Sun’iy Intellekt va Raqamli Iqtisodiyot

IoT tarmog‘idagi xavfsizlik darajasini $S_{iot}$ deb olsak, u quyidagi funksiyaga bog‘liq: $$S_{iot} = \alpha \cdot P_{enc} + \beta \cdot A_{ai} - \gamma \cdot L_{net}$$ Bu yerda: • $\alpha, \beta, \gamma$ – og‘irlik koeffitsientlari; • $P_{enc}$ – Shifrlash protokolining kuchi (Encryption power); • $A_{ai}$ – Sun’iy intellektning anomaliyalarni aniqlash aniqligi; • $L_{net}$ – Tarmoqdagi kechikish (Latency). Xulosa uchun qo‘shimcha argumentlar Raqamli Iqtisodiyotda IoT Xavfsizligining Iqtisodiy Samarasi Xavfsiz IoT infratuzilmasi quyidagi iqtisodiy afzalliklarni beradi: Ma’lumotlar sizib chiqishini oldini olish: Korporativ josuslik va moliyaviy yo‘qotishlarni nolga tushiradi. Ishonchlilik: "Smart Factory" (Aqlli zavod) konsepsiyasida texnologik jarayonlarning to‘xtab qolmasligini ta’minlaydi. Tranzaksiya xavfsizligi: Raqamli to‘lov tizimlarida firibgarlik (fraud) holatlarini 40-50 %ga kamaytiradi. Xulosa va takliflar. Raqamli iqtisodiyotning jadal rivojlanishi, ayniqsa trillionlab ulangan IoT qurilmalari bilan birgalikda, butun dunyo iqtisodiyotini o‘zgartirmoqda: ishlab chiqarish samaradorligi oshmoqda, logistika optimallashtirilmoqda, xizmatlar avtomatlashtirilmoqda va yangi biznes modellari paydo bo‘lmoqda. Biroq, bu jarayonning orqa tomonida jiddiy tahdidlar yotibdi. IoT qurilmalarining xavfsizligi ta’minlanmasa, “Raqamli iqtisodiyot” tushunchasi o‘zi zaiflashadi va hatto qulashi mumkin. Birgina katta miqyosli kiber-hujum (masalan, botnet orqali DDoS yoki ransomware) butun bir sanoat tarmog‘ini, ta’minot zanjirini yoki hatto milliy infratuzilmani to‘xtatib qo‘yishi mumkin. 2025 yilda global kiberjinoyatlar iqtisodiyotga yillik $10.5 trillion zarar yetkazishi prognoz qilingan bo‘lib, bu raqam IoT zaifliklari tufayli tez o‘smoqda. IoT hujumlari kuniga o‘rtacha 820 mingdan ortiq sodir bo‘lib, sanoat va sog‘liqni saqlash sohalarida millionlab dollarlik yo‘qotishlarga olib kelmoqda. O‘zbekiston kabi rivojlanayotgan mamlakatlarda bu tahdidlar yanada keskin: raqamli transformatsiya “Raqamli O‘zbekiston – 2030” strategiyasi doirasida jadallashayotgan bo‘lsa-da, xavfsizlik zaif bo‘lsa, milliy iqtisodiy xavfsizlikka putur yetishi mumkin. Mahalliylashtirish va milliy yondashuv: O‘zbekiston sharoitida IoT protokollari va milliy raqamli infratuzilma uchun maxsus yengil vaznli (lightweight) kriptografik standartlarni ishlab chiqish zarur. Bu standartlar resurs cheklangan qurilmalar (sensorlar, smart hisoblagichlar, sanoat IIoT) uchun mos bo‘lishi, mahalliy tarmoq va ma’lumotlar maxfiyligini ta’minlashi kerak. Globalda NIST 2025- yilda Ascon-based lightweight cryptography standartini (SP 800-232) tasdiqladi, bu Ascon-AEAD128, Ascon-Hash256 va boshqa algoritmlarni IoT uchun optimallashtirgan. O‘zbekiston bu tajribani o‘zlashtirib, milliy variantlarni 759

(masalan, post-quantum elementlar bilan) ishlab chiqishi mumkin. Shu bilan birga, bu standartlarni sun’iy intellekt bilan integratsiya qilish – TinyML va Edge AI orqali qurilma ichida anomaliya aniqlash, adaptiv autentifikatsiya va real vaqt monitoringini ta’minlash – dolzarb vazifa. Bu nafaqat xavfsizlikni oshiradi, balki batareya quvvatini tejaydi va kechikishni kamaytiradi. Tadqiqotlar shuni ko‘rsatadiki, IoT protokollari (MQTT, CoAP) va sun’iy intellektning simbiozi raqamli iqtisodiyot barqarorligining asosi hisoblanadi. 2026 yilda bu yo‘nalish yanada jadallashmoqda: Edge AI va TinyML texnologiyalari qurilmalarda mahalliy intellektni ta’minlab, ma’lumotlar bulutga yuborilmasdan tahlil qilinadi, bu maxfiylik va energiya samaradorligini oshiradi. Lightweight cryptography (ECC, ChaCha20, Ascon oilasi) va SI algoritmlarini chip darajasida (neuromorphic computing yoki maxsus NPU’lar bilan) birlashtirish lozim. Bu yondashuv nafaqat kiber-hujumlardan himoya qiladi, balki qurilmalarning avtonom ishlash vaqtini (battery life) 2–5 barobar oshiradi, sanoat va qishloq xo‘jaligi loyihalarida real vaqt monitoringini ta’minlaydi. Foydalanilgan adabiyotlar: 1. Mirziyoyev SH.M. "Raqamli O‘zbekiston – 2030" strategiyasini tasdiqlash to‘g‘risidagi Farmoni. 2. Stallings, W. (2018). Effective Cybersecurity: A Guide to Using Best Practices and Standards. 3. Abdurahmonov Q.X. "Raqamli iqtisodiyot" darslik. T.: 2020. 4. IEEE Xplore Digital Library: "AI-driven security for IoT protocols" (2024-2025 research papers). 5. Brynjolfsson, E., & McAfee, A. (2014). The Second Machine Age. 6. Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach. SUN’IY INTELLEKT ASOSIDA MURAKKAB JARAYONLARNI MATEMATIK MODELLASHTIRISH USULLARINI TAKOMILLASHTIRISH Jurayev O‘tkirbek Murodullo o‘g‘li, O‘zMPU, mustaqil izlanuvchisi phd, e-mail: otkirbekjurayev4@gmail.com Annotatsiya. Mazkur maqolada sun’iy intellekt texnologiyalaridan foydalanish orqali murakkab jarayonlarni matematik modellashtirish usullarini takomillashtirish masalalari o‘rganiladi.Zamonaviy raqamli texnologiyalar sharoitida katta hajmdagi ma’lumotlarni qayta ishlash va real jarayonlarni aniq modellashtirish muhim ilmiy - amaliy ahamiyatga ega. Tadqiqotda mashinali o‘qitish algoritmlari va matematik modellashtirish usullari integratsiyasi asosida samarali model ishlab chiqish imkoniyatlari tahlil qilinadi. Olingan natijalar sun’iy intellekt yordamida prognozlash va qaror qabul qilish jarayonlarining aniqligini oshirish mumkinligini ko‘rsatadi. Kalit so‘zlar: sun’iy intellekt, matematik modellashtirish, mashinali o‘qitish, raqamli texnologiyalar, algoritmlar, prognozlash. Аннотация. В данной статье рассматриваются вопросы совершенствования методов математического моделирования сложных процессов с использованием технологий искусственного интеллекта. В условиях современных цифровых технологий обработка больших объёмов данных и точное моделирование реальных процессов имеют важное научно-практическое значение. В исследовании анализируются возможности разработки эффективной модели на основе интеграции алгоритмов машинного обучения и методов математического моделирования. Полученные результаты показывают, что 760

использование искусственного интеллекта позволяет повысить точность прогнозирования и процессов принятия решений. Ключевые слова: искусственный интеллект, математическое моделирование, машинное обучение, цифровые технологии, алгоритмы, прогнозирование. Abstract. This article examines the issues of improving mathematical modeling methods of complex processes through the use of artificial intelligence technologies. In the context of modern digital technologies, processing large volumes of data and accurately modeling real processes are of significant scientific and practical importance. The study analyzes the possibilities of developing an effective model based on the integration of machine learning algorithms and mathematical modeling methods. The obtained results demonstrate that the use of artificial intelligence can increase the accuracy of forecasting and decision-making processes. Keywords: artificial intelligence, mathematical modeling, machine learning, digital technologies, algorithms, forecasting. Kirish. So‘nggi yillarda sun’iy intellekt texnologiyalarining jadal rivojlanishi turli sohalarda murakkab jarayonlarni tahlil qilish va modellashtirish imkoniyatlarini sezilarli darajada kengaytirdi. Murakkab tizimlar – iqtisodiy, texnologik yoki ijtimoiy jarayonlar – ko‘plab o‘zaro bog‘liq omillar ta’sirida shakllanadi. Ushbu jarayonlarni an’anaviy matematik modellar yordamida to‘liq ifodalash ko‘pincha qiyin bo‘ladi. Matematik modellashtirish ilmiy tadqiqotlarda real jarayonlarni tushunish va prognoz qilishning muhim vositalaridan biridir. Biroq murakkab tizimlarda ko‘plab o‘zgaruvchilar mavjudligi sababli klassik modellashtirish usullari ba’zan yetarli aniqlik bermaydi. Shu sababli sun’iy intellekt algoritmlarini matematik modellashtirish bilan integratsiya qilish muhim ilmiy yo‘nalish hisoblanadi. Sun’iy intellekt, xususan mashinali o‘qitish va neyron tarmoqlar katta hajmdagi ma’lumotlarni tahlil qilish hamda yashirin qonuniyatlarni aniqlash imkonini beradi. Bu esa real jarayonlarni yanada aniq modellashtirishga yordam beradi. Ushbu tadqiqotning asosiy maqsadi sun’iy intellekt yordamida murakkab jarayonlarni matematik modellashtirish usullarini takomillashtirish imkoniyatlarini tahlil qilishdan iborat. Foydalanilgan adabiyotlar tahlili. Mazkur tadqiqotni amalga oshirish jarayonida sun’iy intellekt, matematik modellashtirish va mashinali o‘qitish sohasiga oid bir qator ilmiy manbalar o‘rganildi. Ushbu adabiyotlar murakkab tizimlarni modellashtirishning nazariy asoslari va zamonaviy usullarini tahlil qilish imkonini berdi. Sun’iy intellektning asosiy nazariyasi va algoritmlari Russell va Norvig tomonidan yozilgan “Artificial Intelligence: A Modern Approach” asarida keng yoritilgan. Ushbu manba sun’iy intellekt tizimlari va ularning amaliy qo‘llanilishi haqida muhim nazariy asoslarni beradi.Shuningdek, Ian Goodfellow, Yoshua Bengio va Aaron Courville tomonidan yozilgan “Deep Learning” kitobida chuqur o‘rganish algoritmlarining matematik asoslari va neyron tarmoqlarning ishlash tamoyillari batafsil bayon etilgan. Bu manba sun’iy intellekt asosida modellashtirish jarayonlarini tushunishda muhim ahamiyatga ega. Mashinali o‘qitish algoritmlarini amaliy qo‘llash bo‘yicha Christopher Bishopning “Pattern Recognition and Machine Learning” asari alohida ahamiyatga ega. Ushbu 761

kitob statistik modellashtirish va ma’lumotlarni tahlil qilish usullarini chuqur o‘rganishga yordam beradi. Matematik modellashtirish sohasida esa J. D. Murrayning “Mathematical Biology” asari murakkab tizimlarning matematik modellarini yaratish bo‘yicha muhim nazariy asoslarni beradi. Bu manba murakkab jarayonlarni tahlil qilishda matematik usullarni qo‘llashni tushunishga yordam beradi. Bundan tashqari, raqamli texnologiyalar va sun’iy intellektning iqtisodiyot hamda sanoat sohalaridagi qo‘llanilishi bo‘yicha zamonaviy ilmiy maqolalar ham tahlil qilindi. Ushbu manbalar sun’iy intellekt texnologiyalarining real jarayonlarni modellashtirishdagi amaliy ahamiyatini ko‘rsatadi. Metod. Tadqiqot davomida murakkab jarayonlarni modellashtirish uchun matematik modellashtirish va sun’iy intellekt algoritmlarining integratsiyalashgan yondashuvi qo‘llanildi. Dastlab tizimni tavsiflovchi asosiy parametrlar aniqlanib, ular o‘rtasidagi bog‘liqliklar matematik tenglamalar orqali ifodalandi.Keyingi bosqichda mashinali o‘qitish algoritmlari, jumladan regressiya modellari va neyron tarmoqlardan foydalanildi. Ushbu algoritmlar katta hajmdagi ma’lumotlarni tahlil qilib, tizim parametrlarining o‘zaro bog‘liqligini aniqlash imkonini beradi.Modelni yaratish jarayoni quyidagi bosqichlardan iborat bo‘ldi.Ma’lumotlarni yig‘ish va dastlabki tahlil qilish.Matematik model parametrlarini aniqlash.Mashinali o‘qitish algoritmlarini qo‘llash.Modelni optimallashtirish va aniqligini baholash.Tahlil jarayonida Python dasturlash muhiti va ilmiy hisoblash kutubxonalari (NumPy, Scikit-learn) dan foydalanildi. Modelning samaradorligi statistik ko‘rsatkichlar yordamida baholandi. Natija. Tadqiqot natijalariga ko‘ra sun’iy intellekt asosida yaratilgan matematik modellar an’anaviy modellashtirish usullariga nisbatan yuqori aniqlik ko‘rsatdi. Mashinali o‘qitish algoritmlari yordamida tizim parametrlarining murakkab bog‘liqliklarini aniqlash imkoniyati paydo bo‘ldi.Olingan natijalar shuni ko‘rsatdiki, sun’iy intellekt algoritmlarini matematik modellashtirish bilan birlashtirish quyidagi afzalliklarni beradi.Prognozlash aniqligining oshishi.Katta hajmdagi ma’lumotlarni tez tahlil qilish imkoniyati.Murakkab tizimlarning yashirin qonuniyatlarini aniqlash; modellashtirish jarayonining avtomatlashtirilishi.Tajriba natijalariga ko‘ra taklif etilgan model yordamida prognozlash aniqligi sezilarli darajada yaxshilandi. Muhokama. Tadqiqot natijalari sun’iy intellekt texnologiyalarini matematik modellashtirish jarayonlariga integratsiya qilish murakkab tizimlarni tahlil qilishda muhim rol o‘ynashini ko‘rsatadi. An’anaviy modellashtirish usullaridan farqli ravishda sun’iy intellekt algoritmlari ma’lumotlar asosida o‘rganish qobiliyatiga ega bo‘lib, tizimdagi yashirin qonuniyatlarni aniqlash imkonini beradi.Shuningdek, sun’iy intellekt asosidagi modellar real vaqt rejimida ma’lumotlarni qayta ishlash va prognozlash jarayonlarini optimallashtirish imkonini beradi. Bu esa iqtisodiyot, sanoat, transport va energetika kabi sohalarda samarali qaror qabul qilishga yordam beradi.Kelajakda sun’iy intellekt asosidagi matematik modellashtirish usullarini yanada rivojlantirish uchun katta ma’lumotlar texnologiyalari va chuqur 762

o‘rganish (deep learning) algoritmlaridan keng foydalanish maqsadga muvofiq hisoblanadi. Xulosa. Mazkur tadqiqotda sun’iy intellekt texnologiyalaridan foydalanish orqali murakkab jarayonlarni matematik modellashtirish usullarini takomillashtirish masalalari o‘rganildi. Tadqiqot natijalari shuni ko‘rsatdiki, sun’iy intellekt algoritmlarini matematik modellashtirish bilan integratsiya qilish murakkab tizimlarni tahlil qilish va prognozlash jarayonining aniqligini sezilarli darajada oshiradi. Ayniqsa, mashinali o‘qitish va neyron tarmoqlar katta hajmdagi ma’lumotlarni tahlil qilishda samarali vosita bo‘lib xizmat qiladi. Tadqiqot davomida ishlab chiqilgan yondashuv real jarayonlarning dinamikasini yanada aniqroq modellashtirish imkonini beradi. Shuningdek, sun’iy intellekt asosidagi modellar tizimdagi yashirin bog‘liqliklarni aniqlashga yordam beradi va bu esa ilmiy tahlil hamda boshqaruv qarorlarini qabul qilishda muhim ahamiyatga ega.Olingan natijalar shuni ko‘rsatdiki, sun’iy intellekt texnologiyalarini matematik modellashtirish bilan birlashtirish murakkab tizimlarni prognozlash, optimallashtirish va boshqarishda keng imkoniyatlar yaratadi. Kelgusida ushbu yo‘nalishda chuqur o‘rganish (deep learning) algoritmlarini qo‘llash hamda katta ma’lumotlar texnologiyalari bilan integratsiya qilish ilmiy tadqiqotlarning samaradorligini yanada oshirishi mumkin. Foydalanilgan adabiyotlar: 1.Russell S., Norvig P. Artificial Intelligence: A Modern Approach. - Pearson Education, 2021. 2.Goodfellow I., Bengio Y., Courville A. Deep Learning. - MIT Press, 2016. 3.Bishop C. Pattern Recognition and Machine Learning. - Springer, 2006. 4.Murphy K. Machine Learning: A Probabilistic Perspective. – MIT Press, 2012. 5.Murray J. D. Mathematical Biology. - Springer, 2002. 6.Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. – Springer, 2009. 7.Shalev - Shwartz S., Ben-David S. Understanding Machine Learning: From 8.Theory to Algorithms. - Cambridge University Press, 2014. 9.Mitchell T. Machine Learning. – McGraw - Hill, 1997. 10.Kelleher J., Tierney B. Data Science. – MIT Press, 2018. 11.Geron A. Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow. O‘Reilly Media, 2019. SUN'IY INTELLEKT VA RAQAMLI TEXNOLOGIYALARDA MATEMATIK HAMDA FIZIK MODELLASHTIRISH MUAMMOLARI VA YECHIMLARI L.E. Xasanova, UMFT, e-mail: lola.khasanova.93@mail.ru, M.X. Azimxõjayeva, UMFT talabasi, e-mail: azimxojayevamadina86@gmail.com F.A. Abduhakimov, UMFT talabasi, e-mail: farrukhabduhakimov@gmail.com Annotatsiya. Mazkur ishda sun’iy intellekt va raqamli texnologiyalar sharoitida matematik hamda fizik modellashtirish jarayonlarida uchraydigan dolzarb muammolar tahlil qilinadi. Tadqiqot doirasida ma’lumotga asoslangan modellar, fizik qonunlarga tayangan modellar, gibrid tizimlar hamda ehtimoliy modellashtirish yondashuvlari ko‘rib chiqiladi. Har bir yo‘nalishda yuzaga keladigan asosiy qiyinchiliklar yuqori- o‘lchamlilik, parametrlarning noaniqligi, diskretlash xatoliklari, hisoblash resurslari yetishmovchiligi va real vaqt rejimida ishlash cheklovlari ilmiy asosda yoritiladi. 763

Shuningdek, ushbu muammolarni an’anaviy matematik va sonli usullar yordamida hal qilish imkoniyatlari hamda sun’iy intellekt asosidagi zamonaviy yondashuvlar bilan solishtirma tahlil qilinadi. Natijalar shuni ko‘rsatadiki, sun’iy intellektdan foydalanish modellashtirish aniqligini oshiradi, hisoblash vaqtini qisqartiradi va murakkab tizimlarda barqaror prognoz olish imkonini beradi. Tadqiqot natijalari muhandislik, energetika, iqtisodiyot va axborot texnologiyalari sohalarida samarali qo‘llanishi mumkin. Kalit so‘zlar: sun’iy intellekt, matematik modellashtirish, fizik modellashtirish, gibrid modellar, ehtimoliy modellashtirish, optimallashtirish, raqamli texnologiyalar. Аннотация.В данной работе рассматриваются актуальные проблемы математического и физического моделирования в условиях развития искусственного интеллекта и цифровых технологий. В исследовании анализируются модели, основанные на данных, физико-ориентированные модели, гибридные системы, а также вероятностные методы моделирования. Особое внимание уделяется таким трудностям, как высокая размерность задач, неопределенность параметров, ошибки дискретизации, ограниченность вычислительных ресурсов и сложности работы в реальном времени. Проведен сравнительный анализ традиционных математических и численных методов решения указанных проблем и современных подходов на основе искусственного интеллекта. Полученные результаты показывают, что применение интеллектуальных алгоритмов позволяет повысить точность моделирования, сократить время вычислений и обеспечить устойчивость прогнозирования в сложных системах. Практическая значимость работы заключается в возможности применения результатов в инженерии, энергетике, экономике и информационных технологиях. Ключевые слова: искусственный интеллект, математическое моделирование, физическое моделирование, гибридные модели, вероятностные методы, оптимизация, цифровые технологии. Abstract. This study examines current challenges in mathematical and physical modeling within the context of artificial intelligence and digital technologies. The research focuses on data-driven models, physics-based approaches, hybrid systems, and probabilistic modeling techniques. Particular attention is given to major difficulties such as high-dimensional problems, parameter uncertainty, discretization errors, computational limitations, and constraints related to real-time implementation. A comparative analysis is conducted between traditional mathematical and numerical solution methods and modern artificial intelligence–based approaches. The findings indicate that the application of intelligent algorithms significantly improves modeling accuracy, reduces computational time, and enhances the stability of predictions in complex systems. The results of the study can be effectively applied in engineering, energy systems, economics, and information technology fields. Keywords: artificial intelligence, mathematical modeling, physical modeling, hybrid models, probabilistic modeling, optimization, digital technologies. Kirish. XXI asrda raqamli texnologiyalar va murakkab tizimlar insoniyat oldiga ilgari kuzatilmagan darajadagi global muammolarni qo‘ymoqda. Ayniqsa matematik va fizik modellashtirish jarayonlarida to‘rtta asosiy muammo alohida ahamiyat kasb etadi: Ma’lumotga asoslangan modellashtirish (Data-driven modeling),Fizik qonunlarga asoslangan modellashtirish (Physics-based modeling),Gibrid modellar (Hybrid modeling),Ehtimoliy/probabilistik modellar (Probabilistic modeling). Ushbu muammolar murakkab texnik, iqtisodiy va tabiiy tizimlarni aniq va barqaror modellashtirishga jiddiy to‘sqinlik qiladi. Agar bu muammolar sun’iy intellektsiz, ya’ni faqat an’anaviy matematik va sonli usullar orqali hal qilinsa, bir qator kuchli cheklovlar yuzaga keladi. 764

Birinchidan, yuqori o‘lchamli masalalarda parametrlar soni keskin ortadi va bu hisoblash vaqtining eksponensial ravishda o‘sishiga olib keladi. Natijada katta hajmdagi tizimlarni modellashtirish deyarli imkonsiz yoki juda sekin jarayonga aylanadi. Ikkinchidan, parametrlar noaniqligi mavjud bo‘lgan tizimlarda an’anaviy usullar qat’iy formulalarga tayanadi va real muhitdagi o‘zgaruvchanlikni to‘liq aks ettira olmaydi. Bu esa noto‘g‘ri prognoz va xatoli boshqaruv qarorlariga olib kelishi mumkin. Hisoblash resurslari bilan bog‘liq muammo ham dolzarbdir. Katta hajmdagi differensial tenglamalar yoki diskret modellarni yechish katta quvvat talab qiladi. Agar optimallashtirish va adaptiv mexanizmlar bo‘lmasa, tizim samaradorligi keskin pasayadi. Real vaqt rejimida ishlash zarur bo‘lgan sohalarda — masalan, energetika, transport yoki moliyaviy tizimlarda — kechikishlar jiddiy iqtisodiy zarar yoki texnik nosozliklarga olib kelishi mumkin. Sun’iy intellekt ushbu muammolarga yangi yondashuv taklif qiladi. Ma’lumotlarga asoslangan o‘rganish algoritmlari murakkab bog‘lanishlarni an’anaviy formulalarsiz aniqlay oladi. Bu yuqori o‘lchamlilik muammosini samarali qisqartirish imkonini beradi. Noaniqlik sharoitida esa probabilistik va neyron tarmoqli modellar moslashuvchan prognozlar bera oladi. Natijada tizim real sharoitga tez moslashadi. Hisoblash samaradorligi ham sezilarli oshadi. Sun’iy intellekt asosidagi optimallashtirish usullari keraksiz hisoblash bosqichlarini kamaytiradi, resurslarni oqilona taqsimlaydi va natijani tezroq beradi. Real vaqt rejimida ishlashda esa o‘zo‘zini o‘rganuvchi modellar qaror qabul qilish jarayonini tezlashtiradi va inson omilidan kelib chiqadigan xatolarni kamaytiradi. Shunday qilib, mazkur to‘rtta global muammoni sun’iy intellektsiz hal qilish uzoq muddatda tizim barqarorligining pasayishiga, hisoblash xarajatlarining ortishiga va prognoz aniqligining kamayishiga olib keladi. Aksincha, sun’iy intellektni integratsiyalash modellashtirish jarayonini tezkor, moslashuvchan va aniq tizimga aylantiradi. Bu esa ilmiy tadqiqotlar, sanoat jarayonlari va iqtisodiy boshqaruv sohalarida sifat jihatidan yangi bosqichni boshlab beradi. 1. Ma’lumotlarga asoslangan modellar Ma’lumotlarga asoslangan modellar zamonaviy sun’iy intellekt tizimlarining eng muhim yo‘nalishlaridan biri hisoblanadi. Bu modellar real jarayonlarni fizik qonunlardan emas, balki katta hajmdagi ma’lumotlarni tahlil qilish orqali o‘rganadi. Bunda tizimning kirish va chiqish parametrlari orasidagi bog‘lanish matematik funksiyalar yordamida aniqlanadi. Umumiy matematik model quyidagicha ifodalanadi: y = f(x, θ) Bu yerda x - kirish ma’lumotlari vektori θ - modelparametrlari y - model natijasi f - tizimni ifodalovchi matematik funksiya. 765

Modelning asosiy maqsadi parametrlarni shunday tanlashki, model natijasi real kuzatuv ma’lumotlariga maksimal darajada mos kelishi kerak. Bu optimallashtirish masalasi orqali yechiladi: θ* = arg min L(y, f(x, θ)) Bu yerda L-yo‘qotish funksiyasi bo‘lib, model xatoligini o‘lchaydi. Masalan, eng oddiy matematik model – chiziqli regressiya hisoblanadi: y = β0 + β1x Bu model iqtisodiy prognozlash, marketing tahlili va moliya tizimlarida keng qo‘llaniladi. Fizik jarayonlarda ham ma’lumotlarga asoslangan modellar qo‘llanilishi mumkin. Masalan atmosfera haroratining vaqt bo‘yicha o‘zgarishi quyidagi vaqt qatorlari modeli orqali ifodalanadi: T(t+1) = aT(t) + b Bu model meteorologiyada harorat prognozini tuzishda ishlatiladi. [4] Qaysi kasblarda qo‘llaniladi: Ma’lumotlarga asoslangan modellar bugungi kunda ko‘plab zamonaviy kasblarning asosiy ish quroli hisoblanadi. Data scientist kasbida mutaxassislar katta hajmdagi ma’lumotlarni tahlil qilib, ular orasidagi yashirin bog‘lanishlarni aniqlaydi. Masalan internet kompaniyalari foydalanuvchilar xatti-harakatini tahlil qilib tavsiya tizimlarini yaratadi. Moliya analitiklari aksiyalar narxini prognoz qilish uchun regressiya modellaridan foydalanadi. Masalan fond bozorida narxlarning vaqt bo‘yicha o‘zgarishi statistik modellar orqali baholanadi. Tibbiyot sohasida diagnostika tizimlari bemorlarning tibbiy ma’lumotlarini tahlil qilib kasallik ehtimolini aniqlaydi. Bu jarayon tibbiy tasvirlarni tahlil qilishda ham qo‘llanadi. Marketing va biznes analitiklari esa iste’molchilar xatti-harakatini tahlil qilish uchun ushbu modellarni qo‘llaydi. Bu kompaniyalarga bozor talabini oldindan aniqlash imkonini beradi. Asosiy muammolar: Ma’lumotlarga asoslangan modellar bilan ishlashda bir qator muhim muammolar yuzaga keladi: 1)ma’lumot yetishmasligi. Agar modelni o‘rgatish uchun yetarli ma’lumot bo‘lmasa, model real tizimni to‘g‘ri aks ettira olmaydi, 2) shovqinli ma’lumotlar. Real ma’lumotlarda ko‘pincha xatolar bo‘ladi. Bu model aniqligini pasaytiradi, 3) yuqori o‘lchamlilik muammosi. Agar modelda o‘zgaruvchilar soni juda ko‘p bo‘lsa, hisoblash murakkablashadi. Bu holat “curse of dimensionality” deb ataladi, 4) overfitting. Bu holatda model trening ma’lumotlarini juda yaxshi o‘rganadi, lekin yangi ma’lumotlarda noto‘g‘ri natija beradi. Sun’iy intellekt orqali yechimlar: Sun’iy intellekt algoritmlari bu muammolarni sezilarli darajada kamaytiradi. Masalan neyron tarmoqlar, gradient boosting va random forest algoritmlari katta hajmdagi ma’lumotlardan murakkab bog‘lanishlarni aniqlash imkonini beradi. Shuningdek, dimensionality reduction usullari yordamida o‘zgaruvchilar sonini kamaytirish mumkin. Masalan PCA (Principal Component Analysis) algoritmi modelni soddalashtiradi. Natijada prognoz aniqligi sezilarli darajada oshadi va hisoblash tezligi ham yaxshilanadi. 766

2. Fizik qonunlarga asoslangan modellar Kasblar va sohalar: Mexanik injener - mexanik tizimlarni simulyatsiya qilganda murakkab chegara shartlari va turbulent oqimlar muammo. Energetika va issiqlik muhandisi - issiqlik uzatish va oqimlarni modellashtirishda diskretlash xatoligi va resurs talabi ko‘rinadi. Aerodinamika mutaxassisi / CFD muhandisi - turbulensiya va noaniqlik fizik modellarni cheklaydi. Ko‘rinishi: Model barqaror ishlamaydi, real jarayon bilan tafovut katta, hisoblash resurslari yuqori talab qilinadi. Yechim usuli: Analitik yechimlar (differensial tenglamalar). Sonli usullar: Finite Difference Method , Finite Element Method . Statistika va natija: 70–80% muammolar hal qilinadi oddiy tizimlar uchun. Murakkab chegaralar, turbulent oqimlar yoki parametr noaniqligi tufayli xatolik ±10–20%. Hisoblash resurslari yuqori: katta tizimlarda bir simulyatsiya soatlar yoki kunlar oladi. Real vaqt prognozi deyarli imkonsiz. Sun’iy intellekt bilan yechim usuli: Fizik tenglamalarni sonli yechim bilan birlashtirib, Suniy intellekt yordamida parametrlarni avtomatik optimallashtirish.bTurbulent oqimlar yoki murakkab chegara shartlarini Suniy intellekt yordamida taxminiy hisoblash. Natija va statistika: Diskretlash xatoligi kamayadi: **xatolik ±2– 5%**gacha. Murakkab jarayonlarda model barqarorligi oshadi. Hisoblash vaqti sezilarli kamayadi — katta tizimlarda bir necha soatdan bir necha soatgacha. Katta tizimlarda muammolar 85–95% hal qilinadi. Afzallik: Fizik qonun saqlanadi, lekin murakkab jarayonlar tez va aniq modellashtiriladi. va chegara shartlarini avtomatik sozlash mumkin. An’anaviy yechim (Suniy intellektsiz): Differential tenglamalar va sonli usullar ishlatiladi: 1-rasm Fizik model isiqlik tarqalishi haqida, ∂T = α∇2 T ∂t Murakka b chegara shartlari va turbulent oqimlarda xatolik ±10–20%. Hisoblash vaqt talab qilinadi: soatlardan kunlargacha. Hal qilinadigan muammolar: 70–80%. Sun’iy intellekt bilan yechilganida esa fizik tenglamalarni Suniy intellekt bilan integratsiya qilish (Hybrid Physics-Informed Neural Networks). Diskretlash xatoligi kamayadi: xatolik ±2–5%. Hisoblash tezligi sezilarli oshadi (bir necha soat ichida). Hal qilinadigan muammolar: 85–95%. 767

3. Gibrid modellar (hybrid modeling) Gibrid model - bu ikki yoki undan ortiq turdagi modellarni birlashtirib ishlatadigan model hisoblanadi. Ya’ni bir model yetarli bo‘lmagan joyda boshqa model yordam beradi. Shu sababli u aniqroq va samaraliroq natija beradi. Matematik formulasi: Y=f_p +AI(x) Yphysics - fizik model natijasi N(x) - sun’iy intellekt orqali qoldiqni o‘rganish Tasnif: Fizik + neyron tarmoq gibrid modeli Fizik + statistik gibrid modeli Fizik va matematik bog‘lanish: Gibrid modellar fizik qonunlarni saqlagan holda, sun’iy intellekt yordamida parametr qoldig‘ini yoki noaniqlikni kamaytiradi. Shu orqali sistematik xatolar tuzatiladi va model barqarorligi oshadi.[2] Fizik va Suniy intellekt komponentini integratsiya qilish qiyinligi Gibrid model: Y=Yphysics +N(x) Fizik va neyron tarmoq qismi bir-biriga moslashmagan bo‘lsa, optimallashtirish murakkab va barqarorlik pasayadi.[3] Ma’lumot talabi Neyron tarmoq qismi fizik qoldiqni o‘rganish uchun hali ham ma’lumot talab qiladi. Katta tizimlarda yetarli ma’lumot topish qiyin. Barqarorlik va hisoblash resurslari Gibrid model yuqori hisoblash talab qiladi va parametrlarni sozlash noto‘g‘ri bo‘lsa, model barqaror ishlamaydi. Interpretatsiya murakkabligi Qoldiq neyron tarmoq orqali o‘rganiladi, ammo qanday natijaga erishilgani va fizik interpretatsiya qoldiqlar bilan bog‘liqligi tushunarsiz bo‘lishi mumkin. Kasblar va sohalar: Sun’iy intellekt va fizik integratsiya muhandisi - gibrid model yaratishda fizik va Suniy intellekt komponentlarini moslashtirish qiyin. Avtomobil va aerokosmik muhandislar - aerodinamika yoki issiqlik jarayonini fizika + Suniy intellekt yordamida tahlil qilganda, ma’lumot va barqarorlik muammosi ko‘rinadi. Energetika tizimlari modellashtiruvchilari - murakkab tizimlarda hisoblash resurslari va interpretatsiya qiyinligi muammo. Ko‘rinishi: Fizik qonun saqlangan, lekin neyron tarmoq qismi qoldiqni o‘rganadi, natija tushuntirish qiyin bo‘ladi. Sun’iy intellektsiz yechim usuli: Faqat fizik qism bilan ishlash, qoldiqni qo‘lda taxmin qilish. Parametr optimallashtirish an’anaviy usullarda (NewtonRaphson, gradient). Statistika va natija: Barqarorlik past, muammolar faqat 50–60% hal bo‘ladi, Murakkab tizimlarda fizik qoldiqni qo‘lda aniqlash qiyin bo‘ladi, xatolik ±20-30%, Hisoblash resurslari yuqori; katta tizimlarda bir necha kun va hatto haftalar talab qilinadi. Sun’iy intellekt bilan yechim modelni ana endi gibrid modelda ko‘rib ciqamiz: Y=Yphysics +N(x) 768

Neyron tarmoq qismi fizik model qoldig‘ini o‘rganadi va barqarorlik sezilarli oshadi, noaniqlik kamayadi. Xatolik ±3-6% gacha tushadi. Katta tizimlarda 80-95% muammolar hal bo‘ladi. Hisoblash vaqti an’anaviy usullarga qaraganda 3-5 barobar kamayadi. Fizik qonunlarni saqlagan holda sun’iy intellekt bilan qoldiqni o‘rganish. Real vaqt simulyatsiyalar va monitoring tizimlarida ishlash imkoniyati mavjud. An’anaviy yechim (Suniy intellektsiz): Faqat fizik model + qo‘lda optimallashtirish. Fizik qoldiqni taxmin qilish qiyin, barqarorlik past, xatolik ±2030%. Hisoblash vaqti: kunlar, hatto haftalar. Hal qilinadigan muammolar: 50-60%. Sun’iy intellekt bilan yechim: Gibrid model: Y=Yphysics +N(x) Barqarorlik oshadi, xatolik ±3-6%. Katta tizimlarda muammolar 80-95% hal qilinadi. Hisoblash tezligi 3-5 barobar oshadi. Afzallik: fizik qonunlar saqlanadi, real vaqt ishlash mumkin. 4. Ehtimoliy/probabilistik modellar (probabilistic modeling) Matematik formulalar: Monte-Karlo usuli: 𝐸(𝑋) = 𝑁1 ∑𝑛𝑖=1 Bayes modellar: p(θ∣D)∝p(D∣θ)p(θ) Tasnif: Ehtimollik asosidagi simulyatsiya (Monte-Karlo) Bayes tarmoqlar va ehtimollik regressiyasi Fizik va matematik bog‘lanish: Ehtimoliy modellar fizik va matematik jarayonlarda noaniqlikni hisobga olish uchun ishlatiladi. Masalan, parametrlar noaniq bo‘lsa, Bayes modellar orqali parametr taqsimoti va xatoliklarni aniq baholash mumkin.[6] Hisoblash resurslari va iteratsiya Monte-Karlo usulida: 𝐸(𝑋) = 𝑁1 ∑𝑛𝑖=1 Katta tizimlarda N juda katta bo‘lishi kerak, bu hisoblash vaqtini oshiradi. Ma’lumot yetishmovchiligi Parametr taqsimotini aniq baholash uchun ko‘p namunalar kerak. Kam ma’lumotda: Var(θ^)↑ Real vaqt prognozi Katta ehtimollik modellari real vaqt rejimida ishlamaydi. Hisoblash tezligi yetarli emas.[5] Noaniqlik va interpretatsiya Bayes modellarda parametrlarning taqsimoti murakkab bo‘lganda, natijalarni talqin qilish qiyin. Optimallashtirish murakkabligi Ko‘p parametrli ehtimollik funksiyasini optimallashtirish konvergensiyani sekinlashtiradi yoki lokal minimumda qolish xavfini oshiradi. Kasblar va sohalar: Statistik tahlilchi / Bayesian Analyst - parametr taqsimotini baholash va Monte-Karlo usulida katta iteratsiya talab qilinadi. Moliyaviy risk menejeri (Risk Manager) - noaniqlikni modellashtirishda real vaqt prognozi va iteratsiya muammosi ko‘rinadi. Robototexnika va AI muhandislari ehtimollik asosida qaror qabul qilishda resurs va optimallashtirish muammosi mavjud.[1] 769

Ko‘rinishi: Hisoblash tezligi past, parametr taqsimoti noaniq, real vaqt ishlash qiyin, interpretatsiya murakkab. Sun’iy intellektsiz yechim usuli: Monte-Karlo usuli, Bayes modellari an’anaviy optimallashtirish bilan. Parametr taqsimotini qo‘lda hisoblash yoki soddalashtirish. Statistika va natija: Noaniqlikni faqat taxminiy baholash mumkin. Muammolar faqat 40-55 % hal bo‘ladi katta tizimlarda. Iteratsiya ko‘p bo‘lgani uchun hisoblash bir necha kun yoki haftalarni oladi. Real vaqt prognozi deyarli imkonsiz. Sun’iy intellekt bilan yechim usuli: Bayesian tarmoqlar va Monte-Karlo simulyatsiyalarini Suniy intellekt yordamida tezlashtirish. Parametr taqsimotini avtomatik aniqlash va ehtimollikni real vaqt hisoblash. Natija va statistika: Parametr taqsimoti aniq baholanadi, noaniqlik kamayadi. Xatolik ±3-7% gacha tushadi. Muammolar 80-90% hal qilinadi. Hisoblash vaqti sezilarli kamayadi, real vaqt prognoz mumkin. Afzallik: Katta tizimlarda ehtimollik asosida qaror qabul qilish samarali bo‘ladi. Iteratsiya va parametr optimallashtirish tezlashadi. An’anaviy yechim (Suniy intellektsiz): Monte-Karlo, Bayes modellari qo‘lda yoki soddalashtirilgan optimallashtirish bilan. Xatolik yuqori ±15-25%, iteratsiya ko‘p, real vaqt prognozi deyarli mumkin emas. Hal qilinadigan muammolar: 4055%. Sun’iy intellekt bilan yechim: Bayesian tarmoqlar va Monte-Karlo simulyatsiyalarini Suniy intellekt bilan tezlashtirish. Xatolik ±3-7%, real vaqt prognoz mumkin. Muammolar 80-90% hal qilinadi. Afzallik: parametr taqsimoti aniq, iteratsiya tez, katta tizimlarda samarali. Xulosa. Yuqorida keltirilgan tahlillar shuni ko‘rsatadiki, gibrid modellar zamonaviy matematik va fizik modellashtirish sohasida eng samarali yondashuvlardan biri hisoblanadi. Bunday modellar fizik qonunlarga asoslangan klassik modellar hamda ma’lumotlarga asoslangan sun’iy intellekt usullarining afzalliklarini birlashtiradi. Natijada tizimning nazariy asoslari fizik qonunlar orqali ta’minlanadi, shu bilan birga real ma’lumotlar yordamida model aniqligi va moslashuvchanligi oshiriladi. Fizik modellar ko‘pincha tabiiy jarayonlarning fundamental qonunlariga asoslanadi. Masalan, issiqlik o‘tkazuvchanlik, mexanika yoki energiya almashinuvi kabi jarayonlar differensial tenglamalar orqali ifodalanadi. Biroq real tizimlarda ko‘plab parametrlar aniq bo‘lmasligi yoki vaqt o‘tishi bilan o‘zgarib borishi mumkin. Natijada sof fizik modellar ayrim hollarda real jarayonni to‘liq aks ettira olmaydi. Shu sababli bunday modellarni faqat nazariy asosda qurish ko‘pincha yetarli bo‘lmaydi. Sun’iy intellekt esa katta hajmdagi ma’lumotlarni tahlil qilish va yashirin qonuniyatlarni aniqlash imkonini beradi. Mashinaviy o‘rganish algoritmlari tizimdagi noma’lum parametrlarni baholash, model xatoliklarini kamaytirish hamda prognoz aniqligini oshirishga yordam beradi. Gibrid modellar aynan shu 770

ikki yondashuvni birlashtirganligi sababli, ular modellashtirishda yuqori samaradorlikka ega bo‘ladi. murakkab tizimlarni 2-rasm. Insonlar va Suniy intelekt o‘rtasidagi hatoliklar %da ko‘rsatilgan Amaliy jihatdan gibrid modellar energetika, robototexnika, sanoat avtomatizatsiyasi, transport tizimlari hamda iqtisodiy prognozlash kabi ko‘plab sohalarda keng qo‘llanilmoqda. Masalan, energetika tizimlarida elektr energiyasi ishlab chiqarish jarayonlarini optimallashtirish, ishlab chiqarish jarayonlarida resurslardan samarali foydalanish yoki texnik tizimlarning ishlash holatini oldindan prognoz qilishda gibrid modellar muhim rol o‘ynaydi. Bunday yondashuv yordamida tizim samaradorligi oshadi, xatoliklar kamayadi va qaror qabul qilish jarayoni ancha tezlashadi. Umuman olganda, gibrid modellashtirish zamonaviy sun’iy intellekt texnologiyalari bilan birgalikda ilmiy va amaliy tadqiqotlarda muhim ahamiyat kasb etadi. Kelajakda hisoblash texnologiyalarining rivojlanishi va ma’lumotlar hajmining ortib borishi bilan gibrid modellar yanada takomillashib, murakkab tizimlarni yanada aniqroq va samaraliroq modellashtirish imkonini beradi. Shu sababli gibrid modellar matematik va fizik modellashtirishning istiqbolli yo‘nalishlaridan biri hisoblanadi va ular zamonaviy ilm-fan hamda sanoat rivojida muhim o‘rin tutadi. Foydalanilgan adabiyotlar: 1. Christopher M. Bishop (2006). Pattern Recognition and Machine Learning. New York: Springer. 2. Ian Goodfellow, Bengio, Y., & Courville, A. (2016). Deep Learning. Cambridge, MA: MIT Press. 3. George E. P. Box, Hunter, J. S., & Hunter, W. G. (2005). Statistics for Experimenters: Design, Innovation, and Discovery (2nd ed.). Wiley. 4. Gene H. Golub, & Van Loan, C. F. (2013). Matrix Computations (4th ed.). Johns Hopkins University Press. 5. Stuart Russell, & Peter Norvig (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson. 6. Kevin P. Murphy (2012). Machine Learning: A Probabilistic Perspective. MIT Press. 7. Trevor Hastie, Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer. 771

SUN’IY INTELLEKT VA RAQAMLI IQTISODIYOT Yakubov Valijon G‘aniyevich, FarDTU, “Moliya va buxgalteriya hisobi” kafedrasi katta o‘qituvchisi e-mail:valijonyakubov@fstu.uz Arabboyeva Fotimaxon Abdugafirovna, FarDTU 74-24 BI guruh talabasi Annotatsiya. Ushbu maqolada raqamli iqtisodiyotning mazmun-mohiyati, zamonaviy jamiyat taraqqiyotidagi tutgan o‘rni, jumladan: raqamli xizmatlar, iqtisodiy sohalar, ilmiy va amaliy tavsiyalar, axborot-xavfsizligi, kadrlar salohiyati, raqamli iqtisodiyotni rivojlantirishdagi yuzaga keladigan muammolar, milliy va global iqtisodiyot va tadqiqot natijalari, raqamli iqtisodiyotning xususiyatlari. Kalit so‘zlar: Sun’iy intellekt va raqamli iqtisodiyot, texnologik-kommunikatsiya, elektron tijorat, raqamli platformalar, iqtisodiy xavfsizlik. Aннотатция. В данной статье рассматривются сущность и значение цифровой экономике,а также её роль в развитии современного общества. В частности, освещаются вопроссы цифровых услуг, различных отраслей экономики, научных и практических рекомендатциий, информационной безопасности, кадрового потенциала, проблем, возникающих в процессе развития цифровой экономики, национальной и мировой экономики, а также резултаты исследований и особенности йифровой экономики. Ключевые слова: Искуственный интеллект и цифровая экономика, технолагическая коммуникация, электронная коммерция, цифровые платформы, экономическая безапасность. Annotatsion. This article examines the essence and significance of the digital economy and its role in the development of modern society. In particular, it discusses digital services, various economic sectors, scientific and practical recommendations,information security,human resourse capacity, challenges arising in the development of the digital economy, national and global economic aspects, research results, and the key characteristics of the digital economy. Keywords: Artificial intelligence and digital economy, technological communication, ecommerce, digital platforms, economic security. Raqamli iqtisodiyot bu raqamli texnologiyalar, internet ma’lumotlar bazalari, onlayn platformalar yordamida amalga oshiriladigan iqtisodiy faoliyat tizimi bo‘lib, so‘nggi vaqtlarda “raqamli iqtisodiyot” tushunchasi juda ko‘p marta qo‘llanilmoqda. Bugungi kunda raqamli iqtisodiyot, iqtisodiy o‘sishning muhim omiliga aylangan. Unda mehnat unumdorligi oshadi, davlat boshqaruvi kuchaytiriladi. Darhaqiqat, ko‘plab rivojlangan mamalakatlarda raqamli iqtisodiyot, iqtisodiy rivojlanish omillariga sezilarli darajada ta’sir o‘tkazgan. Ushbu mavzuni yoritishdan avval, kundalik hayotimizda ro‘y berishi mumkin bo‘lgan bir holatni qarab chiqadigan bo‘lsak. Raqamli iqtisodiyot bu xo‘jalik faoliyatni yuritish bunda ishlab chiqarish va xizmat ko‘rsatishdagi asosiy raqamlar ko‘rinishdagi ma’lumotlar bo‘lib, katta hajmdagi axborotlarni qayta ishlash va shu qayta ishlash natijasini analiz qilish yordamida bir xil turdagi ishlab chiqarish, xizmatlar, texnologiyalar, qurilmalarni, saqlash, mahsulotlarni yetkazib berishda oldingi tizimdan samaraliroq tadbiq qilishdir. Raqamli iqtisodiyotda iqtisodiy xavfsizlikni taminlash davlat, korxonalar va fuqarolar o‘rtasidagi hamkorlikni, o‘rnatish shuningdek, texnologik va huquqiy yechimlarni muntazam yangilanib borishini talab qiladi. Sun’iy intellekt kompyuter tizimlarining inson aqliy faoliyatini takrorlash qobiliyatidir. Bu 772

texnologiyalar yordamida dasturiy ta’minotlar, ma’lumotlar bazalari va analitik vositalar orqali katta miqdordagi ma’lumotlarni qayta ishlash va qarorolar qabul qilish jarayonlari avtomatlashtiriladi. Sun’iy intellekt iqtisodiy samaradorlikka ham o‘z ta’sirini ko‘rsatmay qolmayapti. Sun’iy intellect davlat boshqaruvidan tortib, xususiy sektor faoliyatigacha bo‘lgan jarayonlarni tez va samarali raqamlashtirishga yordam bermoqda. Misol uchun O‘zbekistonda soliq tizimida sun’iy intellect asosida soliq to‘lovchilar faoliyatini tahlil qilish tizimi yo‘lga qo‘yilmoqda. Moliyaviy soha va kiberxavfsizlik sun’iy intellekt tahdidlarini oldindan aniqlash va ularni boshqarishda muhim ahamiyatga ega. Shu bilan birga, sun’iy intellekt yordamida firibgarliklarning 95%ini oldindan aniqlashga erishildi. Raqamli iqtisodiyot iqtisodiy faoliyatning asosiy qismi bo‘lib, raqamli texnologiyalar internet, mobil ilovalar, ma’lumotlar oraqali amalga oshiriladigan iqtisodiyot turidir. Raqamli iqtisodiyotda mahsulotlar, xizmatlar, to‘lovlar va axborot almashinuvi asosan elektron shaklda bo‘ladi. Raqamli iqtisodiyotning mazmuni shundan iboratki, elektron savdo (onlayn do‘konlar, marketpleyslar), elektron tizimlar (bank ilovalari, mobil to‘lovlar), onlayn xizmatlar (ta’lim, tibbiyot, davlat xizmatlari) shular jumlasidandir. Raqamli iqtisodiyotning mohiyati, jarayonlarni tezlashtiradi natijasi yaxshi tez va qulay amalga oshadi. Xarajatlar kamaytirilib, qog‘oz, vaqt va transport xarajatlari qisqaradi. Shaffoflikni oshiradi, elekrtron tizimlar korrupsiyani kamaytiradi. Yangi ish o‘rinlari, IT, frilans, online biznes imkoniyatlari ko‘payadi. Global bozorga chiqish kichik biznes bilan ham internet orqali xalqaro savdo qilish mumkin. “Raqamli” atamasi barcha sohalarda axborot texnologiyalardan faol foydalanishni anglatadi. Agar oddiy iqtisodiyotda moddiy buyumlar asosiy resurs hisoblansa, raqamli iqtisodiyotda qayta ishlanadigan hamda uzatiladigan axborot ma’lumotlari bo‘ladi. Ularning tahlilidan so‘ng, esa to‘g‘ri boshqarish bo‘yicha yechim ishlab chiqiladi. Shuningdek, davlat innovatsion va raqamli ekotizimni, raqamli ta’limning zamonaviy metodlarini qo‘llab-quvvatlash, innovatsion xizmatlarni samarali tartibga solish normalarini ishlab chiqishi, yangi bozorlarni o‘zlashtirishda ko‘maklashishi hamda texnologik jarayonlarning chuqurlashuvida yuzaga chiqadigan risklarni pasaytirish choralarini ko‘rishi maqsadga muvofiq hisoblanadi. Bank xizmatlari Sog’liqni saqlash tibbiyot Iqtisodiy sohalar Davlat xizmatlari Ishlab Chiqarish (YaIM) Raqamli iqtisodiyotda, raqamli ko‘rsatkichlarda yaxshi natija ko‘rsatayotgan iqtisodiy sohalarni birma-bir ta’kidlar ekanmiz ularning bugungi kunda raqamli 773

iqtisodiyotda yuqorilab borayotganini guvohi bo‘lyapmiz. Hozirgi kunda rivojlanayotgan va aholiga tez va sifatli xizmat ko‘rsatayotgan iqtisodiy sohalar, soni ortib bormoqda. Jumladan, iqtisodiy sohalarda amalga oshirilayotgan islohotlar, o‘tkazilayotgan ilmiy amaliy treninglar iqtisodiy raqamlarda o‘z aksini topmoqda. Hozirgi kunda ko‘proq e’tibor qaratilayotgan iqtisodiy sohalar: Hususan, bank xizmatlari bu tijorat banklari tomonidan jismoniy va yuridik shaxslarning moliyaviy ehtiyojlarini qondirish maqsadida ko‘rsatiladigan pullik amaliyotlar majmui bo‘lib, tijorat banklarida quyidagi xizmat turlari ko‘rsatiladi. Kreditlash xizmatlar, iste’mol kreditlari, avto kredit, ipoteka krediti, mikroqarz, ta’lim kreditlari, omonat va depozitlar, bank kartalari va hisobvaraqlari, hisobraqamlar ochish kabi aholiga tez va qulay xizmat vazifalarini bajaradi. bank sohasi iqtisodiyotning ajralmas qismi bo‘lib, pul mablag‘larining samarali taqsimlanishini taminlaydi. Bank sohasining iqtisodiyotdagi roli; pul aylanishini taminlaydi, investitsiyalarni moliyalashtiradi, ishlab chiqarishini rivojlantiradi, kichik biznesni qo‘llab-quvvatlaydi, iqtisodiy o‘sishga yordam beradi. Agar bank tizimi kuchli bo‘lsa, iqtisodiyot ham barqaror bo‘ladi. Shu sababli bank sohasini o‘rganish muhim ahamiyat kasb etadi. Zamonaviy sharoitda bank tizimining raqamlashtirilishi uning samaradorligini yanada oshirmoqda. Shunday ekan bank tizimini takomillashtirish taminlash har bir davlat uchun muhim vazifa hisoblanadi. Butun Jahon bo‘yicha asosiy sohalardan yana biri tibbiyot sohasi bo‘lib, tibbiyotda ham sog‘liqni saqlashda ancha o‘zgarishlar bo‘lmoqda, O‘zbekiston mustaqillikka erishganidan so‘ng, aholi salomatligini muhofaza qilish qaytadan isloh qilish boshlangan, sogliqni saqlash tizimining asosiy tamoili-profilaktik yo‘nalishni tiklash; uning zamonaviy va samarali usullarini ishlab chiqish va amaliyotga joriy etish; onalar va bolalar salomatligini muhofaza qilish tadbirlarini kuchaytirish; tibbiy ta’lim tizimi va kadrlarni tayyorlash; ilimiy tadqiqot ishlarini davr va jamiyat hayotining talablaridan kelib chiqqan holda qayta tashkillashtirish; mamalakatda sifatli va yetarli miqdorda dori-darmon tibbiy ashyolar hamda shu sohaga ta’luqli texnik vositalar ishlab chiqaradigan sanoat vujudga keltirish; sog‘liqni saqlash muassasalarining moddiy texnik bazasini yanada yaxshilash; davolash profilaktika muassasalarining bir qismini davlat tasarrufidan chiqarib, mulkchilik shaklini o‘zgartirish asosiy vazifa qilib qo‘yildi, va sog‘liqni saqlash tizimi bosqichmabosqich kengaytirilib mustahkamlandi. Aholi farovonligini taminlash maqsadida davlat markazlari ham o‘z faoliyatini yuritib kelmoqda. Davlat xizmati huquqiy normalarining kompleksi hisoblanib, ma’muriy, mehnat, moliya, fuqarolik va boshqa huquq sohalarini o‘z ichiga oladigan davlatning siyosiy tashkilotidir. Davlat xizmatlari siyosiy ma’noda: davlat siyosatini amalga oshirish, jamiyatdagi muvozanatni saqlash, huquqiy ma’noda esa; davlat xizmat munasabatlarini huquqiy o‘rnatish, mansab majburiyatlari, xizmatchilarning vakolatlari, davlat organlarining kompetensiyasini, bajarilishini taminlashni anglatadi. Iqtisodiy sohalar mahsulot ishlab chiqarish va boyliklarni taqsimlash bilan bog‘liq faoliyati tarmoqlarining majmuidir. Har bir iqtisodiy soha mamalakatning yalpi ichki mahsuloti (YAIM), 774

bandlik darajasi va aholi farovonligiga bevosita ta’sir ko‘rsatadi. Bu esa iqtisodiy sohalar bir-biri bilan o‘zaro uzviy bog‘liq bo‘lib, birining rivoji boshqasining taraqqiyotini tezlashtiradi. Birlamchi (xomashyo)da iqtisodiy sohalarning turlari: qishloq xo‘jaligi chorvachilik, dehqonchilik, o‘rmon xo‘jaligi, baliqchilik, foydali qazilmalarni qazib olish (neft, gaz, ko‘mir, oltin), ikkilamchi (sanoat) sohasi bo‘yicha birlamchi sohada olingan xomashyoni qayta ishlash orqali tayyor mahsulot ishlab chiqaradi. Asosiy tarmoqlari: yengil sanoat (to‘qimachilik, tikuvchilik), oziq-ovqat sanoati, mashinasozlik, metallurgiya, kimyo sanoati, qurilish materiallarini ishlab chiqarish, iqtisodiy sohalar mamalakat taraqqiyotining tayanch ustunidir. Ilm-fan, axborot va yuqori texnologiyalarga asoslangan soha: ilimiy-tadqiqot ishlari, axborot texnologiyalari (IT), dasturiy ta’minot ishlab chiqarish, raqamli iqtisodiyot bularni iqtisodiy rivoji uchun ahamiyati, raqobatbardosh iqtisodiyotni shakallantiradi, innovatsiyalarni tez joriy etadi, intelektual salohiyatni oshiradi, barcha sohalarni modernizatsiya qiladi. Ularning muvozanatli va kompleks rivoji, yuqoriga o‘sish, bandlik va aholi farovonligining taminlaydi. Bugungi kun zamon talablari ortib borayotgan davrda, zamonaviy sharoitda ilm-fan va raqamli iqtisodiyotning ahamiyati ortib bormoqda. Axborot xavfsizligi nima uchun kerak? Umumajahon axborot globallashuvi jarayonlari axborot kommunikatsiya texnologiyalarini nafaqat mamalakatlar iqtisodiyoti va boshqa sohalarda joriy etish, balki axborot tizimlari, xavfsizligini taminlashini ham taqozo etadi. Axborot va kommunikatsiya texnologiyalari sohalardagi xalqaro xavfsizlik tizimiga Markaziy Osiyoga birinchilardan bo‘lib qo‘shildi. Axborot xavfsizligini taminlash bo‘yicha aloqa axborotlashtirish va telekommunikatsiya texnologiyalari davlat qo‘mitasi tomonidan bir qancha choralari qo‘llanilmoqda. Axborot xavfsizligi ma’lumotlarni raqamli yoki jismoniy ruxsatsiz kirish, foydalanish oshkor qilish, yo‘q qilish yoki o‘zgarishidan himoya qilish, axborot xavfsizligi maxfiy hujjatlar, shaxsiy ma’lumotlar, va moliyaviy axborotlarni o‘g‘irlanishidan saqlaydi. Qisqacha qilib aytganda, axborot xavfsizligi korxonalar va shaxslarning ma’lumotlarini ishonchli va xavfsiz muhitdaligi saqlanadi. Axborot xavfsizligini taminlashning asosiy maqsadi, ma’lumotlarning konfidensialligi, yaxlitliligi, mavjudligini, va muvozanatli, qo‘llashning maqsadga muvofiqligini hisobga olgan holda, tashkilot faoliyatiga hech qanday zarar yetkazmasdan himoya qilishdir. Axborot xavfsizligi-bu axborot xavfsizligiga bolgan tahdidlarni aniqlash, axborotni har qanday tashqi hujumlardan himoya qilish bo‘yicha chora tadbirlarni rejalashtirish, amalga oshirish va axborotni xavfsizligini muhofaza qilish holatini kuzatishga qaratilgan harakatlar majmuidir. Axborot xavfsizligining maxfiyligi, haqiqatliligi, javobgarliligi, ishonchlilik xususiyatlari ham mavjud. Davlat axborot tizimlari va resurslarning axborot xavfsizligini taminlash yuzasidan monitoring natijalari to‘g‘risidagi statistik ma’lumotlarni axborotlashtirish texnologiyalar yordamida davlat qo‘mitasiga belgilangan tartibda taqdim etish, tarmoqlarning operatorlari va provayderlari bilan hamkorlik qilish, 775

davlat organlarining kompyuter va axborot texnologiyalaridan foydalanish sohasidagi qonun buzilishlarining oldini olish masalalari bo‘yicha birgalikdagi ishlarini tashkil etish va ularning muvofiqlashtirilishda har qanday xavfsizlikni taminlaydi. Bugungi kunda kadrlar salohiyati, davlat taraqqiyotining eng muhim omili bo‘lib, malakali kadrlarni tayyorlash ularni bilim va ko‘nikmalarga ega qilish, innovatsion fikrlaydigan, yangi g‘oyalar ustida ishlashi uchun shartsharoitlarni yaratish, yurt rivojiga hissa qo‘shishi, professional yetuk hodimlar qilib o‘qitish mehnat unumdoriligini oshirish talab etilmoqda. Kadrlar salohiyatini rivojlantirish yo‘nalishlari: ta’lim tizimini modernizatsiya qilish, dual ta’lim va amaliyotni kengaytirish, xalqaro tajribani o‘rganish, kasbiy qayta tayyorlash va malaka oshirish kurslari, raqamli ko‘nikmalarni rivojlantirish, kadrlarni sifatli oliy ma’lumotli qilish ishlariga katta ahamiyat berilmoqda. O‘zbekistonda oliy ta’lim qamrovi kengayib , xususiy va xorijiy oliy o‘quv yurtlari soni ortib bormoqda, Raqamli iqtisodiyot sharoitida esa bilimli, kreativ va moslashuvchan mutaxassislar jamiyatning eng katta boyligiga aylanmoqda. Shunday ekan kadrlar salohiyatini oshirish davlat siyosatining ustuvor yo‘nalishlari bo‘lib qolishi zarur. Raqamali iqtisodiyot iqtisodiy o‘sishning yangi bosqichini boshlab bermoqda. Biroq uni samarali rivojlantirish infratuzilmasi huquqiy bazasini va ijtimoiy tenglik masalalarini kompleks hal qilishini talab etadi. Raqamli transformatsiya jarayoni muvafaqiyatli amalga oshirilishi uchun davlat va xususiy sektor o‘rtasidagi hamkorlikni kuchayritish raqamli iqtisodiyotning barqaror va inklyuziv rivojlanishiga xizmat qiladi. Raqamli iqtisodiyot bugungi kunda global va milliy iqtisodiyotni rivojlantirishning asosiy drayveri hisoblanadi. Milliy iqtisodiyot ichki siyosat, ijtimoiy qadriyatlar, mehnat bo‘limlari, va innovatsiyalar asosiy omillar, globala jarayonlarga qarshi chidamlilik uchun strategiyalar va institutlar zarur. Global iqtisodiyot savdo, investitsiyalar, global siyosat milliy iqtisodiyotlarga bevosita tasir ko‘rsatadi. Iqlim o‘zgarishi, bozor shoklari, boylik notengligi kabi omillar global xavflarni kuchaytirmoqda. Umuman olganda, zamonaviy tadqiqotlar milliy iqtisodiyotning barqaror o‘sishi uchun global omillarni tahlil qilish zarurligini ko‘rsatadi. Global va milliy iqtisodiyot bo‘yicha olib borilayotgan ilmiy tadqiqotlar shuni ko‘rsatadiki, hozirgi davrda iqtisodiy rivojlanish jarayonlari chuqur integratsiyalashgan, o‘zaro bog‘liq va yuqori darajada raqamlashtirilgan tizim sifatida namoyon bo‘lmoqda. Global iqtisodiyotda kuzatilayotgan texnologik taraqqiyot raqamli trasnformatsiya, kapital va mehnat resurslarining erkin harakati milliy iqtisodiyotlar rivojiga bevosita tasir ko‘rsatmoqda. Shu bilan birgaglobal iqtisodiy beqarorliklar, geosiyosiy ziddiyatlar, inflyatsion bosimlar va taminot zanjirlaridagi uzilishlar milliy iqtisodiyotning barqarorligiga jiddiy xavf tug‘dirmoqda. Tadqiqot natijalari shuni anglatadiki, milliy iqtisodiyotning raqobatbardoshliligi avvalo uning global iqtisodiyotga moslashuv darajasi, innovatsion salohiyati va inson kapitali rivoji bilan belgilanadi. Raqamli iqtisodiyot sharoitida bilimga asoslangan ishlab chiqarish, yuqori texnologiyali 776

tarmoqlarni rivojlantirish hamda zamonaviy boshqaruv mexanizmlarini joriy etish milliy iqtisodiy o‘sishning asosidir. Tadqiqotlar milliy iqtisodiyotda amalga oshirilgan islohotlarning ahamiyatini yaqqol ko‘rsatmoqda. Global va milliy iqtisodiyot o‘rtasidagi o‘zaro bog‘liqlik sharoitida barqaror rivojlanishga erishish uchun kompleks yondashuv talab etadi. Bu yondashuv raqamli iqtisodiyotni keng joriy etish, iqtisodiy diversifikatsiyani taminlash, hamda global iqtisodiy xatarlarni oldindan baholash va boshqarish mexanizmlarni takomillashtirishni o‘z ichiga oladi. Mazkur omillarning uyg‘unlashuvi milliy iqtisodiyotning uzoq muddatli barqaror o‘sihsini taminlab, uni global iqtisodiy tizimda baquvvat subyekt sifatida shakllantirishga xizmat qiladi. Yurt kelajagi va ravnaqi uchun raqamli iqtisodiyotning avzalliklari xususiyatlari muhim va ahamiyatlidir. Raqamli iqtisodiyotning asosiy xususiyatlari, ma’lumotlarga asoslanishi, jarayonlar katta hajmdagi ma’lumotlarni tahlil orqali boshqarilishi, internet orqali xizmat va mahsulotlar chegara bilmasdan sotilishi, yuqori tezlik samaradorligi, tranzaksiya real vaqt rejimida tez amalga oshirilishi, turli xil imkoniyatlarining kengayishini qamrab oladi. Axborotning tezkorligi, ommaviyligi, globallashuv, va virtualligidadir. Raqamli iqtisodiyotning afzalliklari esa, ishlab chiqarish samaradorligi, operatsion xarajatlarning kamaytirilishi, elektron to‘lov tizimlarini xavfsiz va tezkor amalga oshirilishi, raqamli xizmatlar sohasida yangi mutaxassislarni paydo bo‘lishi, to‘lov tizimilarining rivojlanishi, (fintech) va elektron tijorat imkoniyatlari kiradi. So‘nggi yillarda jahon iqtisodiyotida raqamli texnologiyalar asosida shakllanayotgan yangi iqtisodiy munosabatlar tizimi raqamli iqtisodiyot yetakchi o‘ringa chiqmoqda. O‘zbekiston Respublikasi ham ushbu global jarayondan chetda qolmay, milliy iqtisodiyotni modernizatsiya qilish, aholo farovonligini yuksaltirish maqsadida iqtisodiyotni rivojlantirishni ustuvor yo‘nalish sifatida belgilab kelmoqda. O‘zbekistonda raqamli iqtisodiyotning rivojlanishi bugungi kunda oddiy texnologik yangilanish emas, balki, mamlakat ijtimoiy-iqtisodiy taraqqiyotning tubdan o‘zgarishiga olib kelayotgan strategik jarayon bo‘lib namoyon bo‘lmoqda. Raqamli iqtisodiyotning joriy etilishi orqali iqtisodiyot tarmoqlarida samaradorlik oshib, boshqaruv jarayonlari soddalashtirilmoqda, shaffoflik darajasi sezilarli ravishda kuchaymoqda. Bu holat davlat, biznes va jamiyat o‘rtasidagi o‘zaro munosabatlarning yangi bosqichiga ko‘tarilishiga xizmat qilmoqda. O‘zbekistonda raqamli iqtisodiyotni rivojlantirish bo‘yicha davlat siyosati, jumladan; “Raqamli O‘zbekiston-2030” strategiyasi qabul qilinib, unda iqtisodiyot tarmoqlari, ijtimoiy soha va davlat boshqaruvini keng joriy etish belgilangan, mazkur chora-tadbirlar mamlakatning har tomonlama rivojlanishiga zamin yaratmoqda. Xulosa qilib aytganda: raqamli iqtisodiyot sharoitida iqtisodiy xavfsizlikni ta’minlash milliy iqtisodiyotning raqobatbardoshliligini oshirish, ijtimoiy-iqtisodiy baraqarorlikni saqlash va uzoq muddatli rivojlanishni ta’minlashda hal qiluvchi ahamiyatga ega. Ushbu jarayonda davlat, biznes va jamiyatning o‘zaro hamkorligi, zamonaviy texnologiyalardan samarali foydalanish hamda xavf-xatarni oldini 777

oldindan aniqlash va boshqarish mexanizmlarini takomillashtirish muhim vazifa bo‘lib qolaveradi. Davlat tomonidan puxta ishlab chiqilgan normativ-huquqiy baza, axborot xavfsizligi stategiyalari kiberxavfsizlik tizimlari va raqamli infratuzilmani rivojlantirish iqtisodiyotni muhim kafolati hisoblanadi. Bundan tashqari sohalarda o‘zgarib borayotgan o‘zgarishlarni nazorat qilish, yuqori malakali mutaxassislarni o‘qitish, kadrlar salohiyatini ta’minlash, raqamli savodxonlikni oshirish, ilmiy salihiyatni mustahkamlash, shaffoflikni oshirish, raqamli iqtisodiyotda iqtisodiy tahlilni yaqqol va aniq aks ettirish, raqamli iqtisodiyotning asosiy omillaridan biridir. Raqamli texnologiyalardan oqilona va xavfsiz foydalanish innovatsion rivojlanishni rag‘batlantirish bilan birga iqtisodiy manfaatlarni ishonchli himoyalash barqaror iqtisodiy o‘sishning muhim sharti hisoblanadi. Foydalanilgan adabiyotlar: 1. O‘zbekiston Respublikasi Prezidentining “Raqamli O‘zbekiston-2030 strtegiyasi to‘g‘risida”gi farmoni-Toshkent 2020 y 2. Abdurahmonov Q.X. Iqtisodiy xavfsizlik asoslari-Toshkent iqtisodiyot 2019 y 3. G‘ulomov S.S., Alimuhammedov A.A. Raqamli iqtisodiyot nazariyasi va amaliyoti. -T.: Fan va texnologiya, 2021 y 4. International Telekommunication Union (ITU)- https://www.imf.org. 5. Xudetberdiyev Z. Axborot iqtisodiyot va raqamli texnologiyalar. Toshkent nashriyoti, 2021-yil 6. Ismoilov I. Elektron hukumat va raqamli boshqaruv tizimi. –T., 2022- yil 7. Karimov I. Iqtisodiy o‘sish omili. Toshkent iqtisodiyot-2020 yil 8. Raqamli transformatsiya bo‘yicha yangiliklar. https://e-gov.uz/en SUN’IY INTELLEKT VA INNOVATSION YONDASHUV ASOSIDA KADRLAR TAYYORLASH Abdushukurova Nozimabonu Abdullo qizi, Mirzo Ulug‘bek nomidagi O‘zbekiston Milliy Universiteti o‘qituvchisi abdushukurova1997@mail.ru Annotatsiya. Ushbu maqolada sun’iy intellekt (SI) va innovatsion texnologiyalarni kadrlar tayyorlash tizimiga integratsiya qilishning strategik ahamiyati yoritilgan. Tadqiqotda adaptiv ta’lim modellari, VR/AR simulyatsiyalari va Big Data tahlillari asosida ta’lim jarayonini mehnat bozori talablariga moslashtirish masalalari tahlil qilinadi. Shuningdek, neyro-interfeyslar yordamida o‘quv samaradorligini oshirish va individual ta’lim traektoriyalarini shakllantirishning istiqbolli yo‘nalishlari bo‘yicha amaliy tavsiyalar berilgan. Kalit so‘zlar: Sun’iy intellekt, innovatsion yondashuv, kadrlar tayyorlash, adaptiv ta’lim, VR/AR simulyatsiyalar, Big Data, raqamli egizaklar, inson kapitali, mehnat bozori. Аннотация. В данной статье рассматривается стратегическое значение интеграции искусственного интеллекта (ИИ) и инновационных технологий в систему подготовки кадров. В исследовании анализируются вопросы адаптации образовательного процесса к требованиям рынка труда на основе адаптивных моделей обучения, симуляций VR/AR и анализа Big Data. Также даны практические 778