarini matematik modellar bilan integratsiyalash orqali ma’lumotlarni tahlil qilish samaradorligini oshirish imkoniyatlari asoslab berilgan. Kalit so‘zlar: raqamli iqtisodiyot, Big Data, matematik modellar, sun’iy intellekt, mashinali o‘rganish, prognozlash, optimallashtirish. 28

Аннотация. В статье рассматриваются современные подходы к обработке и анализу больших объемов данных (Big Data) в условиях цифровой экономики. В частности, освещается роль математических моделей – статистического анализа, регрессии, кластеризации, классификации, оптимизации и методов прогнозирования – в анализе Big Data. Кроме того, обосновываются возможности повышения эффективности анализа данных за счет интеграции алгоритмов искусственного интеллекта, машинного и глубокого обучения с математическими моделями. Ключевые слова: цифровая экономика, Big Data, математические модели, искусственный интеллект, машинное обучение, прогнозирование, оптимизация. Abstract. This article examines modern approaches to processing and analyzing large volumes of data (Big Data) in the context of the digital economy. In particular, the role of mathematical models—statistical analysis, regression, clustering, classification, optimization, and forecasting methods—in Big Data analysis is highlighted. In addition, the possibilities of improving data analysis efficiency through the integration of artificial intelligence, machine learning, and deep learning algorithms with mathematical models are substantiated. Key words: digital economy, Big Data, mathematical models, artificial intelligence, machine learning, forecasting, optimization. Kirish. Hozirgi kunda raqamli iqtisodiyot sharoitida axborot texnologiyalarining jadal rivojlanishi natijasida katta hajmdagi ma’lumotlar (Big Data) keskin sur’atlarda shakllanib bormoqda. Ushbu ma’lumotlar asosan internet tarmoqlari, bank-moliya tizimlari, ijtimoiy tarmoqlar, davlat axborot resurslari, ishlab chiqarish korxonalari hamda yirik savdo va xizmat ko‘rsatish tashkilotlari faoliyati jarayonida hosil bo‘lmoqda. Ma’lumotlar hajmining doimiy ravishda ortib borishi ularni saqlash, qayta ishlash va tahlil qilish masalalarini zamonaviy axborot jamiyatining eng dolzarb muammolaridan biriga aylantirmoqda. An’anaviy tahlil usullari yordamida katta hajmdagi va murakkab tuzilmaga ega bo‘lgan ma’lumotlarni to‘liq va chuqur o‘rganish ko‘plab hollarda yetarli samaradorlik bermaydi. Bunday yondashuvlar ma’lumotlar ichidagi yashirin qonuniyatlarni aniqlash, jarayonlarni aniq prognozlash hamda asoslangan boshqaruv qarorlarini qabul qilish imkoniyatlarini cheklab qo‘ymoqda. Shu sababli, hozirgi sharoitda ma’lumotlarni qayta ishlash va tahlil qilishda zamonaviy yondashuvlarni, xususan, matematik modellar va sun’iy intellekt texnologiyalarini integratsiyalash asosidagi usullardan foydalanish muhim ahamiyat kasb etmoqda. Sun’iy intellekt texnologiyalari katta hajmdagi ma’lumotlar asosida o‘rganish, tasniflash, prognozlash va optimallashtirish masalalarini samarali hal etish imkonini beradi. Bunda matematik modellar sun’iy intellekt algoritmlarining nazariy asosi bo‘lib xizmat qiladi hamda hisob-kitoblarning aniqligi va ishonchliligini ta’minlaydi. Statistik tahlil, ehtimollik nazariyasi, regressiya modellari, klasterlash va optimallashtirish usullari Big Data tahlilida keng qo‘llanilayotgan asosiy matematik yondashuvlar hisoblanadi[1]. Matematik modellar va sun’iy intellekt texnologiyalarining uyg‘unlashuvi natijasida ma’lumotlarni qayta ishlash jarayonlarining samaradorligi oshib, tahlil natijalarining aniqligi va ishonchliligi ta’minlanadi. Bu esa turli sohalarda murakkab jarayonlarni chuqurroq tahlil qilish, xavf-xatarlarni baholash hamda istiqbolli qarorlar qabul qilish uchun muhim ilmiy-amaliy asos yaratadi. 29

Asosiy qism. Hozirgi kunda raqamli iqtisodiyot va texnologiyalarning rivojlanishi natijasida katta hajmdagi ma’lumotlar (Big Data) jadal sur’atlarda paydo bo‘lmoqda. Big data (katta ma’lumotlar) – juda katta hajmdagi bir jinsli bo‘lmagan va tez tushadigan raqamli ma’lumotlar to‘plamidir. An’anaviy ma’lumotlar bazalari va oddiy tahlil usullari bunday ma’lumotlarni to‘liq qayta ishlash imkoniyatiga ega emas. Shu sababli Big Data bilan ishlashda maxsus texnologiyalar, algoritmlar va tahlil usullaridan foydalanish talab etiladi. Katta hajmdagi ma’lumotlarni tahlil qilish orqali yashirin qonuniyatlarni aniqlash, jarayonlarni chuqur o‘rganish hamda asoslangan boshqaruv qarorlarini qabul qilish imkoniyati yaratiladi[2]. Big Data xususiyatlari ko‘pincha Volume (hajm), Velocity (tezlik) va Variety (turli xillik) tushunchalari orqali ifodalanadi. Ushbu yondashuv birinchi marta D. Laney tomonidan taklif etilgan bo‘lib, u Big Data ni tavsiflashda keng qo‘llanilmoqda. Volume xususiyati ma’lumotlar miqdorining nihoyatda katta ekanligini anglatadi. Masalan, bank tizimlarida har kuni millionlab moliyaviy operatsiyalar amalga oshiriladi yoki elektron tijorat platformalarida foydalanuvchilarning har bir harakati qayd etib boriladi. Velocity xususiyati ma’lumotlarning juda tez hosil bo‘lishi va yangilanib borishini bildiradi. Masalan, ijtimoiy tarmoqlarda har soniya minglab yangi postlar, izohlar va media fayllar paydo bo‘ladi, onlayn to‘lov tizimlarida esa tranzaksiyalar real vaqt rejimida qayta ishlanadi. Bu holat ma’lumotlarni tezkor tahlil qilish usullariga bo‘lgan ehtiyojni yanada oshiradi. Variety xususiyati esa ma’lumotlarning turli formatlarda bo‘lishini ifodalaydi. Bugungi kunda ma’lumotlar nafaqat sonlar va matnlar ko‘rinishida, balki rasm, video, audio yozuvlar hamda sensorlar ma’lumotlari shaklida ham mavjud. Bunday turli formatdagi ma’lumotlarni yagona tizimda qayta ishlash murakkab matematik va algoritmik yondashuvlarni talab qiladi. Big Data texnologiyalari moliya, sanoat, tibbiyot, transport, ta’lim va davlat boshqaruvi kabi ko‘plab sohalarda keng qo‘llanilmoqda. Katta hajmdagi ma’lumotlarni tahlil qilish orqali jarayonlarni chuqurroq o‘rganish, risklarni baholash hamda kelajakdagi holatlarni prognozlash imkoniyati yaratiladi. Bu jarayonlarda sun’iy intellekt va mashinali o‘rganish usullari muhim ahamiyat kasb etadi. Matematik modellar – real jarayonlarni raqamli va matematik usullar yordamida ifodalash va tahlil qilish usulidir. Big Data tahlilida matematik modellar turli xildagi murakkab ma’lumotlarni tushunish, o‘zaro bog‘liqliklarni aniqlash va prognozlash imkonini beradi. Big Data tahlilida keng qo‘llaniladigan asosiy modellar quyidagilar: • Statistik tahlil va regressiya modellari – ma’lumotlar ichidagi qonuniyatlarni aniqlash va o‘zgaruvchilar o‘rtasidagi bog‘liqlikni o‘rganish uchun ishlatiladi. • Optimallashtirish modellari – qaror qabul qilish jarayonlarini samarali va tejamkor qilish imkonini beradi. 30

Klasterlash va tasniflash – ma’lumotlarni guruhlash va o‘xshash xususiyatga ega obyektlarni ajratish uchun ishlatiladi. • Prognozlash modellari – kelajakdagi tendensiyalarni oldindan bashorat qilish imkonini yaratadi. So‘nggi tadqiqotlarga ko‘ra, matematik modellar va algoritmik yondashuvlar yordamida Big Data tahlilida aniqlik va samaradorlik oshadi, bu esa moliya, sanoat, transport va boshqa sohalarda qaror qabul qilishni sezilarli darajada yaxshilaydi [3]. Masalan, bank tizimlarida kredit riskini baholashda regressiya va klasterlash modellaridan foydalaniladi, elektron tijorat platformalarida esa mijozlarning xarid xatti-harakatini prognozlash uchun optimallashtirish va prognozlash modellaridan foydalaniladi [4]. Shu bilan birga, matematik modellarni sun’iy intellekt algoritmlari bilan birlashtirish hisob-kitoblarning aniqligini oshirib, tahlil jarayonini tezlashtiradi. Sun’iy intellekt (AI) algoritmlari, xususan mashinali o‘rganish (machine learning) va chuqur o‘rganish (deep learning) metodlari, katta hajmdagi ma’lumotlarni tezkor o‘rganish, tasniflash va prognozlash imkonini beradi. AI algoritmlari matematik modellar bilan integratsiya qilinsa, natijalar yanada aniq, tez va samarali bo‘ladi [5]. Amaliy misollar: • Bank tizimi – kredit riskini aniqlash va mijozlarning moliyaviy xattiharakatlarini tahlil qilish. • Biznes va e-tijorat – mijoz talabini oldindan aniqlash, mahsulotlarni optimallashtirish va marketing kampaniyalarini individualizatsiya qilish. • Sanoat – ishlab chiqarish jarayonlarini monitoring qilish, samaradorlikni oshirish va resurslardan optimal foydalanish. • Sog‘liqni saqlash – kasalliklarni erta aniqlash va davolash jarayonini optimallashtirish. So‘nggi tadqiqotlar shuni ko‘rsatadiki, AI va matematik modellar integratsiyasi orqali ma’lumotlarni tahlil qilish jarayoni yanada samarali bo‘lib, turli sohalarda murakkab qarorlarni asosli qabul qilish imkonini beradi [3], [4], [5]. Shunday qilib, sun’iy intellekt va matematik modellar uyg‘unligi Big Data tahlilida yangi yondashuvlar yaratib, tezkor, aniq va samarali natijalar olish imkonini bermoqda. Xulosa va amaliy tavsiyalar. Ushbu maqolada raqamli iqtisodiyot sharoitida katta hajmdagi ma’lumotlar (Big Data) va ularni tahlil qilishdagi zamonaviy yondashuvlar, xususan, matematik modellar va sun’iy intellekt integratsiyasi ko‘rib chiqildi. Hozirgi kunda turli sohalarda – bank-moliya, sanoat, elektron tijorat, transport va sog‘liqni saqlash tizimlarida – har soniyada yuzlab minglab yangi ma’lumotlar hosil bo‘lmoqda. Shu sababli ularni an’anaviy usullar yordamida qayta ishlash qiyin va samarasi past bo‘lishi tabiiydir. Shu nuqtai nazardan, AI va matematik modellar integratsiyasi zamonaviy raqamli iqtisodiyotning ajralmas qismi sifatida muhim ahamiyat kasb etadi [3]. • 31

Matematik modellar ma’lumotlar ichidagi qonuniyatlarni aniqlash, turli jarayonlarni optimallashtirish va prognozlash imkonini beradi. Sun’iy intellekt algoritmlari esa ushbu modellarni real vaqt rejimida qo‘llash, katta hajmdagi ma’lumotlarni tezkor va aniq tahlil qilish imkonini yaratadi. Bu yondashuv moliya sohasida risklarni kamaytirish, elektron tijoratda mijoz xatti-harakatlarini prognozlash, sanoatda ishlab chiqarish jarayonlarini optimallashtirish va sog‘liqni saqlashda kasalliklarni erta aniqlash kabi ko‘plab amaliy natijalarga olib keladi. Shu bilan birga, Big Data va AI integratsiyasi orqali tashkilotlar nafaqat samarali qaror qabul qilish, balki yangi innovatsion yondashuvlarni ishlab chiqish va raqamli transformatsiya jarayonlarini tezlashtirish imkoniyatiga ega bo‘ladi. Bunday integratsiya, shuningdek, ma’lumotlar asosida strategik rejalashtirish va boshqaruv tizimlarini takomillashtirishga ham yordam beradi. Kelajakda raqamli iqtisodiyot va AI integratsiyasi sohasidagi ilmiy tadqiqotlar Big Data tahlilini yanada chuqurroq, samaraliroq va avtomatlashtirilgan shaklda amalga oshirishga qaratilishi lozim. Shu bilan birga, ma’lumot xavfsizligi, shaxsiy maxfiylik va axborot xavfsizligi masalalari ham doimiy nazorat ostida bo‘lishi zarur. Shunday qilib, matematik modellar va sun’iy intellektning uyg‘unligi raqamli iqtisodiyot sharoitida keng ko‘lamli va samarali qaror qabul qilish, jarayonlarni optimallashtirish va innovatsion rivojlanish imkoniyatlarini sezilarli darajada oshiradi [5]. Tavsiyalar: 1) Katta hajmdagi ma’lumotlarni tahlil qilish tizimlarini joriy etish: kompaniyalar va tashkilotlar AI va matematik modellar integratsiyasiga asoslangan tahlil tizimlarini ishlab chiqishi va ulardan samarali foydalanishi kerak. 2) Kadrlar tayyorlash va malaka oshirish: moliyaviy, biznes va sanoat sohalarida ishlovchi mutaxassislar Big Data va AI texnologiyalari bilan ishlashni o‘rganishi zarur. 3) Jarayonlarni avtomatlashtirish: AI algoritmlari va matematik modellar yordamida qaror qabul qilish jarayonlarini avtomatlashtirish, xatoliklarni kamaytirish va natijalarni tezlashtirish mumkin. 4) Xavfsizlik va maxfiylikka e’tibor: katta hajmdagi ma’lumotlar bilan ishlashda ma’lumot xavfsizligi va foydalanuvchi maxfiyligini ta’minlash choralari joriy etilishi lozim. 5) Texnologik yangiliklarni monitoring qilish: raqamli iqtisodiyot va AI sohasidagi yangi yondashuvlar va ilmiy izlanishlarni muntazam kuzatib borish tavsiya etiladi. Shu bilan birga, ushbu integratsiya orqali ma’lumotlarni chuqurroq o‘rganish va murakkab jarayonlarni avtomatlashtirish mumkin bo‘lib, raqamli iqtisodiyotning rivojlanishiga katta hissa qo‘shadi. Foydalanilgan adabiyotlar ro‘yxati 1. Simanjuntak, D.N. (2025). The latest trends and challenges in the integration of artificial intelligence and big data: A comprehensive literature review. Journal of Digital Informatics, 1(2). Retrieved from https://jdi.uasn.ac.id/index.php/jdi/article/view/17 32

2. Xazratov, F.X., Atamuradov, J.J., & Eshonqulov, H.I. (2021). Big data va ma'lumotlar tahlili: O‘quv qo‘llanma. BuxDU. 3. Kumar, Y., Marchena, J., Awlla, A.H., Li, J.J., & Abdalla, H.B. (2024). The AI-powered evolution of big data. Applied Sciences, 14(22), 10176. https://doi.org/10.3390/app142210176 4. Uysal, B. (2025). Artificial intelligence and big data in health policy and management: A comprehensive bibliometric analysis. Journal of Electrical Systems and Information Technology, 12, 93. https://doi.org/10.1186/s43067-025-00286-x 5. Najem, R., Bahnasse, A., Fakhouri Amr, M., et al. (2025). Advanced AI and big data techniques in e-finance: A comprehensive survey. Discover Artificial Intelligence, 5, 102. https://doi.org/10.1007/s44163-025-00365-y BELGILARNI TANIB OLISHNING ALGORITMIK TA’MINOTINI ISHLAB CHIQISH Salimova Maxbuba Xidirboy qizi, Sharof Rashidov nomidagi SamDU, Raqamli texnologiyalar va sun’iy intellect yo‘nalishi tayanch doktoranti maxbubacoc@gmail.com Erkinova Charos Bobirovna, Sharof Rashidov nomidagi SamDU, Sun’iy intelekt va raqamli texnalogiyalar fakulteti talabasi charosbobirovna08@gmail.com Annotatsiya. Ushbu maqolada olti nuqtali Brayl kombinatsiyasini harfga akslantirishning algoritmik modeli ko‘rib chiqilgan. Taklif etilgan yondashuvda Brayl katagi oltita elementli binar vektor sifatida modellashtirilib, hosil bo‘lgan kombinatsiya o‘nlik sanoq sistemasiga o‘tkaziladi va oldindan tuzilgan moslik jadvali orqali Brayl alifbosi belgilariga bog‘lanadi. Algoritm ixcham tuzilishga ega bo‘lib, bajariladigan amallar soni qat’iy belgilangan va kirish hajmiga bog‘liq emas. Ushbu ishda ko‘rib chiqilgan model olti nuqtali Brayl tizimlarini raqamli muhitga integratsiya qilish uchun samarali algoritmik asos bo‘lib xizmat qilishi mumkin. Kalit so‘zlar: Brayl alifbosi, Brayl katagi, olti nuqtali Brayl kombinatsiyasi. Аннотация. В данной статье рассматривается алгоритмическая модель преобразования шеститочечной комбинации Брайля в букву. В предложенном подходе клетка Брайля моделируется как шестиэлементный бинарный вектор, полученная комбинация переводится в десятичную систему счисления и связывается с символами алфавита Брайля через заранее составленную таблицу соответствия. Алгоритм имеет компактную структуру, количество выполняемых операций строго определено и не зависит от объема входа. Рассмотренная в данной работе модель может служить эффективной алгоритмической основой для интеграции шеститочечных систем Брайля в цифровую среду. Ключевые слова: азбука Брайля, ячейка Брайля, комбинация шеститочечного Брайля. Abstract. This article examines the algorithmic model for converting a six-dot Braille combination into a letter. In the proposed approach, the Braille cell is modeled as a six-element binary vector, the resulting combination is converted to the decimal number system, and it is linked to the Braille alphabet symbols through a pre-compiled matching table. The algorithm has a compact structure, the number of operations performed is strictly defined and does not depend on the input volume. The model considered in this work can serve as an effective algorithmic basis for integrating six-point Braille systems into the digital environment. Keywords: Braille alphabet, Braille cell, six-dot Braille combination. 33

Kirish. Bugungi kunda ko‘plab davlatlarda ko‘zi ojiz insonlar ta’lim olishi uchun hanuzgacha brayl kitoblaridan foydalanib kelishadi, bundan tashqari axborot kommunikatsiya texnologiyalaridan foydalanishda ham muammolarga duch kelishadi. Ammo raqamli texnologiyalarning jadal rivojlanishi va elektron aloqa vositalari keng tarqalishi natijasida qog‘oz asosidagi Brayl tizimi samaradorlik nuqtai nazaridan yetarli darajada qulay emasligi kuzatilmoqda. Shu sababli Brayl yozuvini raqamli muhitga tezkor va samarali tarzda o‘tkazuvchi algoritmik yondashuvlar zarur hisoblanadi. Brayl alifbosi ko‘zi ojiz yoki ko‘rish qobiliyati zaif odamlarning o‘qish va yozishi uchun mo‘ljallab ishlab chiqilgan. Brayl alifbosining turli darajalari bo‘lib, uning eng sodda shakli 1-darajali Brayl deb ataladi, bunda har bir harf alohida yoziladi. Ingliz alifbosidagi har bir belgi uchun mos Brayl belgisi mavjud. Har bir Brayl harfi Brayl katagidagi nuqtalar katagidan iborat. 1-rasm. Brayl alifbosi Brayl katagi – Brayl tizimining asosiy elementi bo‘lib, har biri 3 ta nuqtadan iborat bo‘lgan 2 ta ustundan tashkil topadi, ya’ni jami 6 ta nuqtadan iborat bo‘ladi. Har bir nuqta 1 dan 6 gacha raqam bilan belgilanadi. Katakning yuqori chap burchagidagi nuqta – 1-nuqta hisoblanadi. Chap ustun bo‘ylab pastga qarab harakat qilinsa, o‘rta qator 2-nuqta, pastki chap burchak esa 3-nuqta bo‘ladi. O‘ng ustunning yuqori qismida 4-nuqta joylashgan, uning o‘rta qismida 5-nuqta, pastki o‘ng burchakda esa 6-nuqta joylashadi. 2-rasm. Brayl katagi Brayl alifbosida yozilgan matnni raqamli muhitga o‘tkazish uchun mo‘ljallangan qurilma uchun dasturiy ta’minot yaratishda samarali ishlovchi algoritm ishlab chiqish dastlabki va muhim bosqich hisoblanadi. Quyida ushbu algoritmning bosqichma bosqich tavsifi keltirilgan: 1-qadam. Olti nuqtali Brayl katagi 6 ta mustaqil elementdan iborat bo‘ladi. Har bir nuqta ikki xil holatni o‘z ichiga oladi: ⚫ Faol (tugma bosilgan) ⚫ Nofaol (tugma bosilmagan) Shu tarzda har bir qiymat ikkilik sanoq sistemasida ifodalanadi: 𝑏𝑖 ∈ {0,1}, i = 1,2,...,6 bu yerda: 𝑏𝑖 = 1 - nuqta faol, 𝑏𝑖 = 0- nuqta nofaol 34

3-rasm. Olti nuqtali Brayl komninatsiyasini harfga aylantirish algoritmi 2-qadam. Olti nuqtalik Brayl katagi 2×3 o‘lchamli tuzilishga ega bo‘lib, har bir nuqta ikkilik sanoq sistemasida bo‘ladi. Ushbu qiymatlardan foydalanib, vektor tuzib olamiz: B=(𝑏1 , 𝑏2 , 𝑏3 , 𝑏4 , 𝑏5 , 𝑏6 ) 3-qadam. Vektor qiymatlar quyidagi formula asosida o‘nlik sanoq sistemasiga aylantiriladi: K = ∑6𝑖=1(𝑏𝑖 2𝑖−1 ) (1) 𝑖−1 Bu yerda 𝑏𝑖 – i-nuqta qiymati, 2 – vazn koeffitsiyenti. Natijada har bir kombinatsiya yagona butun songa ega bo‘ladi. Masalan, Agar 1 va 2 nuqtalar faol bo‘lsa, ya’ni: B=(1,1,0,0,0) U holda 𝐾 = 1 ∙ 20 + 1 ∙ 21 = 1 + 2 = 3 4-qadam. Hosil bo‘lgan K qiymati Brayl alifbosidagi harflar to‘plami orqali mos harfga bog‘lanadi. Bunda Kning qiymati Brayl alifbosiga akslantirilish uchun moslik jadvali tuziladi(1-jadval). 1-jadval Moslik jadvali K qiymati Belgisi 1 3 9 25 ... a b c d ... 5-qadam. Kning har bir qiymati mos ravishda oldindan tuzilgan belgilar to‘plamiga akslantiriladi. Bunda yakuniy akslantirish funksiyasi quyidagicha: 𝐹: {0,1}6 → ∑ (2) Bu yerda 𝐹(𝐵) = 𝑓(𝐾). 35

Shu tarzda topilgan belgi qiymatlari chiquvchi qiymat sifatida qaraladi, bu jarayon harflar ketma-ketligini shakllantirib beradi va keyingi bosqichdagi tizim modullariga uzatilinadi. Xulosa. Ushbu maqolada olti nuqtalik Brayl kombinatsiyasini o‘nlik qiymatga o‘tkazish va moslik jadvali orqali harfga akslantirishga asoslangan algoritm ko‘rib chiqildi. Algoritm Brayl katagini 6 elementli binar vektor sifatida modellashtirib, uni butun songa o‘tkazish va moslik jadvali orqali alifbo belgisiga bog‘lash bosqichlaridan iborat. Algoritm sodda tuzilishga ega bo‘lib, bajariladigan amallar soni doimiy bo‘lgani uchun real vaqt rejimida ishlashga mos keladi. Ushbu algoritm Brayl tizimida ishlovchi qurilmalarning dasturiy ta’minotini ishlab chiqishda qo‘llanilsa, foydalanuvchilarga qulaylik keltiradi. Foydalanilgan adabiyotlar 1. Braille L. Method of Writing Words, Music, and Plain Songs by Means of Dots. Paris, 1829. 2. World Blind Union. Introduction to Braille. World Blind Union, 2020. 3. The Unicode Consortium. The Unicode Standard, Braille Patterns. Unicode Inc., 2023. 4. Bishop J. Introduction to Assistive Technology. CRC Press, 2004. 5. Rahman M.M., Islam M. T., et al. Design and Implementation of a Braille Keyboard using Raspberry Pi. International Journal of Computer Applications, 2019. 6. Cormen T.H., et al. Introduction to Algorithms. MIT Press, 2009. 7. American Foundation for the Blind. Braille Literacy Resource Office. 2022. SUN’IY INTELLEKT MODELLARI ASOSIDA SUV TARKIBI SIFATINI BAHOLASH TEXNOLOGIYALARI Salimova Maxbuba Xidirboy qizi, Sharof Rashidov nomidagi SamDU, Raqamli texnologiyalar va sun’iy intellekt yo‘nalishi tayanch doktoranti maxbubacoc@gmail.com Nazarov Fayzullo Maxmadiyarovich, Sharof Rashidov nomidagi SamDU, t f.d., dotsent fayzulla-samsu@mail.ru Erkinova Charos Bobirovna, Sharof Rashidov nomidagi Samdu, Sun’iy intelekt va raqamli texnalogiyalar fakulteti talabasi charosbobirovna08@gmail.com Annotatsiya. Suv ifloslanishi ekologik muammolarning eng dolzarb yo‘nalishlaridan biri bo‘lib, turli tabiiy va antropogen omillar ta’sirida yuzaga keladi. Mazkur tadqiqot ishida suv ifloslanishining asosiy sabablarini aniqlash, suv sifatini baholashda qo‘llaniladigan o‘lchash qurilmalarini tahlil qilish hamda sun’iy intellekt tizimlarining ushbu sohadagi ahamiyatini nazariy jihatdan yoritish maqsad qilingan. Suv parametrlarini aniqlashda pH-metr, UV–Vis spektrofotometr va ion-selektiv elektrodlarning imkoniyatlari ko‘rib chiqildi, ma’lumotlarni qayta ishlashda esa mashinaviy va chuqur o‘qitish modellarining qo‘llanishi tahlil qilindi. Ushbu yondashuv suv sifati monitoringini takomillashtirish va erta ogohlantirish tizimlarini ishlab chiqishda muhim ilmiy asos bo‘lib xizmat qiladi. Kalit so‘zlar: UV–Vis spektrofotometr, pH meter, ion-selektiv elektrod, mashinaviy o‘qitish, chuqur o‘qitish, regressiya, klassifikatsiya, klasterlash, neyron tarmoqlar modellari, Feedforward Neural Network (FNN), Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), Gibrid modellar. Аннотация. Загрязнение воды является одной из наиболее актуальных экологических проблем, возникающей под влиянием различных природных и антропогенных факторов. Цель данной статьи выявить основные причины загрязнения воды, проанализировать измерительные приборы, используемые для оценки качества воды, и теоретически обосновать важность систем искусственного интеллекта в этой 36

области. Рассмотрены возможности pH-метров, УФ-спектрофотометров и ионоселективных электродов в определении параметров воды, а также проанализировано использование моделей машинного и глубокого обучения в обработке данных. Такой подход служит важной научной основой для улучшения мониторинга качества воды и разработки систем раннего предупреждения. Ключевые слова: УФ-спектрофотометр, pH-метр, ионоселективный электрод, машинное обучение, глубокое обучение, регрессия, классификация, кластеризация, модели нейронных сетей, нейронная сеть прямого распространения (FNN), сверточная нейронная сеть (CNN), рекуррентная нейронная сеть (RNN), гибридные модели. Abstract. Water pollution is one of the most pressing environmental problems, which occurs under the influence of various natural and anthropogenic factors. This research work aims to identify the main causes of water pollution, analyze measuring devices used in water quality assessment, and theoretically illuminate the importance of artificial intelligence systems in this area. The capabilities of pH-meters, UV-Vis spectrophotometers, and ion-selective electrodes in determining water parameters were considered, and the use of machine and deep learning models in data processing was analyzed. This approach serves as an important scientific basis for improving water quality monitoring and developing early warning systems. Keywords: UV-Vis spectrophotometer, pH meter, ion-selective electrode, machine learning, deep learning, regression, classification, clustering, neural network models, Feedforward Neural Network (FNN), Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), Hybrid models. Kirish. Suv hayot uchun muhim resurs bo‘lib, aholiga toza ichimlik suvi yetkazib berish global muammolardan biridir. Yer yuzidagi suvning atigi 2,5 % qismi ichishga yaroqli bo‘lib, sanoat chiqindilari va boshqa antropogen omillar uning ifloslanishiga sabab bo‘ladi. Jahon sog‘liqni saqlash tashkiloti (JSST) ma’lumotlariga ko‘ra, ko‘plab yuqumli kasalliklar ifloslangan suv bilan bog‘liq bo‘lib, bu suv sifati inson salomatligi va hayot sifati uchun hal qiluvchi ahamiyatga ega ekanini ko‘rsatadi. Asosiy qism. Suv ifloslanishi bugungi kunda eng yirik muammolardan hisoblanib, bunga bir necha omillar sabab bo‘ladi. Masalan, avtomobillardan sizib chiquvchi neft qoldiqlari, sanoat korxonalaridan chiqadigan chiqindilar natijasida suv yuzasida neft qatlamlari paydo qilib, bu qatlam suv va atmosfera o‘rtasidagi gaz almashinuvini cheklaydi va dengiz va okean ekotizimlariga kuchli zarar yetkazadi. Bundan tashqari, daraxtlarning kesilishi tuproq eroziyasiga kuchli ta’sir qilib, suv havzalariga loyqa va iflos moddalarning kirib borishiga sabab bo‘ladi. Bunda radioktiv chiqindilar suv muhitida uzoq saqlanadi va bu atrof muhitga salbiy ta’sir ko‘rsatadi. Shuningdek, maishiy va sanoat oqava suvlarining yetarlicha tozalanmasdan tabiiy suv manbalariga qo‘shib yuborilishi ham suv ifloslanishida jiddiy ekologik xavf bo‘lmoqda. Oqava suvlar tarkibidagi patogen mikroorganizmlar, og‘ir metallar va kimyoviy birikmalar nafaqat suv ekotizimiga, balki inson salomatligiga ham kuchli tahdid qiladi. Organik chiqindilarning parchalanish jarayonida zararli bakteriya yoki viruslarning hosil bo‘lishi suv sifatidagi keskin pasayishga sabab bo‘ladi. Suv ifloslanishi bugungi kunda eng dolzarb muammolardan biri bo‘lganligi sababli, suvni aniq ma’lumotlarga asoslanib tahlil qilish ham o‘z dolzarbligini saqlab kelmoqda. Amaliy jihatdan suvning tarkibini baholovchi turli funksiyaga ega qurilmalar nafaqat suv, balki suyuqliklarning tarkibini o‘rganishda muhim 37

vosita hisoblanadi. Ulardan biri UV-Vis spektrofotometr qurilmasidir. Bu qurilma suvdagi turli moddalar, xususan nitrat, nitrit, fosfatlar va organik moddalar konsentrantsiyasini aniqlash orqali suv sifatini baholash imkoniyatini beribgina qolmay, bu usul ekologik monitoring, suv havzalarini nazorat qilish va sifat standartlariga rioya qilishda muhim sanaladi. 1-rasm. Suv ifloslanishi Hajm jihatdan ixcham modelga ega ion-selektiv elektrod (ISE) suyuqlik muhitida mavjud bo‘lgan muayyan ionlarning faolligini aniqlash orqali suyuqlik tarkibining fizik-kimyoviy xususiyatlarini baholash imkonini beradi. 2-rasm. Suv tarkibini baholovchi asboblar Suv sifatini baholashda eng keng qo‘llaniladigan pH-metr suv asosidagi eritmalardagi vodorod ionlarining faolligini o‘lchovchi asbob bo‘lib, eritmaning kislotalilik yoki ishqoriylik darajasini pH ko‘rsatkichi orqali ifodalaydi. Yuqorida ta’riflangan qurilmalardan olingan ma’lumotlar to‘plami tahlil qilishda zamonaviy metodlar, jumladan, sun’iy 38ntellect modellaridan foydalanish suv tarkibini bashorat qilish, pragnozlashda muhim o‘rin tutadi. Sun’iy 38ntellect — bu kompyuter tizimlarining inson aqliga xos bo‘lgan vazifalarni, masalan, o‘rganish, ma’lumotlarni tahlil qilish, qaror qabul qilish, muammoni hal qilish kabilarni bajara olish ko‘nikmasi hisoblanadi. Quyidagi rasmda sun’iy intellektning asosiy yo‘nalishlari keltirib o‘tilgan. (3-rasm) 3-rasm. Sun’iy intellekt komponentlari 38