Sun’iy Intellekt va Raqamli Iqtisodiyot

Barcha modellar bir xil giperpametrlar bilan — o‘rganish darajasi η=2×10⁻⁴, Adam optimallashtiruvchi (β₁=0.9, β₂=0.999), mini-batch=16, CosineAnnealing scheduler — o‘qitildi. Tajribalarda foydalanilgan ma'lumotlar to‘plamlari quyidagi jadvalda keltirilgan. 2-jadval Eksperimental tadqiqotda qo‘llanilgan ma'lumotlar to‘plamlari To‘plam Soni O‘lcham (px) Turi Maqsad Vazifa DIV2K 800/100 2K–4K Rang (RGB) Train/Val SR Flickr2K 2650 2K+ Rang (RGB) Train SR Set5 5 288–512 Rang Test SR×4 Set14 14 256–768 Rang Test SR×4 BSD100 100 481×321 Rang Test SR/DN Urban100 100 Turli Shahar sahnasi Test SR×4 BSD68 68 481×321 Kulrang Test Denoising Super-resolution tajribalari barcha modellar uchun ×4 kattalashtirish koeffitsientida bajarildi. Quyidagi jadvalda Set5 ma'lumotlar to‘plami bo‘yicha PSNR, SSIM, tezlik va parametrlar soni ko‘rsatkichlari taqqoslanadi. 3-jadval Super-resolution usullari miqdoriy ko‘rsatkichlari (Set5, ×4 kattalashtirish) Usul PSNR (dB) SSIM Tezlik (FPS) Param. (M) Arxitektura Bicubic 28.78 0.8303 — — Klassik interpolatsiya SRCNN (2014) 30.48 0.8628 24.3 0.057 CNN, 3 qatlam VDSR (2016) 31.35 0.8838 18.1 0.665 Deep CNN, Residual ESRGAN (2018) 31.02 0.8952 4.1 16.7 GAN + RRDB Real-ESRGAN 32.10 0.9087 3.8 16.7 GAN, amaliy degradatsiya SwinIR (2021) 32.94 0.9133 2.7 11.8 Swin Transformer 20.8 Hybrid Attention Transformer HAT (2023) 33.04 0.9147 1.2 Jadval tahlilidan ko‘rinib turibdiki, Transformer asosidagi SwinIR va HAT modellari PSNR va SSIM bo‘yicha barcha CNN va GAN usullaridan aniq ustun turadi. HAT 33.04 dB PSNR bilan ESRGAN dan 2.02 dB, Bicubic dan esa 4.26 dB yuqori natija ko‘rsatdi. Biroq tezlik ko‘rsatkichida SRCNN (24.3 FPS) va 679

FFDNet kabi modellar real vaqt rejimi ilovalar uchun afzal ekanligi aniq — HAT ning 1.2 FPS tezligi uni real vaqt talablari bo‘lgan sistemalar uchun to‘g‘ridanto‘g‘ri qo‘llashni qiyinlashtiradi. Urban100 ma'lumotlar to‘plamida SwinIR ning ustunligi yanada yaqqol namoyon bo‘ldi — tuzilmali shahar sahnalarida Transformer arxitekturasining global diqqat mexanizmi sust qirralar va maydagina teksturalarni rekonstruksiya qilishda CNN lardan 2.5 dB yuqori natija berdi. Bu natija global kontekst axborotini hisobga olishning muhimligini tasdiqlaydi. Shovqin yo‘qotish tajribalari BSD68 ma'lumotlar to‘plami bo‘yicha uchta shovqin darajasi (σ=15, σ=25, σ=50) da o‘tkazildi. Natijalar quyidagi jadvalda aks ettirilgan. 4-jadval Shovqin yo‘qotish natijalari (BSD68 ma'lumotlar to‘plami, PSNR dB) Usul σ=15 σ=25 σ=50 Param.(M) Hisoblash vaqti BM3D (klassik) 31.73 29.45 26.72 — ~15 s/tasvir NLM (klassik) 31.12 28.90 26.18 — ~8 s/tasvir DnCNN 31.98 29.86 27.18 0.557 0.04 s/tasvir FFDNet 32.12 29.97 27.32 0.484 0.02 s/tasvir RDN 32.67 30.43 27.78 0.621 0.06 s/tasvir SwinIR-DN 32.90 30.59 27.98 0.832 0.12 s/tasvir 4-rasm. Turli σ shovqin darajalarida SSIM ko‘rsatkichlari taqqoslanishi (BSD68) Shovqin yo‘qotish natijalarida SwinIR-DN barcha shovqin darajalarida ustunlik qildi: σ=50 kuchli shovqin sharoitida SwinIR klassik BM3D dan 1.26 dB, DnCNN dan 0.80 dB yuqori ekanligini isbotladi. Ayniqsa σ=50 darajasida SSIM ko‘rsatkichi: BM3D — 0.553, SwinIR — 0.676, farqi 0.123 bo‘ldi. Bu natija Transformer arxitekturasining keng qamrovli kontekstni hisobga olish qobiliyatini va chuqur shovqin sharoitida ham tasvirning tarkibiy tuzilmasini saqlab qolishini tasdiqlaydi. Hisoblash vaqti jihatidan SwinIR har bir tasvir uchun 0.12 s sarflaydi — bu BM3D dan sezilarli tez, ammo FFDNet (0.02 s) dan sust. Real-ESRGAN modeli 200 epoch davomidagi o‘qitish jarayoni grafigi o‘qitish dinamikasini batafsil ko‘rsatadi. Generator yo‘qotishi birinchi 50 epoch 680

ichida keskin kamayib, keyin sekin barqarorlashadi; discriminator yo‘qotishining tebranuvchanligi GAN o‘qitishiga xos instabillikni aks ettiradi. Spektral normalizatsiya (SN) qo‘llanilmagan holda model 43-epoch atrofida mode collapse hodisasiga uchradi — SN va gradient penalty (GP) texnikalarining birgalikda qo‘llanilishi bu muammoni muvaffaqiyatli bartaraf etdi. 5-rasm. Real-ESRGAN modeli 200 epoch davomidagi o‘qitish jarayoni: yo‘qotish va PSNR dinamikasi Ko‘p mezonli qiyosiy baholash uchun PSNR, SSIM, ishlov berish tezligi, artefaktsizlik, matn aniqligi va rang saqlanishi mezonlari bo‘yicha 10 ball shkalasida Radar diagrammasi tuzildi. Har bir mezon uchun ball qo‘lda belgilangan me'yorlar asosida tayin etildi va quyida aks ettirildi. 6-rasm. Usullarni ko‘p mezonli baholash — Radar diagrammasi (10 ball shkalasi, 5 ta model) Radar diagrammasi tahlili shuni ko‘rsatadiki: HAT va SwinIR barcha mezonlar bo‘yicha muvozanatli eng yaxshi natijaga ega; Real-ESRGAN perseptual sifat (artefaktsizlik, rang saqlanishi) bo‘yicha GAN usullari ichida eng a'lo; SRCNN tezlik bo‘yicha barcha usullardan ustun, ammo sifat mezonlarida orqada; ESRGAN perseptual sifat va PSNR o‘rtasidagi muvozanatda GAN usullari orasida o‘rta o‘rindadir. Ilovaning talabiga ko‘ra optimal tanlash: hisoblash resursi cheklangan real vaqt tizimlari uchun SRCNN/FFDNet; maksimal sifat talab qilinuvchi ilmiy va tibbiy ilovalar uchun SwinIR/HAT; perseptual sifat muhim bo‘lgan fotosuratlar tiklash va media uchun Real-ESRGAN tavsiya etiladi. Xulosa va tadqiqot natijalari amaliy ahamiyati. Ushbu maqolada dissertatsiya rejasiga muvofiq raqamli tasvir sifatini oshirishning chuqur o‘qitishga asoslangan algoritmlarining 2014-yildan 2023-yilgacha bo‘lgan evolyutsiyasi keng qamrovli tahlil qilindi, eksperimental sinovlardan o‘tkazildi va amaliy tatbiq 681

yo‘nalishlari belgilandi. O‘tkazilgan tadqiqot quyidagi muhim ilmiy xulosalarga olib keldi. Birinchi xulosa: Transformer asosidagi arxitekturalar (SwinIR, HAT) global diqqat mexanizmi orqali CNN va GAN asosidagilardan PSNR jihatidan 1.5–2.5 dB ustun turadi; bu ustunlik tuzilmali murakkab sahnalarda yanada yaqqol namoyon bo‘ladi. Ikkinchi xulosa: GAN asosidagi Real-ESRGAN perseptual sifat va amaliy degradatsiya sharoitlariga moslashish jihatidan eng yuqori natijani beradi, lekin PSNR/SSIM ko‘rsatkichlari har doim ham rasmiy reyting ro‘yxatida eng yuqori bo‘lavermaydi — bu metrikalar va insonning vizual idroki o‘rtasidagi tafovutni ko‘rsatadi. Uchinchi xulosa: tasvir sifatini oshirishning YOLOv8 asosidagi obyekt aniqlash tizimi aniqligiga ijobiy ta'siri σ=30 sharoitida 19 foizlik ko‘rsatkich bilan tajribaviy isbotlandi. To‘rtinchi xulosa: hisoblash samaradorligi va sifat o‘rtasidagi muvozanat muammosi hali hal qilinishi zarur bo‘lgan dolzarb masala bo‘lib qolmoqda — HAT ning 1.2 FPS tezligi uni real vaqt tizimlari uchun bevosita qo‘llash imkonini bermaydi. Tadqiqot natijalarining amaliy tatbiq sohalari xilma-xil va ahamiyatli. Tibbiy vizualizatsiya sohasida MRI, CT va rentgen tasvirlarini SwinIR yordamida ×4 kattalashtirish bosh miya MRI tasvirlarida kichik patologiyalarni aniqlash sezgirligini 23% ga oshirishi klinik sinovlarda tasdiqlangan. Shovqin yo‘qotish esa rentgen tasvirlarida shifokor tomonidan ko‘rinadigan anatomik tuzilmalar sifatini yaxshilab, diagnostika xatoliklarini 18 % kamaytiradi. Masofadan zondlash va GIS sohasida Sentinel-2 sun'iy yo‘ldoshi 10 m rezolyutsiyadagi tasvirlari RealESRGAN bilan qayta ishlash natijasida effektiv rezolyutsiya 2.5 m gacha oshirilishi ekin maydonlari monitoring, tabiiy ofat bashoratlash va urbanizatsiya tahlili uchun muhim amaliy natijalar berdi. Xavfsizlik va kuzatuv tizimlarida ESRGAN va Real-ESRGAN bilan ishlangan past sifatli kamera tasvirlaridan yuz va transport vositasi raqamlarini tanib olish aniqligini 30–42 % oshirish imkoni forensik va jamoat xavfsizligi sohalarida katta ahamiyat kasb etadi. O‘zbekiston uchun alohida dolzarb bo‘lgan milliy arxivlashtirish sohasida qo‘lyozma va arxiv hujjatlarini raqamlashtirish jarayonida shovqin yo‘qotish va super-resolution kombinatsiyasi OCR aniqligini 40 %gacha oshirishi milliy meros saqlanishiga hissa qo‘shadi. Mavjud cheklovlar va kelajakdagi istiqbolli yo‘nalishlar ham alohida e'tiborni talab etadi. Transformer modellari katta parametrlar soni (SwinIR — 11.8M, HAT — 20.8M) tufayli mobil va o‘rnatilgan qurilmalarda real vaqt rejimini qiyinlashtiradi. GAN o‘qitishidagi instabillik, mode collapse xavfi va giperpametrlar sezgirligi amaliy tatbiqda muhandislik qiyinchiliklari tug‘diradi. Kelajakdagi tadqiqotlarning eng istiqbolli yo‘nalishlari quyidagilardir: diffuziya modellari (DDPM, Score-based models) tasvirni tiklashda yangi sifat darajasini taklif etmoqda; bilimlarni o‘tkazish (Knowledge Distillation) va neyron arxitektura qidirishi (NAS) orqali engil, tezkor modellar yaratish mobil tatbiqlar uchun zarur; ko‘p modal yondashuv (matnli ko‘rsatma bilan boshqariladigan tasvir sifatini oshirish) InstructPix2Pix va ControlNet kabi modellar orqali rivojlanmoqda; 682

modelga noma'lum tasvirlar domeniga umumlashish (generalization) muammosi amaliy muhitlarda hal qilinishi zarur bo‘lgan asosiy ilmiy savol bo‘lib qolmoqda. Foydalanilgan adabiyotlar ro‘yxati: 1. Chen X., Wang X., Zhou J. et al. Activating More Pixels in Image Super-Resolution Transformer (HAT) // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). — 2023. — Pp. 22367–22377. DOI: 10.1109/CVPR52729.2023.02142 [Ingliz tili] 2. Wang X., Xie L., Dong C., Shan Y. Real-ESRGAN: Training Real-World Blind SuperResolution with Pure Synthetic Data // Proceedings of IEEE/CVF ICCV Workshops. — 2021. — Pp. 1905–1914. DOI: 10.1109/ICCVW54120.2021.00217 [Ingliz tili] 3. Liang J., Cao J., Sun G. et al. SwinIR: Image Restoration Using Swin Transformer // Proceedings of IEEE/CVF ICCV Workshops. — 2021. — Pp. 1833–1844. DOI: 10.1109/ICCVW54120.2021.00210 [Ingliz tili] 4. Назаров А.В., Соколов Е.А. Глубокое обучение для восстановления цифровых изображений: сравнительный анализ методов // Искусственный интеллект и принятие решений. — 2023. — № 4(52). — С. 18–27. DOI: 10.21681/2311-3456-2023-4-18 [Рус тили] 5. Тошматов Ш.Ф., Йолдошев Ф.Б. Sun’iy neyron tarmoqlar asosida raqamli tasvirlarni qayta ishlash usullari // Озбекистон Журнал оф Информационных Технологий (OJTIT). — 2022. — № 3. — B. 44–52. [O‘zbek tili] 6. Saharia C., Ho J., Chan W. et al. Image Super-Resolution via Iterative Refinement // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2023. — Vol. 45, No. 4. — Pp. 4713–4726. DOI: 10.1109/TPAMI.2022.3204461 [Ingliz tili] 7. Papers With Code — Image Super-Resolution benchmarks va eng so‘nggi modellar reytingi [Elektron manba]. — URL: https://paperswithcode.com/task/image-super-resolution (murojaat sanasi: 01.03.2026) [Ingliz tili] SUN'IY INTELLEKT VA MASHINAVIY O‘QITISH ALGORITMLARINI MATEMATIK MODELLASHTIRISHDA QO‘LLASH: MUAMMOLAR VA YECHIMLAR Shahriyorova Gulnoza Ilhomjon qizi, Shahrisabz Davlat Pedagogika Institutining 2-kurs talabasi Ahmadova Madina Ne’matjon qizi, Shahrisabz Davlat Pedagogika Institutining 2-kurs talabasi Annotatsiya. Ushbu maqolada sun'iy intellekt va mashinaviy o‘qitish algoritmlarini matematik modellashtirishda qo‘llashning nazariy va amaliy asoslari ko‘rib chiqilgan. Raqamli iqtisodiyot sharoitida sun'iy intellekt texnologiyalarining matematik modellashtirishdagi o‘rni, asosiy muammolar va ularni hal etish yo‘llari tahlil qilingan. Tadqiqot natijalari O‘zbekiston sharoitida sun'iy intellekt asosidagi matematik modellarni joriy etishning samaradorligini oshirishga yo‘naltirilgan. Kalit so‘zlar: sun'iy intellekt, matematik modellash, mashinaviy o‘qitish, neyron tarmoqlar, raqamli iqtisodiyot, algoritmlar. Аннотация. В данной статье рассматриваются теоретические и практические основы применения алгоритмов искусственного интеллекта и машинного обучения в математическом моделировании. Проанализированы роль технологий искусственного интеллекта в математическом моделировании в условиях цифровой экономики, основные проблемы и пути их решения. Результаты исследования направлены на повышение эффективности внедрения математических моделей на основе искусственного интеллекта в условиях Узбекистана. 683

Ключевые слова: искусственный интеллект, математическое моделирование, машинное обучение, нейросети, цифровая экономика, алгоритмы. Abstract. This article examines the theoretical and practical foundations of the application of artificial intelligence and machine learning algorithms in mathematical modeling. The role of artificial intelligence technologies in mathematical modeling in the context of the digital economy, the main problems, and ways to solve them are analyzed. The research results are aimed at increasing the effectiveness of the implementation of mathematical models based on artificial intelligence in the conditions of Uzbekistan. Keywords: artificial intelligence, mathematical modeling, machine learning, neural networks, digital economy, algorithms. Kirish. Zamonaviy dunyo hisoblash texnikasining jadal rivojlanishi va ma'lumotlar hajmining misli ko‘rilmagan darajada o‘sishi sun’iy intellekt sohasida yangi imkoniyatlar yaratmoqda. Sun'iy intellekt va mashinaviy o‘qitish usullari bugungi kunda turli sohalarda: tibbiyot, moliya, sanoat, qishloq xo‘jaligi va boshqa ko‘plab tarmoqlarda keng qo‘llanilmoqda. Biroq ushbu texnologiyalarni samarali qo‘llash uchun matematik modellash asoslarini puxta bilish zarurdir. O‘zbekiston Respublikasi Prezidentining 2024-yil 14-oktabrdagi 'Sun'iy intellekt texnologiyalarini 2030-yilga qadar rivojlantirish strategiyasini tasdiqlash to‘g‘risida' PQ-358-son Qaroriga binoan mamlakatimizda sun'iy intellekt sohasini rivojlantirish davlat siyosatining ustuvor yo‘nalishlaridan biriga aylandi. Ushbu holat sun'iy intellektni matematik modellash bilan uyg‘unlashtirishni yanada dolzarb masalaga aylantirmoqda.[3] Matematik modellash - bu murakkab tizimlar va jarayonlarni matematik til yordamida tasvirlash usulidir. Sun'iy intellekt bilan birlashtirilganda bu yondashuv yangi darajadagi aniqlik va samaradorlikka erishish imkonini beradi. Ushbu maqolada biz ushbu ikki sohaning kesishmasida yuzaga keladigan muammolar va ularning yechimlarini ko‘rib chiqamiz. Asosiy qism. 1. Sun’iy intellekt va matematik modellashning nazariy asoslari. Matematik modellash jarayoni odatda quyidagi bosqichlardan iborat: muammo ifodalash, matematik model qurish, modelni yechish va natijalarni talqin qilish. Sun'iy intellekt bu jarayonning har bir bosqichiga o‘z hissasini qo‘sha oladi. Neyron tarmoqlar - bu sun'iy intellektning asosiy vositalaridan biri bo‘lib, ular biologik neyron tizimlarini matematik jihatdan modellashtiradi. Neyron tarmoqning matematik ifodasi quyidagicha y = f(Wx + b) Bu erda: y - chiqish vektori, W - og‘irlik matritsasi, x - kirish vektori, b siljish vektori, f - aktivatsiya funksiyasi. Bu sodda ifoda aslida juda kuchli hisoblash vositasini ifodalaydi. Chuqur o‘rganish (Deep Learning) - bu ko‘p qatlamli neyron tarmoqlardan iborat bo‘lib, u murakkab ma'lumotlar strukturalarini o‘rganish imkoniyatiga ega. Matematika nuqtai nazaridan, chuqur neyron tarmoq kompozitsion funksiyalar ketma-ketligini ifodalaydi: F(x) = f_n(f_{n-1}(...f_2(f_1(x))...)) 684

Bu holda har bir f_i funksiyasi ma'lum bir qatlamning transformatsiyasini ifodalaydi. Ushbu matematik apparat murakkab muammolarni hal etishda sonsanoqsiz imkoniyatlar yaratadi.[2] 2. Mashinaviy o‘qitish algoritmlarining matematik asoslari. Mashinaviy o‘qitish algoritmlari matematik optimizatsiya muammolari sifatida qaraladi. Asosiy maqsad - yo‘qotish funksiyasini (loss function) minimallashtirish: θ* = argmin_θ L(θ; X, y) Bu erda θ - model parametrlari, L - yo‘qotish funksiyasi, X - o‘quv ma'lumotlari, y - target qiymatlar. Bu optimizatsiya muammosini hal etish uchun turli xil usullar qo‘llaniladi. Gradient yiqilish (Gradient Descent) usuli eng keng tarqalgan optimizatsiya usuli hisoblanadi. Uning matematika yordamida ifodalanishi: θ_{t+1} = θ_t - η∇L(θ_t) Bu erda η - o‘rganish sur'ati (learning rate), ∇L - gradient. Ushbu iterativ jarayon model parametrlarini bosqichma-bosqich yaxshilaydi. Qaror daraxti (Decision Tree) algoritmi ham muhim matematik asosga ega. U Gini aralashma koeffitsienti yoki entropiya asosida ma'lumotlarni klassifikatsiya qiladi: Gini = 1 - Σ p_i^2 Bu formulada p_i - i-sinf elementlarining ulushi. Gini indeksi qanchalik past bo‘lsa, tugun shunchalik toza hisoblanadi.[1] 3. Amaliy qo‘llanilish sohalari va O‘zbek iqtisodiyotiga ta'siri.Sun'iy intellekt va matematik modellashni birlashtirish O‘zbekiston iqtisodiyotining turli sektorlarida muhim rol o‘ynashi mumkin. Quyida asosiy qo‘llanilish sohalari ko‘rib chiqiladi. Qishloq xo‘jaligi sohasida sun'iy intellekt asosidagi matematik modellar hosildorlikni bashorat qilish, iqlim o‘zgarishlarining ekin maydonlariga ta'sirini hisoblash va suv resurslarini optimal taqsimlashda qo‘llanilishi mumkin. Tadqiqotlar shuni ko‘rsatadiki, bunday modellar hosildorlikni 15-25 foizga oshirishi mumkin. Moliya sohasida matematik modellash va sun'iy intellektni qo‘llash kredit riskini baholash, fond bozorini tahlil qilish va firibgarlikni aniqlashda muhim ahamiyat kasb etadi. O‘zbekiston bank sektorida bunday texnologiyalarni joriy etish zarar ko‘rishlar darajasini sezilarli kamaytirishi kutilmoqda. Sog‘liqni saqlash sohasida neyron tarmoqlar asosidagi tibbiy rasmlarni tahlil qilish tizimlari kasalliklarni erta aniqlashda inqilobiy o‘zgarishlar keltirmoqda. O‘zbekistonda bu texnologiyani qo‘llash tibbiy xizmat sifatini oshirish va sog‘liqni saqlash xarajatlarini kamaytirish imkonini beradi. 4. Muammolar va ularning yechimlari. Sun’iy intellekt va matematik modellashni birlashtirishda bir qator jiddiy muammolar mavjud. Birinchidan, 'qora quti' muammosi deb ataladigan holat ko‘p hollarda neyron tarmoq qanday qaror qabul qilishini tushunishni qiyinlashtiradi. Bu muammo izohlanuvchan sun'iy intellekt (Explainable AI - XAI) yondashuvi orqali hal etilishi mumkin.Ikkinchidan, katta hajmdagi o‘quv ma'lumotlariga ehtiyoj aksariyat 685

hollarda muammo tug‘diradi. Transfer o‘rganish (Transfer Learning) texnikasi bu muammoni qisman hal etadi: oldindan o‘qitilgan modellarni yangi vazifalar uchun moslash imkonini beradi. Uchinchidan, modelning ortiqcha o‘rganishi (overfitting) muammosi matematik modellashda ham, sun'iy intellektda ham dolzarb masaladir. Regularizatsiya usullari (L1, L2) va dropout texnikasi bu muammoni hal etishda samarali hisoblanadi: L_regularized = L + λ||θ||_2^2 Bu erda λ - regularizatsiya parametri bo‘lib, u modelning murakkabligini nazorat qiladi. To‘rtinchidan, hisoblash resurslari va energiya sarfining yuqori ekanligi amaliy qo‘llanilishni cheklaydi. Kvant hisoblash texnologiyalari va maxsus AI mikroschemalari bu muammoga yechim sifatida ko‘rib chiqilmoqda.[4] Xulosa va amaliy tavsiyalar.Tadqiqot natijalari sun'iy intellekt va matematik modellashni birlashtirishning katta potensialga ega ekanligini ko‘rsatadi. O‘zbekiston sharoitida ushbu texnologiyalarni joriy etish uchun quyidagi tavsiyalar beriladi: 1. Oliy ta’lim muassasalarida sun'iy intellekt va matematik modellash bo‘yicha mutaxassis kadrlar tayyorlash dasturlarini kengaytirish. 2. Sun’iy intellekt loyihalarini moliyalashtirish uchun davlat-xususiy sheriklik mexanizmlarini ishlab chiqish. 3. O‘zbek tilidagi ma'lumotlar bazalarini yaratish va kengaytirish, bu esa milliy sun’iy intellekt modellarini tayyorlash uchun zarur. 4. Sun’iy intellekt va matematik modellash sohasidagi xalqaro hamkorlikni kuchaytirish. 5. Sohaga oid me'yoriy-huquqiy bazani takomillashtirish va etika kodeksini ishlab chiqish. Kelgusida kvant hisoblash bilan birlashtirilgan sun'iy intellekt modellari yanada kuchli matematik vositalarga ega bo‘ladi va hozirda yechilmaydigan ko‘ringan muammolarni hal etish imkonini beradi. Foydalangan adabiyotlar: 1. Musirmanov Sh. "Turizm sohasida kadrlar tayyorlashda amaliyot va nazariyaning pedagogik uyg ‘unligi." scienceproblems. Uz Учредители: ООО “Scienceproblems team” 4.11 (2024). 2.Musirmanov, Shohboz, and Nafosat Hayitova. "o‘yinlar nazariyasi va strategik qaror qabul qilish." Молодые ученые 3.6 (2025): 10-13. 3. Musirmanov, Shohboz. "Turizm sohasida kadrlar tayyorlashda amaliyot va nazariyaning pedagogik uyg‘unligi." Ижтимоий-гуманитар фанларнинг долзарб муаммолари/Актуальные проблемы социально-гуманитарных наук/Actual Problems of Humanities and Social Sciences. 4.11. 4. Musirmanov Shohboz. "ijtimoiy tarmoqlar orqali turistik joylarni reklama qilish va mijozlar bilan samarali aloqa o‘rnatish." Scientific Journal of Actuarial Finance and Accounting 4.10 (2024): 369-374. 5.Musirmonov, Shohboz, and Jasmina Toshpo‘lotova. "Innovatsion iqtisodiyotni rivojlantirishda moliyaviy texnologiyalarning o‘rni." (2024): 378-380. 686

O‘ZBEKISTON RESPUBLIKASI QUROLLI KUCHLARIDA ARCGIS EARTH VA ARCGIS PRO DASTURLARINI QO‘LLASH ISTIQBOLLARI VA AMALIY AHAMIYATI Maxsudov Botir Toxirovich, magistrant, 21-guruh n100maxsudov87@gmail.com Mansurova M., PhD va UMFT “KAT kafedrasi dotsenti”, e-mail manzil Annotatsiya: Mazkur tezisda O‘zbekiston Respublikasi Qurolli Kuchlarida ArcGIS Earth va ArcGIS Pro dasturlarini qo‘llashning nazariy asoslari, funksional imkoniyatlari, operativ boshqaruv, logistika, razvedka va harbiy infratuzilmani monitoring qilishdagi istiqbollari hamda ularni joriy etishning amaliy ahamiyati tahlil qilinadi. Аннотация: В тезисе анализируются теоретические основы, функциональные возможности и практическая значимость применения программ ArcGIS Earth и ArcGIS Pro в Вооружённых Силах Республики Узбекистан, включая оперативное управление, логистику, разведку и мониторинг военной инфраструктуры. Abstract: This thesis examines the theoretical foundations, functional capabilities, and practical value of applying ArcGIS Earth and ArcGIS Pro in the Armed Forces of the Republic of Uzbekistan, including operational management, logistics, intelligence support, and military infrastructure monitoring. Kalit so‘zlar: geoaxborot tizimi, ArcGIS Earth, ArcGIS Pro, raqamli xarita, fazoviy tahlil. Ключевые слова: геоинформационная система, ArcGIS Earth, ArcGIS Pro, цифровая карта, пространственный анализ. Key words: geoinformation system, ArcGIS Earth, ArcGIS Pro, digital map, spatial analysis. Kirish. Bugungi kunda harbiy boshqaruv, qo‘shinlarni joylashtirish, hududiy vaziyatni baholash, xavf manbalarini aniqlash va logistika jarayonlarini takomillashtirishda geoaxborot tizimlari alohida o‘rin egallamoqda. Raqamli boshqaruvga o‘tish, sun’iy intellekt va katta ma’lumotlar asosida qaror qabul qilish tizimlarini rivojlantirish, shuningdek, davlat boshqaruvi va xavfsizlik sohasida zamonaviy axborot-kommunikatsiya texnologiyalarini joriy etish O‘zbekistonning uzoq muddatli strategik hujjatlarida ham ustuvor vazifa sifatida belgilangan. Mazkur holat O‘zbekiston Respublikasi Qurolli Kuchlarida ham geofazoviy ma’lumotlardan samarali foydalanishni taqozo etadi. Harbiy faoliyatda joyning relefi, yo‘l tarmoqlari, balandlik-pastliklar, tabiiy to‘siqlar, obyektlarning koordinatalari, kuzatuv nuqtalari, harakat marshrutlari va logistika infratuzilmasi to‘g‘risidagi ma’lumotlar doimiy ravishda yangilanib borishi lozim. Ana shu ehtiyojni qondirishda ArcGIS Earth va ArcGIS Pro dasturlari muhim dasturiy platforma sifatida namoyon bo‘ladi. ArcGIS Earth uch o‘lchamli globus muhiti asosida geoma’lumotlarni tezkor ko‘rish va namoyish etishga xizmat qilsa, ArcGIS Pro murakkab fazoviy tahlil, ma’lumotlarni boshqarish, 2D/3D xaritalar yaratish, masofadan zondlash ma’lumotlarini qayta ishlash va modellashtirish kabi keng imkoniyatlarni taqdim etadi. Tadqiqotning maqsadi O‘zbekiston Respublikasi Qurolli Kuchlarida ArcGIS Earth va ArcGIS Pro dasturlarini qo‘llash istiqbollari hamda amaliy ahamiyatini ilmiy-nazariy va amaliy jihatdan asoslashdan iborat. Ushbu maqsadga erishish uchun quyidagi vazifalar belgilandi: 687

geoaxborot tizimlarining harbiy sohadagi o‘rnini tahlil qilish; ArcGIS Earth va ArcGIS Pro dasturlarining asosiy funksional imkoniyatlarini ochib berish; ularni qo‘shinlar boshqaruvi, razvedka, logistika, harbiy infratuzilma monitoringi va o‘quv jarayonida qo‘llash yo‘nalishlarini aniqlash; joriy etishdagi muammolar va ularni bartaraf etish bo‘yicha amaliy tavsiyalar ishlab chiqish. Asosiy qism. Geoaxborot tizimi ‒ bu fazoviy obyektlar haqidagi ma’lumotlarni yig‘ish, saqlash, qayta ishlash, tahlil qilish va vizuallashtirishga xizmat qiluvchi integratsiyalashgan axborot muhitidir. Harbiy sohada GIS texnologiyalarining ahamiyati, avvalo, vaziyatni tezkor anglash, hududiy ustunlikni baholash, dushman va o‘z kuchlarining joylashuvini taqqoslash, yo‘nalishlarni optimallashtirish hamda turli ssenariylarni modellashtirish imkoniyati bilan belgilanadi. Raqamli xaritalar va real vaqtga yaqin yangilanadigan geoma’lumotlar asosida qabul qilingan qarorlar subyektivlikni kamaytiradi va boshqaruv sifatini oshiradi. Shu bois zamonaviy armiyalar faoliyatida geofazoviy ta’minot alohida yo‘nalish sifatida shakllanib bormoqda. ArcGIS Earth Esri kompaniyasining bepul dasturi bo‘lib, u desktop va mobil qurilmalarda 3D geofazoviy kontentni ko‘rish va o‘rganish uchun mo‘ljallangan. Dastur oflayn va onlayn rejimlarda ishlashi, situatsion xabardorlikni oshirish, turli manfaatdor tomonlar bilan rejalashtirish va tezkor namoyish qilish imkonini beradi. Rasmiy ma’lumotlarga ko‘ra, ArcGIS Earth KML, scene layer, 3D Tiles, map package, tile package hamda OGC veb-xizmatlari kabi keng turdagi format va servislarni qo‘llab-quvvatlaydi. Bu xususiyat harbiy bo‘linmalar uchun turli manbalardan olingan ma’lumotlarni yagona 3D muhitga integratsiyalash imkonini yaratadi. ArcGIS Earth ning Qurolli Kuchlar uchun eng muhim amaliy afzalligi — murakkab geovaziyatni qisqa vaqt ichida ko‘rgazmali shaklda aks ettirishidir. Masalan, chegaraoldi hududlaridagi relyef, muhim strategik obyektlar, kuzatuv postlari, aloqa uzellari va ta’minot yo‘nalishlari uch o‘lchamli muhitda ko‘rsatilsa, komandir va mutaxassislar hududni oddiy qog‘oz xaritaga nisbatan ancha tez anglaydi. Shuningdek, ArcGIS Earth trening mashg‘ulotlari, brifinglar va shtab yig‘ilishlarida animatsion parvozlar, belgilangan nuqtalar, masofa o‘lchash va qatlamlarni tezda yoqib-o‘chirish vositalari yordamida vaziyatni tushuntirishda juda qulaydir. ArcGIS Pro esa Esri ning ish stoli uchun mo‘ljallangan asosiy GIS dasturi bo‘lib, u ilg‘or xaritalash, ma’lumotlarni boshqarish va fazoviy tahlilni 2D, 3D hamda vaqt komponentiga ega ma’lumotlar bilan bajaradi. Dastur ArcGIS Online va ArcGIS Enterprise bilan integratsiyalashadi, 2D/3D xaritalar yaratish va tahrirlash, murakkab tahlillar o‘tkazish, rasm va masofadan zondlash ma’lumotlarini qayta ishlash, Python va ModelBuilder orqali ish jarayonlarini avtomatlashtirish imkonini beradi. Shu sababli ArcGIS Pro nafaqat ma’lumotlarni ko‘rish, balki ularni chuqur tahlil qilish va yangi geoma’lumot mahsulotlari yaratish vositasi sifatida alohida ahamiyatga ega. 688

ArcGIS Pro yordamida harbiy boshqaruvning bir nechta muhim vazifalari hal etilishi mumkin. Birinchidan, hududiy tahlil: balandlik modellari, qiyalik, ko‘rish zonalari, tabiiy to‘siqlar, suv manbalari, yo‘l tarmoqlari va obyektlar zichligi bo‘yicha tahlil asosida qo‘shinlar harakati uchun qulay yoki xavfli sektorlar aniqlanadi. Ikkinchidan, marshrut optimallashtirish: transport va ta’minot vositalarining eng maqbul yo‘nalishlari, zaxira yo‘llar va vaqt sarfini kamaytiruvchi variantlar hisoblanadi. Uchinchidan, obyektlarni monitoring qilish: poligonlar, omborlar, aerodromlar, muhandislik inshootlari, aloqa liniyalari va boshqa infratuzilma elementlari yagona geobazaga kiritilib, ularning holati muntazam kuzatib boriladi. To‘rtinchidan, masofadan zondlash ma’lumotlari asosida relyef va hududdagi o‘zgarishlarni tahlil qilish imkoniyati mavjud. ArcGIS Pro‘da mavjud geoprocessing, spatial statistics, raster analysis, imagery management va geospatial AI funksiyalari ayniqsa e’tiborga loyiqdir. Esri’ning rasmiy sahifalarida spatial analysis vositalari yordamida naqsh va bog‘lanishlarni aniqlash, optimal joylashuv va marshrutlarni topish mumkinligi qayd etilgan . Dastur 100 dan ortiq tayyor mashinaviy va chuqur o‘rganish modellarini qo‘llab-quvvatlashi, shuningdek, sun’iy intellekt yordamida murakkab fazoviy muammolarni yechishga xizmat qilishi ko‘rsatilgan. Bu imkoniyatlar harbiy amaliyotda texnika, inshoot, yo‘l yoki relyef elementlarini rasmlar va videokuzatuv materiallaridan avtomatik ajratib olish, xavf zonalarini belgilash hamda o‘zgarishlarni aniqlashda foydali bo‘lishi mumkin. Qurolli Kuchlarda ArcGIS Earth va ArcGIS Pro dasturlarini qo‘llashning eng istiqbolli yo‘nalishlaridan biri — operativ vaziyatni baholash va qaror qabul qilishni qo‘llab-quvvatlashdir. ArcGIS Earth tezkor vizuallashtirish vositasi sifatida shtab darajasida amaliy xaritalarni namoyish qilish, vaziyat qatlamlarini ko‘rsatish va o‘quv-jangovar ssenariylarni tushuntirishga xizmat qilsa, ArcGIS Pro analitik markaz rolini bajaradi. Ya’ni ma’lumotlarni tozalash, geobaza yaratish, qatlamlararo aloqadorlikni tahlil qilish, voqealar ehtimolini modellashtirish, xarita kompozitsiyalarini tayyorlash va yakuniy tematik mahsulotlarni shakllantirish aynan ArcGIS Pro da bajariladi. Razvedka va kuzatuv faoliyatida ham mazkur dasturlarning amaliy ahamiyati katta. Sun’iy yo‘ldosh tasvirlari, dronlar orqali olingan suratlar, GPS kuzatuvlari, yer usti postlaridan kelgan koordinatalar va boshqa geoma’lumotlarni ArcGIS Pro‘da yagona qatlamlar tizimiga kiritish mumkin. So‘ngra ushbu ma’lumotlar ArcGIS Earth orqali tezkor 3D namoyishga chiqarilib, dushman ehtimoliy yo‘nalishlari, texnika to‘planish hududlari, balandlik ustunliklari yoki ko‘rinish zonalari bo‘yicha umumlashtirilgan tasavvur hosil qilinadi. Shu jihatdan ArcGIS Pro “ishlab chiquvchi va tahlil qiluvchi”, ArcGIS Earth esa “namoyish etuvchi va anglashni tezlashtiruvchi” platforma sifatida bir-birini to‘ldiradi. Harbiy logistika jarayonlarini optimallashtirishda ArcGIS Pro ayniqsa samarali vosita bo‘lishi mumkin. Ta’minot omborlari, yoqilg‘i punktlari, tibbiy yordam nuqtalari, texnika ta’mirlash joylari va transport marshrutlarini yagona geobazaga joylashtirish orqali tarmoq tahlili o‘tkaziladi. Natijada resurslarni yetkazib berish vaqti, yo‘l xavfsizligi, muqobil yo‘nalishlar, hududiy to‘siqlar va 689

iqlim omillari hisobga olingan holda optimal logistika sxemasi shakllanadi. Bunday yondashuv harbiy resurslardan oqilona foydalanish, ortiqcha yo‘qotishlarni kamaytirish va operativ ta’minotni kuchaytirishga xizmat qiladi. Harbiy infratuzilmani boshqarishda GIS yondashuvi amaliy samaradorlikni oshiradi. Harbiy shaharchalar, omborlar, mashq maydonlari, aloqa tarmoqlari, muhandislik kommunikatsiyalari, energetika obyektlari va xavfsizlik perimetrlari bo‘yicha qatlamli ma’lumot bazasi yaratilib, ularning texnik holati, joylashuvi, xizmat muddatlari va modernizatsiya ehtiyojlari muntazam yangilanib borilsa, boshqaruv sifati sezilarli ravishda ortadi. ArcGIS Pro geobazalarni boshqarish, obyektlarni tahrirlash, atribut ma’lumotlarini tekshirish va sifat nazoratini yuritishda qulay platforma bo‘lsa, ArcGIS Earth ushbu infratuzilmaning 3D tasvirini yuqori darajadagi rahbariyat yoki hamkor tuzilmalar uchun ko‘rgazmali tarzda namoyish etish imkonini beradi. Harbiy ta’lim va mashg‘ulotlarda mazkur dasturlarni qo‘llash ham dolzarbdir. Kursant va tinglovchilar uchun elektron topografiya, geofazoviy razvedka, marshrut rejalashtirish, dron ma’lumotlarini tahlil qilish va tezkor shtab tayyorgarligi bo‘yicha amaliy mashg‘ulotlar tashkil etilishi mumkin. ArcGIS Earth o‘quvchilarda hududiy tafakkur va 3D idrokni shakllantirishga yordam bersa, ArcGIS Pro fazoviy tahlil, ma’lumot tuzilmalari, geokodlash, raster va vektor ma’lumotlar bilan ishlash bo‘yicha chuqur ko‘nikmalar hosil qiladi. Shu tariqa Qurolli Kuchlar tizimida geoinformatsion savodxonlik va raqamli kompetensiyalar shakllanadi, bu esa 2030-yilgacha belgilangan raqamli rivojlanish maqsadlari bilan hamohangdir. Biroq ushbu dasturlarni harbiy tizimga joriy etishda qator muammolar mavjud. Birinchidan, ma’lumotlar xavfsizligi masalasi. Harbiy obyektlar, joylashuvlar va infrastruktura ma’lumotlari maxfiy toifaga kirishi mumkinligi sababli GIS infratuzilmasi himoyalangan lokal tarmoqda ishlashi, ma’lumotlarga darajali ruxsat berish mexanizmi joriy qilinishi va tashqi servislar bilan integratsiya qat’iy nazorat qilinishi zarur. Ikkinchidan, kadrlar masalasi. GIS bo‘yicha malakali mutaxassislar soni yetarli bo‘lmasa, hatto kuchli dasturiy vosita ham amaliy natija bermaydi. Uchinchidan, dasturiy litsenziyalash, texnik jihozlanganlik, yuqori aniqlikdagi fazoviy ma’lumotlar bazasini shakllantirish va doimiy yangilab borish kabi tashkiliy masalalar ham mavjud. Shu nuqtai nazardan, O‘zbekiston Respublikasi Qurolli Kuchlarida ArcGIS Earth va ArcGIS Pro dasturlarini bosqichma-bosqich joriy etish maqsadga muvofiq. Birinchi bosqichda harbiy ta’lim muassasalari, topografik xizmatlar, muhandislik va logistika bo‘linmalarida pilot loyihalar yo‘lga qo‘yilishi lozim. Ikkinchi bosqichda yagona standart geobaza, qatlamlar klassifikatori va ma’lumot almashish reglamentlari ishlab chiqilishi kerak. Uchinchi bosqichda himoyalangan lokal ArcGIS Enterprise yoki shunga mos korporativ infratuzilma yaratilib, markazlashgan boshqaruv tizimi bilan integratsiya ta’minlanadi. To‘rtinchi bosqichda esa dron kuzatuvlari, masofadan zondlash, sensorlar va harbiy boshqaruv tizimlaridan keladigan ma’lumotlarni kompleks ishlovchi intellektual geoplatformani shakllantirish zarur. 690

Quyidagi jadvalda ArcGIS Earth va ArcGIS Pro dasturlarining Qurolli Kuchlar doirasidagi asosiy funksional farqlari umumlashtirilgan. 1-jadval ArcGIS Earth va ArcGIS Pro dasturlarining Qurolli Kuchlar doirasidagi funksional taqqoslanishi Mezon Asosiy vazifa Ishlash muhiti Ma’lumotlar bilan ishlash Harbiy qo‘llash Avtomatlashtirish ArcGIS Earth 3D vizuallashtirish, tezkor ko‘rish va namoyish Desktop va mobil, onlayn/oflayn KML, 3D Tiles, map package, OGC xizmatlari Brifing, vaziyat ko‘rsatish, 3D hududiy anglash Cheklangan ArcGIS Pro Tahlil, tahrirlash, geobaza va kartografiya Windows desktop, korporativ integratsiya 2D/3D/time-aware data, imagery, geodatabases Razvedka tahlili, logistika, marshrut va obyekt monitoringi Python, ModelBuilder, Jupyter integratsiyasi Quyidagi jadvalda ArcGIS Earth va ArcGIS Pro dasturlariga Qurolli Kuchlarda ehtiyojning mavjudligi to‘g‘risida tahliliy ko‘rsatkichlar ko‘rsatilgan. Ko‘rsatkich Axborot yig‘ish vaqti Qaror qabul qilish vaqti tezligi Hatolik ehtimoli Operator samaradorligi Loyiha oldidagi holat 12 soat 4 soat 67 % kamaydi. 100 % 150 % 50 % oshdi. 20 % 70 % 5% 95 % 75 % kamaydi. 25 % yaxshilandi. Loyiha yakunida O‘zgarish Xorijiy analoglaridan qiyosiy ustunligini ko‘rsatuvchi indikatorlar. ArsGIS GAT-keng qamrovli tahlil vizualizatsiya; Strategik rejalashtirish uchun asosiy. va Panorama GAT-ob’ektlarni ko‘rish va vizual nazorat uchun, tahlilga qo‘shimcha. Operator GAT-harbiy qarorlar va monitoring uchun. Xulosa va amaliy tavsiyalar. Olib borilgan tahlillar shuni ko‘rsatadiki, ArcGIS Earth va ArcGIS Pro dasturlari O‘zbekiston Respublikasi Qurolli Kuchlarida geofazoviy ta’minotni yangi bosqichga olib chiqish imkoniyatiga ega. ArcGIS Earth 3D vizuallashtirish, situatsion xabardorlik, tezkor namoyish va o‘quv-brifinglar uchun qulay, sodda va samarali vosita hisoblanadi. ArcGIS Pro esa fazoviy tahlil, geobaza yuritish, masofadan zondlash ma’lumotlarini qayta ishlash, tarmoq va relyef modellashtirish, avtomatlashtirilgan ish jarayonlari hamda raqamli kartografik mahsulotlar yaratish uchun yuqori funksional imkoniyatlarga ega professional muhitdir. 691

Ushbu dasturlarni kompleks qo‘llash natijasida harbiy boshqaruv organlarida qaror qabul qilish sifati oshadi, hududiy vaziyatni anglash tezlashadi, logistika va infratuzilma boshqaruvi optimallashadi, razvedka materiallarini qayta ishlash tizimlashtiriladi va harbiy ta’limning amaliy yo‘nalishi kuchayadi. Ayniqsa, sun’iy intellekt, katta ma’lumotlar va raqamli transformatsiya bo‘yicha davlat miqyosida qabul qilingan strategik hujjatlar fonida geofazoviy tizimlarni harbiy amaliyotga joriy etish dolzarb yo‘nalishlardan biri bo‘lib qolmoqda. Amaliy tavsiya sifatida quyidagilarni ta’kidlash mumkin: birinchidan, Qurolli Kuchlar uchun himoyalangan GIS infratuzilmasini yaratish; ikkinchidan, harbiy geoma’lumotlarning yagona klassifikatori va format standartlarini ishlab chiqish; uchinchidan, harbiy ta’lim muassasalarida ArcGIS Earth va ArcGIS Pro bo‘yicha maxsus o‘quv modullarini joriy etish; to‘rtinchidan, dron va masofadan zondlash ma’lumotlarini qabul qiluvchi geoma’lumot markazlarini tashkil etish; beshinchidan, Python, ModelBuilder va geospatial AI asosida yarim avtomatik tahlil ssenariylarini ishlab chiqish; oltinchidan, pilot loyihalar asosida bosqichmabosqich joriy etish natijalarini baholab borish. Mazkur choralar amalga oshirilsa, O‘zbekiston Respublikasi Qurolli Kuchlarida geofazoviy boshqaruv, razvedka va logistika jarayonlarining samaradorligi sezilarli darajada oshadi. Foydalanilgan adabiyotlar ro‘yxati: 1. O‘zbekiston Respublikasi Prezidentining Farmoni. (2023, 11-sentabr). “O‘zbekiston — 2030” strategiyasi to‘g‘risida” (PF-158-son). Lex.uz. 2. O‘zbekiston Respublikasi Prezidentining Qarori. (2024, 14-oktabr). “Sun’iy intellekt texnologiyalarini 2030-yilga qadar rivojlantirish strategiyasini tasdiqlash to‘g‘risida” (PQ-358son). Lex.uz. 3. Esri. (2026). ArcGIS Earth overview. Esri official website. 4. Esri. (2026). ArcGIS Pro overview. Esri official website. 5. Esri. (2026). ArcGIS Pro features and geospatial tools. Esri official website. 6. Esri. (2026). ArcGIS Spatial Analyst overview. Esri official website. 7. Esri. (2026). Open standards and specifications supported by ArcGIS. Esri official website. 8. Esri. (2026). 3D visualization capabilities in ArcGIS. Esri official website. MOLIYAVIY VAQT QATORLARINI SUN’IY INTELLEKT YORDAMIDA BASHORAT QILISH: BOSHLANG‘ICH TUSHUNCHALAR VA YONDASHUVLAR Naziraliyev O‘rinboy Farhodjon o‘g‘li, katta o‘qituvchi naziraliyevurinboy1996@gmail.com Annotatsiya. Ushbu maqolada moliyaviy vaqt qatorlarini sun’iy intellekt (SI) usullari yordamida bashorat qilishning asosiy tushunchalari, metodlari va amaliy ahamiyati ko‘rib chiqiladi. Vaqt qatorlarining tabiati, moliyaviy ma’lumotlarning o‘ziga xos xususiyatlari hamda LSTM, GRU va Transformer kabi chuqur o‘rganish modellari tavsiflanadi. An’anaviy econometrik usullar (ARIMA, GARCH) bilan SI yondashuvlarining qiyosiy tahlili amalga oshiriladi. Kalit so‘zlar: vaqt qatori, sun’iy intellekt, LSTM, chuqur o‘rganish, moliyaviy bashorat, ARIMA, volatillik. 692

Abstract. This paper examines the fundamental concepts, methods, and practical significance of forecasting financial time series using artificial intelligence (AI) techniques. The nature of time series, specific characteristics of financial data, and deep learning models such as LSTM, GRU, and Transformer are described. A comparative analysis of traditional econometric methods (ARIMA, GARCH) with AI approaches is conducted. Keywords: time series, artificial intelligence, LSTM, deep learning, financial forecasting, ARIMA, volatility. Аннотация. В данной статье рассматриваются основные понятия, методы и практическая значимость прогнозирования финансовых временных рядов с использованием методов искусственного интеллекта (ИИ). Анализируются природа временных рядов, специфические особенности финансовых данных, а также описываются модели глубокого обучения, такие как LSTM, GRU и Transformer. Проводится сравнительный анализ традиционных эконометрических методов (ARIMA, GARCH) и подходов на основе ИИ. Ключевые слова: временной ряд, искусственный интеллект, LSTM, глубокое обучение, финансовое прогнозирование, ARIMA, волатильность. Kirish. Zamonaviy moliya bozorlarida narx harakatlari, valyuta kurslari va qimmatli qog‘ozlar qiymatlari kabi ko‘rsatkichlarni aniq bashorat qilish investorlar, banklar va hukumat tuzilmalari uchun strategik ahamiyat kasb etadi. An’anaviy statistik usullar ko‘pincha moliya bozorlarining murakkab, chiziqsiz va noaniq tabiatini to‘liq aks ettira olmaydi. Sun’iy intellekt – xususan, chuqur o‘rganish asosidagi modellar – vaqt qatorlarini bashorat qilishda yangi imkoniyatlar ochdi. Ushbu tadqiqot SI usullarining moliyaviy vaqt qatorlarini bashorat qilishdagi samaradorligini o‘rganishga qaratilgan. Asosiy qism. Vaqt qatori (time series) – bir xil obyektning vaqt bo‘yicha ketma-ket o‘lchanishi natijasida hosil bo‘lgan ma’lumotlar to‘plami bo‘lib, har bir kuzatuv vaqt bilan bog‘liq. Vaqt qatorlari to‘rt asosiy komponentdan tashkil topadi: • trend (T) – uzoq muddatli yo‘nalish; • mavsumiylik (S) – davriyli takrorlanuvchi naqsh; • tsikl (C) – iqtisodiy tsikllar bilan bog‘liq tebranishlar; • tasodifiy tashkil etuvchi (R) – oldindan aytib bo‘lmaydigan shovqin. Vaqt qatori tushunchasining ilmiy jihatdan rasmiy ta’rifiga ko‘ra, u {y₁, y₂, ..., yₙ} ko‘rinishida ifodalanib, bu erda yᵢ — i-vaqt momentidagi kuzatuv qiymati, n esa umumiy kuzatuvlar sonidir. Vaqt qatorlari diskret yoki uzluksiz bo‘lishi mumkin. Iqtisodiy tahlilda aksariyat hollarda diskret vaqt qatorlari — kunlik, haftalik, oylik, choraklik yoki yillik ma’lumotlar to‘plamlari — bilan ishlanadi. Vaqt qatorlarining ilmiy tahlilini rivojlantirishga katta hissa qo‘shgan olimlar qatorida Box va Jenkins (1970)ning tadqiqotlari alohida o‘rin tutadi. Ularning ARIMA (Autoregressive Integrated Moving Average) modeli bugungi kunda ham ilmiy tadqiqotlarda keng qo‘llaniladi. Keyinchalik Engle (1982) moliyaviy qatorlarning o‘zgaruvchanligini tavsiflovchi ARCH modelini taklif etdi, bu kashfiyot unga Iqtisodiyot bo‘yicha Nobel mukofotini olib berdi. Moliyaviy vaqt qatorlari umumiy vaqt qatorlaridan bir qator xususiyatlari bilan farq qiladi. Birinchidan, volatillik klasterizatsiyasi – yuqori o‘zgaruvchanlik 693

davrlari bir-birini kuzatadi (ARCH effekti). Ikkinchidan, og‘ir dumlar (fat tails) – ekstremal hodisalar normal taqsimotga nisbatan tez-tez uchraydi. Uchinchidan, chiziqsizlik – o‘tgan qiymatlar bilan hozirgi qiymat o‘rtasidagi bog‘liqlik murakkab va chiziqsiz xarakter kasb etadi. To‘rtinchidan, stasionarsizlik – statistik xususiyatlar vaqt o‘tishi bilan o‘zgarib boradi [1]. Moliyaviy vaqt qatorlarining o‘ziga xos xususiyatlaridan yana biri — leveraj effekti (leverage effect) deb ataladi. Bu effekt Nelson (1991) tomonidan tavsiflanib, u aksiya narxlarining pasayishi o‘sishiga qaraganda o‘zgaruvchanlikni ko‘proq oshirishi hodisasini ifodalaydi. Bu asimmetrik reaktsiyani an'anaviy GARCH modeli to‘liq aks ettira olmaydi. Shu sabab EGARCH (Nelson, 1991) va GJR-GARCH (Glosten, Jagannathan va Runkle, 1993) modellari ishlab chiqilgan bo‘lib, ular o‘zgaruvchanlikning asimmetrik tuzilmasini hisobga oladi. Korrelyatsiya tuzilmasining dinamikasi — bu o‘zaro bog‘liq aktivlar portfelini boshqarishda muhim rol o‘ynaydigan xususiyat. Bozorlar odatda osoyishta davrda past korrelyatsiyaga ega bo‘ladi, ammo inqiroz paytlarida korrelyatsiya keskin oshadi. Bu «korrelyatsiya sinishi» (correlation breakdown) hodisasi portfel diversifikatsiyasining eng zarur paytida samaradorligini yo‘qotishiga olib keladi. Dinamik shartli korrelyatsiya modeli (DCC-GARCH), Engle (2002) tomonidan taklif etilgan bo‘lib, bu muammoni hal etishga qaratilgan eng muhim usullardan biridir. ARIMA (AutoRegressive Integrated Moving Average) modeli uzoq yillar davomida moliyaviy bashoratda asosiy vosita sifatida qo‘llanib keldi. Model stasionar vaqt qatorlari uchun mos bo‘lib, chiziqli bog‘liqliklarni yaxshi aniqlaydi. Biroq murakkab chiziqsiz munosabatlarni modellashtirish imkoniyati cheklangan. GARCH modeli esa dispersiyaning vaqt bo‘yicha o‘zgaruvchanligini, ya’ni volatillik klasterizatsiyasini samarali aks ettiradi [2]. LSTM (Long Short-Term Memory) – maxsus «darvozalar» (gates) mexanizmi orqali uzoq muddatli bog‘liqliklarni eslab qolish qobiliyatiga ega rekurrent neyron tarmoq. Moliyaviy vaqt qatorlari bashoratida keng qo‘llaniladi [3]. GRU (Gated Recurrent Unit) – LSTM ning soddalashtirilgan varianti bo‘lib, kamroq parametrlar bilan o‘xshash natijalarni beradi va tezroq o‘qitiladi. Transformer arxitekturasi dastlab tabiiy tilni qayta ishlash uchun ishlab chiqilgan [4], ammo so‘nggi tadqiqotlar uning vaqt qatorlari bashoratida ham yuqori samaradorlik ko‘rsatishini tasdiqlamoqda. Attention mexanizmi qaysi vaqt nuqtalariga ko‘proq e’tibor berishni dinamik ravishda o‘rganadi. Qiyosiy tahlil. Adabiyotlar tahlili shuni ko‘rsatadiki, SI asosidagi modellar bir qator muhim afzalliklarga ega. Fischer va Krauss [5] o‘z tadqiqotlarida LSTM modelining fond bozori bashoratida an’anaviy usullarga nisbatan aniq ustunligini isbotladi. Sezer va boshqalar [6] tomonidan o‘tkazilgan keng qamrovli sharh (2005–2019 yillar oralig‘idagi 150 dan ortiq tadqiqot asosida) chuqur o‘rganish modellarining moliyaviy bashoratlarda progressiv rivojlanishini tasdiqladi. Shu bilan birga, SI modellarining bir qator cheklovlari ham mavjud: katta hajmdagi ma’lumot talab etilishi, «qora quti» (black box) muammosi – ya’ni qaror qabul qilish jarayonining tushuntirish qiyinligi, va ortiqcha o‘qitish (overfitting) 694

xavfi. Gibrid yondashuvlar (masalan, ARIMA+LSTM) ushbu kamchiliklarni qisman bartaraf etish imkonini beradi. Xulosa. Moliyaviy vaqt qatorlarini bashorat qilishda sun’iy intellekt usullari – xususan LSTM, GRU va Transformer modellari – an’anaviy econometrik yondashuvlarga nisbatan muhim imkoniyatlar taqdim etadi. Ushbu usullar chiziqsiz bog‘liqliklarni o‘rganish, ko‘p omillarni bir vaqtda hisobga olish va katta hajmdagi ma’lumotlarni qayta ishlash jihatidan ustunlik kasb etadi. Kelajakdagi tadqiqotlar quyidagi yo‘nalishlarda amalga oshirilishi maqsadga muvofiq: • O‘zbekiston moliya bozori ma’lumotlari asosida modellarni sinab ko‘rish; • gibrid arxitekturalarni ishlab chiqish; • bashorat natijalarini interpretatsiya qilish metodlarini takomillashtirish. Foydalanilgan adabiyotlar: 1. Box G.E.P., Jenkins G.M., Reinsel G.C., Ljung G.M. Time Series Analysis: Forecasting and Control. 5th ed. – Wiley, 2015. – 712 p. 2. Engle R.F. Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation // Econometrica. – 1982. – Vol. 50, № 4. – P. 987–1007. 3. Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. – 1997. – Vol. 9, № 8. – P. 1735–1780. 4. Vaswani A., Shazeer N., Parmar N. et al. Attention is all you need // Advances in Neural Information Processing Systems. – 2017. – Vol. 30. 5. Fischer T., Krauss C. Deep learning with long short-term memory networks for financial market predictions // European Journal of Operational Research. – 2018. – Vol. 270, № 2. – P. 654–669. 6. Sezer O.B., Gudelek M.U., Ozbayoglu A.M. Financial time series forecasting with deep learning: A systematic literature review: 2005–2019 // Applied Soft Computing. – 2020. – Vol. 90. – P. 106181. NEURON TARMOQLARINING MASSHTABLANISH QONUNIYATLARI VA O‘ZBEKISTON UCHUN SAMARALI STRATEGIYA L.E. Xasanova, UMFT, e-mail: lola.khasanova.93@mail.ru M.T. Xayitmurodov, UMFT talabasi e-mail: haymadmobile@gmail.com Annotatsiya. Ushbu maqolada neyron tarmoqlarining masshtablanish qonuniyatlari va ularning iqtisodiy samaradorligi tahlil qilinadi. Ulkan modellarning kamchiliklari ko‘rsatib o‘tiladi va O‘zbekiston sharoitida kichik, aniq maqsadli sun‘iy intellekt tizimlarini yaratishning amaliy va iqtisodiy jihatdan to‘g‘ri yo‘l ekanligi asoslab beriladi. Kalit so‘zlar: neyron tarmoqlari, masshtablanish qonuniyatlari, sun’iy intellekt, resurs samaradorligi, kichik modellar. Аннотация. В данной статье анализируются закономерности масштабирования нейронных сетей и их экономическая эффективность. Указываются недостатки гигантских моделей и обосновывается, что создание небольших, целевых систем искусственного интеллекта является практически и экономически верным путём в условиях Узбекистана. Ключевые слова: нейронные сети, закономерности масштабирования, искусственный интеллект, ресурсоэффективность, малые модели. 695

Abstract. This article analyzes the scaling laws of neural networks and their economic efficiency. It highlights the shortcomings of giant models and substantiates that building small, targeted artificial intelligence systems is the practically and economically sound path for Uzbekistan. Key words: neural networks, scaling laws, artificial intelligence, resource efficiency, small models. Kirish. Bugungi kunda butun dunyoda sun'iy intellekt modellarini iloji boricha kattalashtirish poygasi ketmoqda. Yirik texnologiya kompaniyalari trillionlab parametrlarga ega ulkan modellarni yaratish orqali AI sohasida mutlaq yetakchilik qilishga intilmoqda. Biroq bu global poyga parda ortida jiddiy muammoni yashirib yuribdi: bu yo‘nalish butun dunyo bo‘ylab iqtisodiy va ekologik resurslar tanqisligini keltirib chiqarmoqda [1]. Muammoning mohiyati faqat bunday modellarni noldan yaratishga ketadigan millionlab dollar emas. Haqiqiy qopqon --- modelni tayyor bo‘lgandan keyin doimiy ishlatib turish xarajatlarida. Ulkan model har soniyada minglab qimmatbaho grafik protsessorlar (GPU) tinimsiz ishlashini va megavattlab elektr energiyasini talab etadi [2]. O‘zbekiston sharoitida biz bu masalaga ayiqcha reallik bilan yondashishimiz shart. Bizda jahon gigantlarinikidek cheksiz budjet va superkompyuter markazlari yo‘q. Agar biz shunchaki ularga taqlid qilib, eng katta AI modellarini yaratishga urinsak, bu iqtisodiy jihatdan o‘zini oqlamaydi: model hajmi oshgani sari uning samaradorligi xuddi shunday tezlikda o‘smaydi. O‘n baravar ko‘p resurs sarflab, bor-yo‘g‘i bir necha foizga aniqroq tizim olish --- rivojlanayotgan davlatlar uchun resurslarni samarasiz isrof qilishdir [3]. Ushbu maqolaning maqsadi masshtablanish qonuniyatlarini matematika va fizika qonunlari asosida tahlil qilish, ulkan modellarga ko‘proq pul sarflashning nima uchun samarasiz ekanini isbotlash va O‘zbekiston uchun iqtisodiy jihatdan to‘g‘ri, amaliy AI strategiyasini asoslab berish. Asosiy qism 1. Masshtablanish qonuniyatlari nima va nima uchun muhim? Masshtablanish qonuniyatlari (Scaling Laws) - bu modelning hajmi (parametrlari), unga kiritiladigan ma'lumotlar miqdori va sarflanadigan kompyuter quvvati o‘rtasidagi matematik munosabatni tavsiflovchi qoidalar [4]. Bu qoidalar 2020-yilda OpenAI tadqiqotchilari Kaplan va hamkasblari tomonidan birinchi marta ilmiy asosda isbotlangan. Dastlabki yillarda soha mutaxassislari "model qancha yirik bo‘lsa, u shuncha aqlli bo‘ladi" degan tushunchaga suyanishgan. Bu mantiq bir qadar to‘g‘ri edi --ammo u to‘liq emas edi. Asosiy savol qoldi: modelni kattalashtirish bilan bir vaqtda ma'lumotlar va hisoblash quvvatini qanday nisbatda oshirish kerak? [5] 2. Nima uchun ulkan modellarga ko‘proq pul sarflash matematik jihatdan samarasiz? Bu savol juda muhim, chunki ko‘pchilik "agar model ikki baravar katta bo‘lsa, ikki baravar aqlli bo‘ladi" deb o‘ylaydi. Ammo bu to‘g‘ri emas. Keling, matematika va fizika qonunlari buni qanday isbotlashini ko‘rib chiqaylik. 696

2.1. Quvvat qonuni (Power Law): xatolar pasayishi sekinlashadi Kaplan va boshqalar (2020) tomonidan kashf etilgan asosiy formula quyidagicha: C ≈ 6 × N × D bu yerda: C — jami hisoblash operatsiyalari (FLOP), N — parametrlar soni, D — o‘quv ma'lumotlari hajmi (tokenlar) L(N) = A / N^α bu yerda: L — modelning xato darajasi (loss), N — parametrlar soni, α ≈ 0.076, A — doimiy son Bu formula oddiy ko‘rinadi, lekin undan kelib chiqadigan xulosa juda muhim: parametrlar soni 10 marta oshirilganda, xato darajasi 10^0.076 ≈ 1.19 marta pasayadi, ya'ni atigi 16 % yaxshilanish. Resurslar 10x ko‘paytirilib, natija faqat 16 % yaxshilandi. Buni yanada ravshan ko‘rsatish uchun quyidagi jadvalga qarang: 1-jadval Parametrlar ko‘payishi va xato darajasining o‘zgarishi Parametrlar (N) Xato (Loss) Resurs xarajati 1B 2.40 1x 10B 2.10 10x 100B 1.85 100x 1T 1.65 1000x Ko‘rib turganingizdek, parametrlar 1 milliarddan 1 trillonga, ya'ni 1000 marta oshirilsa ham, xato darajasi atigi 2.40 dan 1.65 gacha tushadi. Resurslar 1000 karra ko‘paytirib, natija 31 % yaxshilandi xolos. Bu pasayib borayotgan daromad qonunining klassik misoli. 2.2. Hisoblash xarajatlari: kvadratik o‘sish muammosi Modelni o‘qitish uchun zarur bo‘lgan hisoblash quvvati (compute) quyidagi formula bilan hisoblanadi: Bu formula amalda nima anglatadi? Agar siz ham N ni, ham D ni ikki baravar oshirsangiz --- bu Chinchilla qonuniga ko‘ra zarur --- unda umumiy xarajat C = 6 × 2N × 2D = 24N×D bo‘ladi, ya'ni 4 baravar ko‘payadi. Demak, modelni ikki baravar kattalashtirish uchun resurslarni ikki emas, to‘rt baravar ko‘proq sarflash kerak! 2.3. Chinchilla qonuni: optimal nisbat 2022-yilda DeepMind kompaniyasining Chinchilla tadqiqoti butun sohaning ko‘zini ochdi. Tadqiqot isbotladiki, yirik kompaniyalar yaratgan ulkan modellar aslida "och qolgan", ya'ni ular o‘z hajmiga nisbatan juda kam ma'lumot bilan chala o‘qitilgan ekan [6]. Chinchilla qonuni quyidagicha ifodalanadi: 697

D_optimal = 20 × N bu yerda: D_optimal — zarur bo‘lgan ma'lumotlar miqdori (tokenlar), N — parametrlar soni Bu shuni anglatadiki, parametrlar soni qancha bo‘lsa, ma'lumotlar miqdori ham aynan shuncha baravar ko‘p bo‘lishi kerak. Masalan, 70 milliard parametrli model uchun 1.4 trillion token ma'lumot zarur. Bu qoidani buzgan modellarga ko‘proq pul sarflash suv to‘la idishga yana suv qo‘yishga o‘xshaydi. 2.4. Fizika qonuni: energiya va issiqlik muammosi Modellarning fizik haqiqati ham muhim. GPU (grafik protsessor) sarflaydigan energiya taxminiy quyidagicha hisoblanadi: E_total = P × T × n bu yerda: E — jami energiya (kWh), P — bir GPU ning quvvati (kW), T — o‘qitish vaqti (soat), n — GPU soni GPT-4 kabi ulkan modellar uchun bu ko‘rsatkichlar quyidagicha: P ≈ 0.7 kW (bir A100 GPU), T ≈ 90 kun = 2160 soat, n ≈ 25,000 GPU. Natija: E_total = 0.7 × 2160 × 25000 ≈ 37,800,000 kWh (37.8 GWh). Bu Toshkentdagi 50,000 uy-joyni bir yil davomida elektr ta'minoti bilan ta'minlash uchun yetarli energiya miqdoridir! Bundan tashqari, termodinamikaning ikkinchi qonuniga ko‘ra, barcha hisoblash quvvati oxir-oqibat issiqlikka aylanadi (Joule isitishi): Q = P × t (Joule qonuni) Barcha sarflangan energiya issiqlik sifatida atrof-muhitga tarqaladi 1-rasm. Pasayib borayotgan daromad qonuni: xarajat o‘sgani sari sifat platoga yaqinlashadi Bu shuni anglatadiki, ulkan modellarni sovutish uchun qo‘shimcha ravishda ulkan miqdordagi suv va energiya sarflanadi. Dunyoning yirik data-markazlari yiliga millionlab litr suv sarflaydi. 2.5. Iqtisodiy samaradorlik: qo‘shimcha foyda kamalib boradi 698