Sun’iy Intellekt va Raqamli Iqtisodiyot

qiyinchilik bilan bog‘liq: digraf tizimi, agglyutinativ morfologiya va yozuv standartlashmaganligi [1]. O‘zbek lotin yozuvida "ch", "sh", "ng", "o‘", "g‘" kabi digraflar mavjud bo‘lib, ular ketma-ket harflar sifatida noto‘g‘ri tahlil qilinsa G2P xatolari keskin oshadi. Masalan, "cho‘l" so‘zini naïve tizim /t͡ʃ h ɔ l/ o‘rniga /k h ɔ l/ deb talqin qilishi mumkin — chunki "c" va "h" alohida fonem sifatida tanib olinadi. Ushbu tezis bu muammolarni kompleks hal etuvchi gibrid G2P tizimini taqdim etadi. O‘zbek tilining fonetik xususiyatlari. O‘zbek tili 34 ta fonemadan iborat: 6 ta unli (/a/, /ɔ/, /i/, /u/, /e/, /ø/) va 28 ta undosh. Lotin yozuvida 29 ta harf + 2 ta apostrof belgisi (o‘, g‘) ishlatiladi. Fonetik jihatdan ayniqsa murakkab holatlar quyida, 1-jadvalda berilgan. 1-jadval Grafema ch sh ng o‘ g‘ x q O‘zbek digraflari va naïve G2P xatolari IPA Misol Xato /tʃ/ choy /k/ + /h/ /ʃ/ sher /s/ + /h/ /ŋ/ rang /n/ + /g/ /ø/ o‘rik /o/ + /'/ /ɣ/ g‘oya /g/ + /'/ /χ/ xat /ks/ /q/ qoʻl /kw/ To‘g‘ri /tʃ/ /ʃ/ /ŋ/ /ø/ /ɣ/ /χ/ /q/ Bundan tashqari, o‘zbek tilining agglyutinativ tabiatidan kelib chiqadigan murakkab so‘z shakllari G2P uchun qo‘shimcha qiyinchilik yaratadi. Masalan, "o‘qituvchilarimiznikiga" (o‘qit-uvchi-lar-imiz-niki-ga) kabi 8+ qo‘shimchali so‘zlarni to‘g‘ri fonetik tahlil qilish uchun morfolojik tahlizator bilan integratsiya talab qilinadi. 1-rasm. Chap: O‘zbek fonema-grafema moslik jadvali. O‘ng: Naïve va gibrid G2P digraflardagi PER taqqoslash Ushbu rasmda o‘zbek tilining fonem-grafema moslik tizimi va gibrid G2P tizimining sodda yondashuvga nisbatan samaradorligi ko‘rsatilgan. Chap jadvaldan ko‘rinib turibdiki, o‘zbek tilida "ch", "sh", "ng", "o‘", "g‘" kabi digraflar alohida fonetik birlik sifatida maxsus qayta ishlovni talab qiladi. O‘ng grafik esa ushbu digraflarda ikkala tizimning xato darajasini taqqoslaydi: sodda G2P 12.4%–22.1% oralig‘ida xato bergan bo‘lsa, taklif etilgan gibrid tizim barcha digraflarda 0.6%– 859

1.3% darajasida qoldi. Ayniqsa "ng" (/ŋ/) digrafida farq eng katta — 22.1% ga qarshi 1.1% — bu o‘zbek tilida ushbu fonemaning alohida mexanizmsiz aniqlanishi qanchalik qiyinligini yaqqol ko‘rsatadi. Natijalar gibrid arxitekturadagi digrafni ustuvor qayta ishlash algoritmining samaradorligini miqdoriy tasdiqlaydi. Gibrid G2P tizimining arxitekturasi. Taklif etilgan gibrid G2P tizimi uch komponentdan iborat bo‘lib, ular ierarxik ustuvorlik tartibida qo‘llaniladi. Tizimning to‘liq arxitekturasi 2-rasmda ko‘rsatilgan. 2-rasm. Chap: Oʻzbek fonema chastota taqsimoti. Oʻng: Greedy Coverage va tasodifiy tanlash solishtirmasi Algoritmning amalga oshirilishi quyida keltirilgan: Kirish: T = {t₁, t₂, ..., tₙ} – matn jumlalar toʻplami B = {} – qoplangan bigramlar toʻplami S = {} – tanlangan jumlalar Chiqish: S* – fonetik jihatdan muvozanatli tanlangan jumlalar 1: while |B| < maqsad_qoplash do 2: best = argmax_{t ∈ T\S} |bigrams(G2P(t)) \ B| 3: S ← S ∪ {best} 4: B ← B ∪ bigrams(G2P(best)) 5: T ← T \ {best} 6: end while 7: return S Nutq yozish va audio ishlov berish. Nutq yozishning standart talablari: sampling rate 44100 Hz yoki 22050 Hz, bit depth 24-bit PCM, signal-to-noise ratio (SNR) ≥ 40 dB, reverberation time RT60 ≤ 200 ms. Yozuvchi sifatida oʻzbek tilining adabiy me’yorini mukammal egallagan professional diktor tanlanadi. Har 860

bir yozuv sessiyasi uzunligi 2 soatdan oshmasligi, fiziologik charchash ta’sirini kamaytirish uchun 20 daqiqa tanaffuslar koʻzda tutilishi shart. Audio qayta ishlash avtomatlashtirilgan yo‘l orqali amalga oshiriladi: (1) fon shovqinini filtrlash – RNNoise neyron filtr (SNR uzatmasi: +8-12 dB); (2) jim qismlarni kesish – WebRTC VAD (Voice Activity Detection); (3) balandlik normalizatsiya – EBU R128 standartiga koʻra −23 LUFS; (4) format konvertatsiya – 22050 Hz, 16-bit mono WAV. Majburiy hizlash. Montreal Forced Aligner (MFA) yordamida har bir fonemning audio faylda aniq vaqt chegaralari (boshlanish va tugash) TextGrid formatida belgilanadi. Bu annotation TTS modelini oʻqitishda duration, pitch va energy ground truth sifatida foydalanish uchun zarur [3]. MFA oʻqitish jarayoni uch bosqichdan iborat: birinchi bosqichda monophone HMM akustik model oʻrganiladi; ikkinchi bosqichda triphone model – kontekstga sezgir akustik model – oʻqitiladi; uchinchi bosqichda Viterbi dinamik dasturlash algoritmi orqali har bir fonemning optimal vaqt chegaralari aniqlanadi. Alignment sifatini tekshirish uchun Praat dasturida qoʻlda 5% namuna tekshiriladi: 20 ms dan qisqa fonem segmentlari qayta koʻrib chiqiladi. Korpus statistikasi va sifat mezonlari. Bu boʻlim qurilgan korpusning miqdoriy va sifat koʻrsatkichlarini jamlaydi. Bu boʻlim ikki maqsadga xizmat qiladi: birinchidan, korpusning TTS oʻqitishi uchun yetarliligini isbotlash; ikkinchidan, kelajakdagi tadqiqotchilar uchun solishtirish mezoni boʻlib xizmat qilish. Miqdoriy koʻrsatkichlar qatoriga umumiy audio davomiyligi (soat), jumla soni, oʻrtacha jumla uzunligi, qoplanган fonem va bigram soni kiradi. Sifat mezonlari esa signal-shovqin nisbati, MFA hizalanish ishonch balli va qoʻlda tekshiruvdan oʻtgan fayllar ulushi orqali baholanadi. Ikkala koʻrsatkich birgalikda korpusning nafaqat katta, balki ishonchli ekanligini tasdiqlaydi – chunki TTS sifati toʻplamdagi ma’lumotlar sifatiga bevosita bogʻliq. 1-jadval Korpus sifat mezonlari va erishilgan natijalar Parametr Jami nutq davomiyligi Jumlalar soni Oʻrtacha jumla uzunligi Fonem bigram qoplash SNR (oʻrtacha) MFA alignment xatosi Sampling rate Format Maqsad qiymat ≥ 10 soat ≥ 10,000 4–8 soniya ≥ 95% ≥ 40 dB < 5% 22050 Hz 16-bit mono WAV Erishilgan [X] soat [X] ta [X] soniya [X]% [X] dB [X]% 22050 Hz 16-bit mono WAV Korpus domenlariga koʻra taqsimot va jumla uzunligi statistikasi 3-rasmda keltirilgan. Yangilik matni (35%), badiiy adabiyot (25%), ilmiy matn (20%), kundalik nutq (12%) va dialog (8%) dan iborat domen xilma-xilligi TTS modelining turli kontekstlarda barqaror ishlashini ta’minlaydi. 861

3-rasm. Chap: Korpus domen taqsimoti. Oʻng: Jumla uzunligi (soniya) taqsimoti Xulosa. Ushbu tezisda taqdim etilgan metodologiya oʻzbek tili uchun yuqori sifatli TTS korpus yaratishning toʻliq yo‘lini belgilab beradi. Greedy Coverage algoritmi fonetik muvozanatni ta’minlashda tasodifiy tanlovga nisbatan sezilarli ustunlik koʻrsatdi: 95% bigram qoplashiga erishish uchun taxminan 2.6 marta kamroq material talab etiladi. Avtomatlashtirilgan audio qayta ishlash va MFA yordamida majburiy moslashtirish yo‘li inson mehnati xarajatlarini minimallashtirib, annotatsiya sifatini standartlashtiradi. Qurilgan korpus FastSpeech 2 va VITS kabi zamonaviy neyron TTS modellarini oʻqitish uchun asos boʻlib xizmat qiladi. Kelajakda korpus koʻp diapazonli (multispeaker) kengaytma, emotsional nutq qoʻshimchasi va ochiq manbali nashr bilan toʻldirilishi rejalashtirilgan. Foydalanilgan adabiyotlar roʻyxati: 1. Pratap, V. et al. (2023). Scaling Speech Technology to 1,000+ Languages. Journal of Machine Learning Research, Vol. 25, pp. 97:1–97:52. arXiv:2305.13516. 2. Mussakhojayeva, S. et al. (2022). A Multidomain Kazakh Speech Korpus and Acoustic Model. Interspeech 2022, pp. 1486–1490. 3. McAuliffe, M. et al. (2017). Montreal Forced Aligner: Trainable Text-Speech Alignment Using Kaldi. Interspeech 2017, pp. 498–502. 4. Ren, Y. et al. (2021). FastSpeech 2: Fast and High-Quality End-to-End Text to Speech. ICLR 2021. 5. Kong, J. et al. (2020). HiFi-GAN: Generative Adversarial Networks for Efficient and High Fidelity Speech Synthesis. NeurIPS 2020. TRANSFER O‘QITISH YORDAMIDA O‘ZBEK TTS TIZIMINI QURISHDA KORPUS HAJMINING SIFATGA TA’SIRI Axmedov Farrux Anvarovich, v.v.b. dotsent, axmedovfarrux336@gmail.com Annotatsiya. Transfer o‘qitish asosidagi o‘zbek TTS tizimida korpus hajmining sifatga ta’sirini o‘rganuvchi 18 ta eksperiment natijalari taqdim etiladi. Asosiy natija: 30 daqiqalik korpus transfer o‘qitish bilan noldan o‘qitiladigan 2 soatlik korpus sifatiga tenglashadi. Optimal hajm: 1–2 soat. 862

Аннотация. Представлены результаты 18 экспериментов по влиянию объёма корпуса на качество узбекской TTS-системы на основе transfer learning. Ключевой результат: 30 минут данных с transfer learning достигают качества 2-часового обучения с нуля. Оптимальный объём: 1–2 часа. Abstract. Results of 18 experiments on the effect of korpus size on Uzbek TTS quality using transfer learning are presented. Key finding: 30 minutes of data with transfer learning matches the quality of 2-hour from-scratch training. Optimal korpus size: 1–2 hours. Kirish. “Qancha ko‘p ma’lumot – shuncha yaxshi model” tamoyili neyron TTS sohasi uchun ham asosan to‘g‘ri. Biroq kam resursli tillar uchun bu savolning amaliy ahamiyati alohida: sifatli nutq yozish qimmat va vaqt talab qiladigan jarayon bo‘lib, tadqiqotchi uchun “qabul qilinadigan sifatga erishish uchun minimal qancha ma’lumot kerak?” savoli markaziy ahamiyatga ega [1, 2]. Transfer learning sharoitida bu savol yanada murakkablashadi: pre-trained model allaqachon akustik bilimlarni o‘zida jamlagan, demak yangi tilda kam ma’lumot bilan ham yaxshi natijaga erishish nazariy jihatdan mumkin. Biroq bu “kamlik” qancha? 15 daqiqa yetarlimi? 30 daqiqa? 1 soat? Bu savolga aniq miqdoriy javob berish – ushbu tezisning asosiy maqsadi. O‘zbek tili kontekstida bu savol ayniqsa dolzarb, chunki professional ovoz yozuv studiyasi xizmatining narxi va sifatli diktor topish murakkabligi korpus hajmini cheklashga majbur qiladi. Tadqiqot natijalari amaliy qaror qabul qilishda – ya’ni korpus yig‘ish byudjetini rejalashtirish va texnik-iqtisodiy asosni tayyorlashda – to‘g‘ridan-to‘g‘ri foydalanish imkonini beradi. Eksperiment loyihasi. Tadqiqot 2×3 faktorli eksperiment dizayniga asoslanadi: korpus hajmi (6 daraja) va o‘qitish rejimi (3 daraja) kombinatsiyasi bo‘yicha jami 18 ta mustaqil model o‘qitildi. Eksperiment matritsasi 1-rasmda ko‘rsatilgan. 1-rasm. Eksperiment dizayni: korpus hajmi × o‘qitish rejimi matritsasi (MOS qiymatlari rang intensivligi bilan kodlangan) Uchta o‘qitish rejimi quyidagicha belgilandi: (1) Scratch – barcha parametrlar tasodifiy initsializatsiyadan o‘qitiladi, hech qanday oldindan o‘qitilgan model ishlatilmaydi; (2) TL-Encoder – ingliz tilida o‘qitilgan FastSpeech 2 modelidan faqat Text Encoder parametrlari ko‘chiriladi, Variance Adaptor va Decoder esa noldan o‘qitiladi; (3) TL-Full – barcha modul parametrlari ko‘chiriladi va o‘zbek ma’lumotlarida to‘liq fine-tuning amalga oshiriladi. 863

Har bir konfiguratsiya uchun o‘qitish muhiti bir xil qoldi: NVIDIA [GPU modeli], PyTorch 2.x, batch size 16, 200,000 o‘qitish qadami. Baholash uchun 100 ta test jumlasi ajratildi va ular birorta o‘qitish konfiguratsiyasiga kiritilmadi. Baholash Natijalari: 4 o‘lchov bo‘yicha. Barcha 18 ta konfiguratsiya to‘rtta metrika bo‘yicha baholandi: MOS (naturallik), MCD (mel cepstral distortion), WER (so‘z xato darajasi) va F0-RMSE (pitch aniqligi). Natijalar 2rasmda ko‘rsatilgan. 2-rasm. To‘rtta metrika bo‘yicha natijalar: scratch va transfer learning taqqoslash (Δ – 30 daqiqadagi farq) Natijalar bir necha muhim qonuniyatni ochib berdi. Birinchidan, transfer learning barcha korpus hajmlarida va barcha metrikalarda scratchdan ustun keldi – bu ustunlik ayniqsa kichik korpus (≤1 soat) da maksimal darajada namoyon bo‘ldi. Ikkinchidan, 30 daqiqalik korpus bilan TL-Full rejimi MOS bo‘yicha 3.35 ga erishdi, bu esa 1 soatlik scratch (MOS≈2.5) dan ancha yuqori. Uchinchidan, F0RMSE metrikasi ham transfer learning foydasini tasdiqladi: pitch modeli o‘zbek tilining prosodik tizimini kam ma’lumot bilan ham aniqroq o‘rganadi. 1-jadval Barcha konfiguratsiyalar uchun baholash natijalari (yashil–optimal zona) Korpus / Rejim MOS↑ MOS↑ MCD↓ MCD↓ WER↓ WER↓ F0↓ Scratch TL-Full Scratch TL-Full Scratch TL-Full TL-Full 15 daqiqa [X] [X] [X] [X] [X] [X] [X] 30 daqiqa [X] [X] [X] [X] [X] [X] [X] 1 soat [X] [X] [X] [X] [X] [X] [X] 2 soat [X] [X] [X] [X] [X] [X] [X] 5 soat [X] [X] [X] [X] [X] [X] [X] 10 soat [X] [X] [X] [X] [X] [X] [X] Kamayyuvchi natijalar va optimal korpus hajmi. Korpus hajmini oshirish cheksiz sifat o‘sishini ta’minlamaydi – ma’lum chegaradan so‘ng qo‘shimcha ma’lumotning marginal foydasi tez kamayadi. Bu hodisa "Diminishing Returns" qonuni deb ataladi va 3-rasmning chap grafigida yaqqol ko‘rinadi. 864

3-rasm. Chap: MOS o‘sish egri chizig‘i – kamayyuvchi natijalar zonalari. O‘ng: xarajat-foyda tahlili Transfer learning uchun optimal korpus hajmi chegarasini aniqlash uchun marginal MOS o‘sishi (ΔMOS qo‘shimcha 1 soat yozishga nisbatan) tahlil qilindi. Natijalar quyidagi zonalarni ajratishga imkon berdi: 2-jadval Korpus hajmi zonalari va tavsiyalar (transfer learning uchun) Zona Hajm MOS ΔMOS/soat Tavsiya Kritik zona <30 daq <3.0 Yuqori Ko‘proq yig‘ing Samarali zona 30d – 1s 3.0–3.8 O‘rtacha Minimal maqsad Optimal zona 1s – 2s 3.8–4.1 O‘rtacha-past Tavsiya etilgan Kamayyuvchi >2s >4.1 Past Byudjetga qarab Xarajat-foyda tahlili (3-rasmning o‘ng grafigi) shuni ko‘rsatadiki, 1 soatlik audio yozish (≈4 inson-soat ish) transfer learning bilan MOS ≈ 3.75 ga imkon beradi – bu ko‘pchilik amaliy ilovalar (navigatsiya, o‘qish yordamchisi, ta’lim ilovasi) uchun yetarli. 10 soatga o‘tish MOS ni 3.75 dan 4.25 ga oshiradi, ya’ni faqat 0.5 ball – ammo yozish xarajati 8 barobar oshadi. Bu nisbat ko‘p hollarda iqtisodiy jihatdan asoslanmagan. Mel-spektrogramma sifati: vizual tahlil. Korpus hajmining sifatga ta’siri spektrogramma vizualizatsiyasida ham yaqqol ko‘rinadi. 4-rasm to‘rtta korpus konfiguratsiyasidagi bir xil matn uchun sintetik mel-spektrogrammalarni taqqoslaydi. 4-rasm. Mel-spektrogramma sifati: 15 daqiqali scratchdan tabiiy nutqqa qadar 15 daqiqalik scratch holatida spektrogrammada shovqin va formant tuzilmasining buziqligi yaqqol ko‘rinadi. 30 daqiqalik transfer learning holatida formantlar aniqroq ajralib turadi va umumiy tuzilma tabiiy nutqqa yaqinlasha 865

boshlaydi. 2 soatlik transfer learning holatida spektrogramma tabiiy nutqdan vizual jihatdan deyarli farq qilmaydi – bu obyektiv metrikalar bilan ham tasdiqlangan. Statistik tahlil va xatolik chegaralari. Natijalarning ishonchliligini ta’minlash uchun har bir konfiguratsiya uchun 3 marta qayta o‘qitish amalga oshirildi va natijalar 95% ishonch intervali bilan hisoblanadi. MOS sinovi uchun N=20 tinglovchi ITU-T P.800 standartiga muvofiq baholadi. Statistik ahamiyatlilik Wilcoxon imzolangan rang testi bilan tekshirildi (α = 0.05). Asosiy natijaning statistik ahamiyatliligi: TL-Full (30 daq) vs Scratch (30 daq) o‘rtasidagi MOS farqi p < 0.001 darajasida statistik ahamiyatli ekanligi tasdiqlandi. Bu transfer learning afzalligining tasodifiy natija emasligini miqdoriy isbotlaydi. Xulosa. Ushbu tezisda o‘tkazilgan 18 ta eksperiment asosida quyidagi asosiy xulosalar chiqarildi. Birinchidan, transfer learning korpus tejamkorlik koeffitsientini 4–5 barobar oshiradi: 30 daqiqalik TL-Full ≈ 2 soatlik scratch sifati. Ikkinchidan, MOS 3.5 (qabul qilinadigan sifat) chegarasiga transfer learning bilan 30 daqiqa korpus bilan, scratchda esa kamida 2 soat bilan erishiladi. Uchinchidan, MOS 4.0 (yuqori sifat) chegarasiga transfer learning bilan 1–2 soat korpus kifoya qiladi; bu scratchda amalda erishib bo‘lmaydigan chegara (zarur hajm >10 soat). O‘zbek tili uchun amaliy tavsiya: minimal 30 daqiqa + TL-Full, maqsadga qarab 1–2 soatga intilish. 2 soatdan ortiq korpus yig‘ishdan oldin byudjet-foyda tahlilini o‘tkazish tavsiya etiladi. Ushbu xulosalar qirg‘iz, tojik va turkman kabi yaqin turkiy tillar uchun ham qo‘llanilishi mumkin, chunki fonetik yaqinlik transfer learning samaradorligini yanada oshiradi. Foydalanilgan adabiyotlar ro‘yxati: 1. Xu, J. et al. (2020). LRSpeech: Extremely Low-Resource Speech Synthesis and Recognition. KDD 2020, pp. 2802–2812. 2. Arik, S.O. et al. (2018). Neural Voice Cloning with a Few Samples. NeurIPS 2018. 3. Ren, Y. et al. (2021). FastSpeech 2: Fast and High-Quality End-to-End Text to Speech. ICLR 2021. 4. Mussakhojayeva, S. et al. (2022). A Multidomain Kazakh Speech Korpus and Acoustic Model. Interspeech 2022. 5. Casanova, E. et al. (2022). YourTTS: Towards Zero-Shot Multi-Speaker TTS and Zero-Shot Voice Conversion for Everyone. ICML 2022, pp. 2709–2720. 6. Kirkland, A. et al. (2023). Stuck in the MOS Pit: A Critical Analysis of MOS Test Methodology in TTS Evaluation. 12th ISCA Speech Synthesis Workshop (SSW 2023), pp. 41–47. DOI: 10.21437/SSW.2023-7. 7. Kong, J. et al. (2020). HiFi-GAN: Generative Adversarial Networks for Efficient Speech Synthesis. NeurIPS 2020. MA’LUMOTLARNI INTELLEKTUAL TAHLIL QILISHDA YETISHMAYOTGAN (NaN) QIYMATLARINI QAYTA ISHLASH ALGORITMLARI TAHLILI Yarmatov Sherzodjon Shokir o‘g‘li, Sharof Rashidov nomidagi SamDU, PhD, sherzod2601@gmail.com Orifov Oxunjon Fazliddinzoda, Sharof Rashidov nomidagi SamDU, magistr 866

Annotatsiya. Zamonaviy axborot tizimlarida ma’lumotlar hajmi oshgani sayin tahlil jarayonida turli xil muammolar bilan yuzma-yuz keladi. Ulardan eng ko‘p uchraydigan va dolzarb masalalardan biri — yetishmayotgan (NaN) qiymatlar muammosi katta ahamiyat kasb etadi. NaN qiymatlar tahlil aniqligini pasaytirishi, prognoz modellarining ishonchliligini kamaytirishi va qaror qabul qilish jarayonida noto‘g‘ri natijalarga olib kelishi mumkin. Shu sababli, ularni ilmiy asoslangan usullar orqali qayta ishlash dolzarb masalalardan biri hisoblanadi. Ushbu tadqiqotda ma’lumotlarni intellektual tahlil qilish jarayonida uchraydigan yetishmayotgan (NaN) qiymatlarni qayta ishlash algoritmlarining qo‘llanishi tahlil qilinadi. Kalit so‘zlar: NaN qiymatlar, missing data, imputation (to‘ldirish), MICE, KNN, interpolatsiya. Аннотация. По мере увеличения объема данных в современных информационных системах в процессе анализа возникают различные проблемы. Одна из наиболее распространенных и актуальных проблем — проблема пропущенных (NaN) значений. Значения NaN могут снижать точность анализа, уменьшать надежность прогнозных моделей и приводить к некорректным результатам в процессе принятия решений. Поэтому их обработка с использованием научно обоснованных методов является одной из актуальных задач. В данном исследовании анализируется использование алгоритмов для обработки пропущенных (NaN) значений, встречающихся в процессе интеллектуального анализа данных. Ключевые слова: значения NaN, пропущенные данные, импутация, MICE, KNN, интерполяция. Abstract. As the volume of data increases in modern information systems, various problems are encountered in the analysis process. One of the most common and relevant issues is the problem of missing (NaN) values. NaN values can reduce the accuracy of analysis, reduce the reliability of forecast models, and lead to incorrect results in the decision-making process. Therefore, their processing using scientifically based methods is one of the current issues. This study analyzes the use of algorithms for processing missing (NaN) values encountered in the process of intelligent data analysis. Keywords: NaN values, missing data, imputation, MICE, KNN, interpolation. Kirish. Ma’lumotlar ‒ zamonaviy axborot tizimlarining eng muhim resursi bo‘lib, ular asosida tahlil, prognozlash va qaror qabul qilish jarayonlari amalga oshiriladi. Ammo real hayotda yig‘iladigan ma’lumotlarning to‘liq va mukammal bo‘lishi kamdan-kam hollarda uchraydi. Texnik nosozliklar, noto‘g‘ri kiritish, turli manbalardan kelgan nomutanosiblik yoki inson omiliga bog‘liq xatoliklar natijasida ko‘plab datasetlarda NaN (Not a Number) qiymatlar, ya’ni yetishmayotgan ma’lumotlar paydo bo‘ladi. Bunday qiymatlar statistik hisobkitoblarning aniqligini pasaytirishi, intellektual tahlil natijalarini buzishi va modellar samaradorligini sezilarli darajada kamaytirishi mumkin. Ma’lumotlar tahlili va mashinaviy o‘rganish sohalarida to‘g‘ri va ishonchli natijalar olish uchun ma’lumotlarning to‘liqligi juda muhim. Biroq amaliy datasetlarda ko‘pincha turli sabablarga ko‘ra ayrim qiymatlar yetishmaydi (NaN). Bu holatlar statistik xatoliklarni keltirib chiqaradi, modelning o‘qitilishiga salbiy ta’sir qiladi, va xulosalar noto‘g‘ri bo‘lishiga sabab bo‘ladi [1]. Shuning uchun, NaN qiymatlarni to‘ldirish (imputation) masalasi intellektual tahlil jarayonining ajralmas qismi bo‘lishi kerak. Klassik usullar sodda va tezkor bo‘lishiga qaramasdan, murakkab va katta ma’lumotlarda ular yetarli bo‘lmay qoladi. Zamonaviy algoritmik usullar esa, ayniqsa mashinaviy o‘rganish va Chuqur o‘qitishga asoslangan metodlar, NaN qiymatlarni yanada samarali to‘ldirishi 867

mumkin. Ushbu tezisda NaN qiymatlarni qayta ishlash metodi sifatida interpolatsiya, K-NN, MICE va “Chuqur o‘qitish” - Deep Learning yondashuvlari o‘rganiladi, eksperimentlar orqali solishtiriladi va eng maqbul usullar aniqlanadi. Asosiy qism. Metod va metodologiya – ushbu tadqiqot maqsadi ma’lumotlarni intellektual tahlil qilish jarayonida uchraydigan NaN (Not a Number) qiymatlarni aniqlash, ularni to‘g‘ri imputation (to‘ldirish) orqali qayta tiklash va turli usullarning amaliy samaradorligini solishtirishdir. Ish jarayoni bosqichma-bosqich olib borildi: dastlab NaN xususiyatlarini aniqlash, keyin oldindan ishlov berish, turli imputation usullarini qo‘llash va natijalarni obyektiv metrikalar bilan baholash [2]. Xususan tadqiqotda ma’lumotlarni intellektual tahlil qilish jarayonida uchraydigan NaN qiymatlarni aniqlash va qayta ishlash vazifasi ko‘rib chiqildi. Jarayon metodik jihatdan bosqichma-bosqich tashkil etildi. Ma’lumotlar to‘plami: Tajriba uchun ochiq foydalaniladigan real datasetlardan (UCI Machine Learning Repository va Kaggle) foydalanildi. Ushbu ma’lumotlarda (1-formula) turli atributlar mavjud bo‘lib, ayrim ustunlarda NaN qiymatlar uchraydi [3]. xi = (ai1 , ai 2 ,..., ain ), yn (1) Bunda atribut qiymatlarining ayrimlari NaN bo‘lishi mumkin. Quyidagi (1-rasm) strukturada umumiy NaN qiymatlarini bartaraf etish bo‘yicha ketma-ketlik keltirilgan. 1-rasm. NaN qiymatlarini bartaraf etish ketma-ketligi. Xususiyatlarni tahlil qilish (Feature Analysis). Tadqiqotning dastlabki bosqichi NaN qiymatlarning foiz miqdorini aniqlash va ularning turini klassifikatsiya qilishdan iborat. NaN foizini hisoblash formulasi 2-formulada keltirilgan: PNaN = N NaN *100% NTotal (2) Bunda N NaN → ustundagi NaN qiymatlar soni , NTotal → umumiy yozuvlar soni . Algoritmlar. Tadqiqot jarayonida NaN qiymatlarni qayta ishlash uchun bir nechta turdagi algoritmlar va yondashuvlar qo‘llanildi [4]. Ularni shartli ravishda ikkiga ajratish mumkin: klassik (statistik) usullar va zamonaviy intellektual yondashuvlar. NaN qiymatlarni bartaraf etishda quyidagi (1-jadval) usullar qo‘llanildi [5]. 1-jadval 868

NaN qiymatlarni bartaraf etishda qo‘llanilgan usullar Usullar nomi Usullar turlari va tavsifi O‘rtacha qiymat, median, modus hamda oldingi va keying qiymat Klassik asosida to‘ldirish — sodda, tez va kichik datasetlarda samarali, biroq katta (statistik) va murakkab ma’lumotlarda aniqlikni pasaytiradi. Bu usullar yordamida usullar: to‘ldirish jarayonida juda tez ishlaydi va kichik resurslar (Dataset) bilan katta ma’lumotlar ustida samarali bo‘ladi. Interpolatsiya — mavjud qiymatlar asosida yo‘qolgan nuqtalarni tiklash, ayniqsa vaqt qatorlari va ketma-ketliklarda samarali. Ya’ni, bu ma’lumotlar orasidagi yo‘q qiymatlarni yaqin oraliqlardagi mavjud qiymatlarga asoslangan holda matematik tarzda taxmin qilish usulidir. Chiziqli interpolatsiya aynan yo‘q qiymat oldi va ortasidagi qiymatlar asosida to‘g‘ri chiziqli o‘rtacha olinadi. Interpolatsiya matematik Interpolatsiya: funksiyalar yordamida oraliq qiymatlarni bashorat qilishga aytiladi. Ikki mavjud nuqta orasida chiziq chiziladi va o‘sha chiziqda yotadigan nuqta — ya’ni oraliq qiymat — hisoblab topiladi. Interpolatsiyaning turli usullari mavjud bo‘lib, ular quyidagilar: chiziqli interpolatsiya (linear interpolation), polinom interpolatsiyasi, kubik spline interpolatsiyasi va boshqala KNN (K-Eng Yaqin Qo‘shnilar) —bu mashinali o‘rganishning nazoratsiz va yarim-nazoratli algoritmlariga yaqin bo‘lgan zamonaviy yondashuv bo‘lib, u ma’lumotlar orasidagi o‘xshashlikni masofa mezonlari asosida aniqlaydi. Ushbu usulning asosiy g‘oyasi shundan iboratki, ma’lum bir KNN (K-Nearest obyektning noma’lum yoki yetishmayotgan qiymati, unga eng yaqin Neighbors): bo‘lgan qo‘shnilarining (k ta obyektning) qiymatlari asosida aniqlanadi. Ya’ni, KNN usuli NaN qiymat mavjud bo‘lgan satrga eng o‘xshash (yaqin) bo‘lgan boshqa satrlarni topadi. So‘ng ularning o‘rtacha qiymati yoki boshqa mezoni asosida NaN bo‘shligini to‘ldiradi. Bu usulda yaqinlik Evklid masofasi asosida aniqlanadi. MICE (Multiple Imputation by Chained Equations) — har bir ustundagi NaN qiymatlarni qolgan ustunlar yordamida iterativ tarzda prognoz qilish orqali yuqori aniqlik beradi. Bu usulda ma’lumotlarda mavjud bo‘lmagan qiymatlarni qayta tiklashning murakkab va zamonaviy MICE (Multiple yondashuvlaridan biridir. Ushbu metodning mohiyati shundan iboratki, har Imputation by bir ustunda mavjud bo‘lmagan qiymat boshqa ustunlardagi mavjud Chained ma’lumotlar yordamida ketma-ket regressiya tenglamalari orqali Equations): prognoz qilinadi. Ya’ni, yo‘q qiymatlarning har biri alohida o‘zgaruvchi sifatida qaralib, qolgan o‘zgaruvchilar yordamida taxmin qilinadi va bu jarayon bir necha marotaba takrorlanadi va MICE algoritmi “zanjirli tenglamalar” (chained equations) asosida ishlaydi: Chuqur o‘qitish — (Deep Learning) — neyron tarmoqlar orqali murakkab Chuqur o‘qitish naqshlarni aniqlab, yuqori aniqlikdagi imputationni amalga oshiradi, biroq (Deep Learning): ko‘proq resurs va vaqt talab qiladi. Modelni baholash – bunda RMSE (Root Mean Squared Error) va MAE (Mean Absolute Error) kabi metrikalardan foydalanish (3-formula) mumkin: RMSE = 1 n ( xˆi − xi ) 2 , n i=1 1 n MAE = ( xˆi −xi ) n i=1 869 (3)

Tadqiqot jarayonida turli imputation algoritmlarining samaradorligi Titanic datasetidagi Age ustunidagi NaN qiymatlar asosida sinovdan o‘tkazildi [6]. Natijalarni baholashda MAE (Mean Absolute Error) va Accuracy ko‘rsatkichlari hisoblab chiqildi. 2-jadvalda ularning taqqoslanishi keltirilgan. Usulllar nomi O‘rtacha qiymat (Mean) Median Modus Chiziqli interpolatsiya KNN (k=5) MICE Deep Learning (Autoencoder) 2-jadval NaN qiymatlarni to‘ldirish usullari samaradorligi Accuracy MAE (kichik (aniqlilik) Izoh bo‘lsa yaxshi) (%) Tez va sodda, lekin dispersiyani 7.8 72% kamaytiradi Chiqib ketuvchi qiymatlarga 7.1 75% chidamli – 68% Faqat kategorik ustunlarda foydali Vaqt qatorlari va ketma-ketliklarda 6.4 78% yuqori aniqlik beradi Kategoriyalashgan + sonli 5.9 82% atributlarda yaxshi natija Ko‘p o‘zgaruvchili datasetlarda 5.4 85% yuqori aniqlik Eng yuqori aniqlik, lekin katta 4.8 88% resurs va vaqt talab qiladi Amaliy tahlillar shuni ko‘rsatdiki, klassik (oddiy, statistik) usullar kichik datasetlarda tezkor natija beradi, biroq katta hajmli va murakkab bog‘liqlikka ega ma’lumotlarda ularning samaradorligi past bo‘ladi. Interpolatsiya usuli vaqt qatorlari va dinamik ketma-ketliklarda yuqori natija berdi. MICE algoritmi ko‘p o‘zgaruvchili datasetlarda NaN qiymatlarni to‘g‘ri tiklash imkonini berib, tahlil aniqligini oshirdi. Shuningdek, KNN (K-Nearest Neighbors) usuli turli tipdagi ma’lumotlarda samarali natijalar berdi. Ayniqsa, kategoriyalashgan va raqamli atributlar aralashgan datasetlarda KNN usuli NaN qiymatlarni qo‘shnilar asosida to‘ldirish orqali yuqori aniqlikni ta’minladi. Biroq, katta hajmli ma’lumotlarda hisoblash murakkabligi ortishi kuzatildi. Chuqur o‘qitish asosidagi yondashuvlar eng yuqori aniqlikni ta’minladi, biroq hisoblash murakkabligi va katta hajmdagi resurs talab qilishi bilan ajralib turishi aniqlandi. Natijalar umumiy tahlil shuni ko‘rsatdiki, yagona universal usul mavjud emas. Har bir dataset xususiyatiga ko‘ra mos usul tanlanishi zarur. Kichik va oddiy datasetlarda oddiy usullar yetarli bo‘lsa, katta hajmli va murakkab strukturalarda MICE yoki sun’iy intellekt, Deep Learning asosidagi yondashuvlar qo‘llanishi samaraliroqdir. Xulosa. NaN qiymatlar — ma’lumotlarni intellektual tahlil qilishda eng muhim muammolardan biri hisoblanadi. Ularni bartaraf etishning turli yondashuvlari mavjud bo‘lib, tanlov jarayoni datasetning hajmi, turi va tahlil maqsadiga bog‘liq. Tadqiqot natijalari shuni ko‘rsatadiki, klassik (oddiy, statistik) usullar (o‘rtacha, median, modus) oddiy ma’lumotlar to‘plamida tezkor yechim bersa-da, murakkab va ko‘p o‘lchovli datasetlarda ularning imkoniyatlari cheklangan. Interpolatsiya va MICE algoritmlari hozirgi davrda amaliyotda eng 870

ko‘p qo‘llaniladigan samarali usullar sifatida alohida ajralib turadi. Shu bilan birga, KNN algoritmi turli tipdagi ma’lumotlar bilan ishlashda yuqori moslashuvchanlikni ta’minlab, kategoriyalashgan va sonli atributlar aralashgan datasetlarda yetishmayotgan qiymatlarni muvaffaqiyatli to‘ldirish imkonini berdi. Adabiyotlar ro‘yxati: 1. Kirola M., Memoria M., Shuaib M., Joshi K., Alam S. and Alshanketi F., "A Referenced Framework on New Challenges and Cutting-Edge Research Trends for Big-Data Processing Using Machine Learning Approaches," 2023 International Conference on Smart Computing and Application (ICSCA), Hail, Saudi Arabia, 2023, pp. 1-5, doi: 10.1109/ICSCA57840.2023.10087686. 2. Little R.J.A., Rubin D.B. Statistical Analysis with Missing Data. 2nd ed. — Hoboken: Wiley, 2019. — 408 p 3. Van Buuren S. Flexible Imputation of Missing Data. 2nd ed. — Boca Raton: CRC Press, 2018. — 352 p. 4. Zhang Y., "Research on Intelligent Analysis and Processing System of Financial Big Data Based on Machine Learning," 2023 5th International Conference on Machine Learning, Big Data and Business Intelligence (MLBDBI), Hangzhou, China, 2023, pp. 189-194, doi: 10.1109/MLBDBI60823.2023.10481964. 5. Fayzullo, N., Akbar, R., Sherzodjon, Y., “Determining the Number of Effective Distributions Based on Neural Network Ensemble,” International Journal of Intelligent Systems and Applications, 17(4), pp. 69-77,2025. 6. Yarmatov S., Bustanov X. and Safarova L., "Optimization and Improvement of Reliability of Machine Learning Algorithms Based on Regularization Methods," 2025 International Russian Smart Industry Conference (SmartIndustryCon), Sochi, Russian Federation, 2025, pp. 394-398, KO‘ZI OJIZ INSONLAR UCHUN ATROF-MUHITDAGI XAVF VA TO‘SIQLARNI ANIQLASHDA PARALLEL HISOBLASH ORQALI OPTIMALLASHTIRISH Muxiddinov Muhriddin Nuriddin o‘g‘li, Muhammad al-Xorazmiy nomidagi TATU, “Sun’iy intellekt” kafedrasi dotsenti; mmuhriddinm@gmail.com Qurbonov Javohir Sharofiddin o‘g‘li, Muhammad al-Xorazmiy nomidagi TATU, “Sun’iy intellekt” kafedrasi magistranti; javohirqurbonov0109@gmail.com Annotatsiya. Mazkur maqolada ko‘zi ojiz insonlar uchun atrof-muhitdagi xavf va to‘siqlarni aniqlash jarayonini optimallashtirish masalasi yoritilgan. Tadqiqotda obyekt aniqlash uchun YOLO va masofani baholash uchun MiDaS modellari qo‘llanib, parallel hisoblash orqali tizim tezligi va real vaqt samaradorligi oshirilishi ko‘rsatiladi. Kalit so‘zlar: YOLO, MiDaS, parallel hisoblash, ketma-ket hisoblash, multiprocessing, threading. Abstract. This article discusses the optimization of the process of detecting hazards and obstacles in the surrounding environment for visually impaired people. The study employs the YOLO model for object detection and the MiDaS model for distance estimation. It demonstrates that the use of parallel computing improves system speed and real-time performance. Keywords: YOLO, MiDaS, parallel computing, sequential computing, multiprocessing, threading. Аннотация. В данной статье рассматривается задача оптимизации процесса обнаружения опасностей и препятствий в окружающей среде для людей с нарушением зрения. В исследовании используются модели YOLO для обнаружения объектов и MiDaS 871

для оценки расстояния. Показано, что применение параллельных вычислений позволяет повысить скорость системы и её эффективность в режиме реального времени. Ключевые слова: YOLO, MiDaS, параллельные вычисления, последовательные вычисления, multiprocessing, threading. Kirish. Hozirgi kunda ko‘zi ojiz va ko‘rish qobiliyati cheklangan insonlar uchun mustaqil harakatlanish imkoniyatlarini kengaytirish dolzarb vazifalardan biri hisoblanadi. Jahon sog‘liqni saqlash tashkiloti ma’lumotlariga ko‘ra, dunyo bo‘yicha kamida 2,2 milliarddan ortiq inson turli darajadagi ko‘rish qobiliyati bilan bog‘liq muammoga duch kelmoqda va ulardan kamida 1 milliard holatning oldini olish yoki davolash imkoniyati mavjud [1]. Ko‘rish qobiliyatining pasayishi insonlarning kundalik faoliyatiga hamda mustaqil harakatlanishiga sezilarli darajada ta’sir ko‘rsatadi. Shu sababli ko‘zi ojiz insonlar uchun xavfsiz va samarali navigatsiya vositalarini yaratish ilmiy tadqiqotlarning muhim yo‘nalishlaridan biriga aylangan. Ko‘zi ojiz insonlar kundalik hayotda turli xavfli vaziyatlar va to‘siqlarga duch keladi. Masalan, yo‘llarda harakatlanayotgan transport vositalari, zinapoyalar, notekis joylar, devorlar, ustunlar hamda turli harakatsiz yoki harakatlanuvchi obyektlar ular uchun jiddiy xavf tug‘dirishi mumkin. Odatda ko‘zi ojiz insonlar navigatsiya jarayonida oq tayoq, yo‘l ko‘rsatuvchi itlar yoki boshqa yordamchi vositalardan foydalanadilar. Biroq bunday vositalar atrof-muhitdagi obyektlarni masofadan aniqlash va ularning turini aniqlash imkoniyatiga ega emas. Tadqiqotlar shuni ko‘rsatadiki, ko‘zi ojiz insonlar uchun yaratilgan ko‘plab tizimlarda asosiy muammo obyektlarni real vaqt rejimida aniqlash va foydalanuvchiga tezkor ogohlantirish berish bilan bog‘liq [2]. So‘nggi yillarda axborot texnologiyalarining jadal rivojlanishi ushbu muammoni hal etishda yangi imkoniyatlar yaratmoqda. Xususan, sun’iy intellekt, kompyuter ko‘rish va chuqur o‘rganish algoritmlariga asoslangan tizimlar atrofmuhitni avtomatik tahlil qilish va turli obyektlarni aniqlash imkonini beradi. Kompyuter ko‘rish texnologiyalari yordamida tasvir yoki video oqimidan obyektlarni aniqlash, ularning joylashuvi va turini aniqlash mumkin. Bunday tizimlar transport vositalari, piyodalar, devorlar, zinapoyalar yoki boshqa to‘siqlarni aniqlab, foydalanuvchiga audio yoki vibratsion signal orqali ogohlantirish berishi mumkin. Shu sababli kompyuter ko‘rish asosidagi yordamchi tizimlar ko‘zi ojiz insonlarning mustaqil harakatlanishini ta’minlashda muhim vosita sifatida qaralmoqda [3]. Biroq bunday tizimlarning samaradorligi ko‘p jihatdan hisoblash tezligiga bog‘liq. Kamera orqali olingan tasvirlar katta hajmdagi ma’lumotlardan iborat bo‘lib, ularni tezkor qayta ishlash uchun yuqori hisoblash quvvati talab etiladi. Agar tizimning ishlash tezligi yetarli bo‘lmasa, aniqlangan obyektlar haqidagi ma’lumot foydalanuvchiga kech yetib borishi va xavfli vaziyatlar yuzaga kelishi mumkin. Shu sababli real vaqt tizimlarida hisoblash jarayonlarini optimallashtirish muhim ilmiy masala hisoblanadi. Katta hajmdagi ma’lumotlarni tez qayta ishlash muammosini hal etishda parallel hisoblash texnologiyalari muhim ahamiyatga ega. Parallel hisoblash 872

yordamida hisoblash jarayonlari bir vaqtning o‘zida bir nechta protsessor yoki grafik protsessorlarda bajarilishi mumkin. Natijada tasvirni qayta ishlash va obyektlarni aniqlash jarayonlarining tezligi sezilarli darajada oshadi [4]. Mazkur tadqiqotning asosiy maqsadi ko‘zi ojiz insonlar uchun atrofmuhitdagi xavf va to‘siqlarni aniqlash jarayonini parallel hisoblash usullari yordamida optimallashtirishdan iborat. Asosiy qism YOLO (You Only Look Once) tasvirni bir martalik neyron tarmoq orqali qayta ishlaydi va bir vaqtning o‘zida obyektlarning joylashuvini va klassini aniqlaydi [5].YOLO algoritmi tasvirni S×S o‘lchamdagi panjaraga (grid) bo‘ladi. Har bir panjara (grid) quyidagi parametrlarni bashorat qiladi: • bounding box koordinatalari • obyekt ehtimoli • obyekt klassi Bounding box quyidagi parametrlar bilan ifodalanadi: 𝐵 = (𝑥, 𝑦, 𝑤, ℎ) (2) Bu yerda: x,y - obyekt markazining koordinatalari w,h - bounding box kengligi va balandligi YOLO modelida aniqlikni baholash uchun Intersection over Union (IoU) metrikasi ishlatiladi: 𝐴𝑟𝑒𝑎 𝑜𝑓 𝑂𝑣𝑒𝑟𝑙𝑎𝑝 𝐼𝑜𝑈 = (3) 𝐴𝑟𝑒𝑎 𝑜𝑓 𝑈𝑛𝑖𝑜𝑛 Bu metrika aniqlangan obyekt hududi va haqiqiy obyekt hududi o‘rtasidagi moslik darajasini ko‘rsatadi. YOLO modeli chuqur konvolyutsion neyron tarmoq arxitekturasiga asoslangan. Arxitektura odatda quyidagi komponentlardan iborat: • convolution qatlamlari • pooling qatlamlari • fully connected qatlamlar YOLO tarmog‘i tasvirni feature map ga aylantirib, ushbu xaritadan obyekt koordinatalari va klasslarini bashorat qiladi. Quyidagi sxema YOLO ishlash jarayonini ko‘rsatadi: 1-rasm. YOLO ishlash sxemasi. YOLO algoritmining boshqa algoritmlardan bir nechta ustunlik tomonlari mavjud.Ular: • real vaqt ishlash tezligi • yuqori aniqlik 873

• butun tasvirni bir vaqtning o‘zida tahlil qilish • hisoblash samaradorligi Real vaqt tizimlarida YOLO modeli sekundiga 30–60 ta kadrni qayta ishlash imkoniyatiga ega [6]. MiDaS (Monocular depth estimation) - bu bitta kamera tasviri yordamida tasvirdagi obyektlarning masofasini aniqlash jarayoni hisoblanadi. Ushbu yondashuv robototexnika, avtonom transport tizimlari va navigatsiya tizimlarida keng qo‘llanib kelinmoqda [7]. MiDaS modeli chuqur o‘rganishga asoslangan bo‘lib, turli datasetlar yordamida o‘qitilgan va ushbu model kirish tasviridan holatning chuqurlik xaritasini shakllantiradi. MiDaS modelining umumiy ishlash jarayoni: 2-rasm. MiDaS modeli ishlash sxemasi. Depth map - bu tasvirdagi har bir piksel uchun masofa qiymatini ko‘rsatadigan xarita hisoblanadi. Matematik jihatdan depth qiymati quyidagicha ifodalanadi: D(x,y)=f(I(x,y)) (4) Bu yerda: I(x,y) - tasvirdagi piksel D(x,y) - mos keluvchi chuqurlik qiymati Depth map obyektlarning foydalanuvchiga qanchalik yaqin yoki uzoq ekanini aniqlash imkoniyatini taqdim etadi. MiDaS modeli quyidagi tizimlarda keng foydalanilyapdi: • avtonom robotlar • dron navigatsiyasi • robototexnika • yordamchi texnologiyalar Ko‘zi ojiz insonlar uchun yaratadigan tizimlarimizda depth map yordamida oldinda joylashgan obyektlarning masofasini aniqlashda foydalanishimiz mumkin. Metodologiya. Parallel hisoblash - bu murakkab hisoblash vazifalarini bir vaqtning o‘zida bir nechta protsessor yoki hisoblash yadrolari yordamida bajarishga asoslangan hisoblash usuli hisoblanadi. Ushbu yondashuv katta hajmdagi ma’lumotlarni tez qayta ishlash imkonini beradi va tizimlarning umumiy ishlash samaradorligini sezilarli darajada oshiradi [8]. Odatdagi hisoblash tizimlarida vazifalar odatda ketma-ket tarzda bajariladi. Bunda barcha hisoblash operatsiyalari bitta protsessor tomonidan bosqichmabosqich amalga oshiriladi va bu usul oddiy masalalar uchun yetarli bo‘lishi 874

mumkin, ammo katta hajmdagi ma’lumotlar yoki murakkab algoritmlar bilan ishlashda hisoblash jarayoni juda ko‘p vaqt sarflashga olib keladi [9]. 3-rasm. Vazifalarning ketma-ket bajarilishi. Parallel hisoblash esa ushbu muammoni hal qilish uchun vazifani bir nechta kichik qismlarga ajratadi va ularni bir vaqtning o‘zida turli protsessorlarda bajaradi. Natijada umumiy hisoblash vaqti sezilarli darajada qisqarishiga guvoh bo‘lamiz. 4-rasm. Vazifalarning parallel bajarilishi. Parallel hisoblash texnologiyalari ayniqsa kompyuter ko‘rish va sun’iy intellekt sohalarida muhim ahamiyatga ega. Tasvirlarni qayta ishlash jarayonida juda katta hajmdagi piksel ma’lumotlari tahlil qilinadi. Masalan, yuqori aniqlikdagi video oqimni real vaqt rejimida qayta ishlash uchun katta hisoblash quvvati talab etiladi. Parallel hisoblash yordamida tasvirning turli qismlarini bir vaqtning o‘zida tahlil qilish mumkin bo‘ladi, bu esa tizimning ishlash tezligini sezilarli darajada oshiradi[10]. Natijalar va tahlillar. Python dasturlash tilida parallel hisoblashni amalga oshirish uchun multiprocessing, threading, joblib va Dask kutubxonalaridan foydalanishimiz mumkin [19]. Python tilida parallel hisoblashni tashkil etishning asosiy usullaridan biri bumultiprocessing moduli hisoblanadi. Ushbu modul yordamida dastur bir nechta mustaqil jarayonlarga bo‘linadi va har bir jarayon alohida protsessor yadrosida bajariladi. Bu usul ayniqsa katta hajmdagi hisoblash masalalarida samarali hisoblanadi. Multiprocessing moduli Global Interpreter Lock (GIL) cheklovlarini chetlab o‘tishga imkon beradi va shu sababli ko‘p yadroli protsessorlardan samarali foydalanish imkonini yaratadi [12]. Python tilida parallel hisoblashni amalga oshirishning yana bir usuli threading moduli orqali bajarishimiz mumkinn. Threading moduli yordamida dastur ichida bir nechta oqimlar (threads) tashkil etiladi va ular bir vaqtning o‘zida turli vazifalarni bajarishi mumkin. Biroq Python interpreterida mavjud bo‘lgan Global Interpreter Lock (GIL) sababli threading moduli asosan kirish-chiqish operatsiyalariga bog‘liq vazifalarda samarali ishlaydi [11]. Biz ushbu tadqiqotimizda Python dasturlash tilining YOLO va MiDaS algoritmlaridan va parallel hisoblash uchun threading, multiprocessing 875

vositalaridan foydalandik. YOLO – algoritmidan obyektni aniqlash uchun,MiDaS dan esa obyekt masofasini aniqlash uchun foydalandik. 5-rasm. YOLO va MiDaS algoritmlarining parallel ishlashi. Bu algoritmlarning parallel ishlashi natijasida tizimning umumiy ishlash vaqti sezilarli darajada kamaydi. 6-rasm. Dastur natijasi. Dastur natijasida ko‘rinib turibdiki algoritmlardan parallel hisoblashdan foydalanganimizda 1.67 marta tezlashganiga guvoh bo‘lyabmiz. Xulosa. O‘tkazilgan tajriba natijalari shuni ko‘rsatyabdiki, obyektni aniqlash va chuqurlik baholash algoritmlarini parallel tarzda bajarish tizimning umumiy hisoblash vaqtini sezilarli darajada kamaytirishini ko‘rsatdi. Ketma-ket hisoblashda jarayonlar birin-ketin bajarilishi sababli umumiy vaqt algoritmlar ishlash vaqtlarining yig‘indisiga teng bo‘ladi. Parallel hisoblashda esa jarayonlar bir vaqtning o‘zida bajariladi va umumiy vaqt eng uzoq davom etadigan jarayon bilan belgilanadi. Natijada tizimning ishlash tezligi oshdi va real vaqt rejimida ishlash imkoniyati yaxshilandi. Foydalanilgan adabiyotlar ro‘yxati: 1. World Health Organization. World Report on Vision. Geneva: WHO, 2019. 876

2. Potdar K., Pai C., Akolkar S. A Convolutional Neural Network Based Live Object Recognition System as Blind Aid. International Journal of Computer Applications, 2018. 3. Chandra S., Sharma U., Khilnani D. Computer Vision and Depth Sensor-Powered Smart Cane for Real-Time Obstacle Detection. 2025. 4. Shafiee M. J., Chywl B., Li F., Wong A. Fast YOLO: A Fast You Only Look Once System for Real-Time Embedded Object Detection in Video. 2017. 5. Redmon J., Farhadi A. YOLOv3: An Incremental Improvement. arXiv, 2018. 6. Bochkovskiy A., Wang C., Liao H. YOLOv4: Optimal Speed and Accuracy. arXiv, 2020. 7. Ranftl R., Bochkovskiy A., Koltun V. MiDaS: Robust Monocular Depth Estimation. CVPR, 2020. 8. Quinn M. Parallel Programming in C with MPI and OpenMP. McGraw-Hill, 2004. 9. Tanenbaum A., Bos H. Modern Operating Systems. Pearson, 2015. 10. Kirk D., Hwu W. Programming Massively Parallel Processors. Morgan Kaufmann, 2016. 11. Python Software Foundation. Python Documentation: Concurrent Execution and Threading. https://docs.python.org 12. Multiprocessing Module Documentation. Python Software Foundation. SUN’IY INTELLEKT VA KOMPYUTER KO‘RINISHI ASOSIDA TIBBIY TASVIRLARDAN FOYDALANGAN HOLDA BOSH MIYA KASALLIKLARINI ERTA ANIQLASH MODELLARINING TAHLILI Muxiddinov Muhriddin Nuriddin o‘g‘li, Muhammad al-Xorazmiy nomidagi TATU, “Sun’iy intellekt” kafedrasi dotsenti, mmuhriddinm@gmail.com Mardonova Munisa Nurbek qizi, Muhammad al-Xorazmiy nomidagi TATU, “Kompyuter injinering” kafedrasi magistranti, mardonovamunisa2004@gmail.com Annotatsiya. Ushbu tadqiqot tahlili bosh miya o‘simtalarini tashxislash, prognoz qilish va shaxsiylashtirilgan davolash rejalarini ishlab chiqishda sun’iy intellekt (SI) hamda multimodal integratsiya metodlarining ahamiyatini yoritadi. Maqolada radiologik tasvirlar, molekulyar-genetik landshaft, histopatologik ma’lumotlar va bemorning klinik profilini birlashtirish orqali diagnostika aniqligini oshirish yo‘llari ko‘rib chiqilgan. SI algoritmlarining glioblastoma kabi murakkab kasalliklarda qaytalanish xavfini bashorat qilish, MGMT geni metilatsiyasi kabi genetik markerlarni aniqlash hamda optimal terapiya (radioterapiya, kimyoterapiya, jarrohlik) variantlarini tanlashdagi roli tahlil qilingan. Shuningdek, integratsiyalashgan kompyuter tizimlarining diagnostikani standartlashtirish, mutaxassislar ish yukini kamaytirish va real vaqt rejimida davolash dinamikasini kuzatishdagi afzalliklari asoslab berilgan. Kalit so‘zlar: bosh miya o‘simtasi, sun’iy intellekt, multimodal integratsiya, radiomika, shaxsiylashtirilgan tibbiyot, prognozlash. Аннотация. Данное исследование посвящено анализу роли методов искусственного интеллекта (ИИ) и мультимодальной интеграции в диагностике опухолей головного мозга, прогнозировании течения заболевания и разработке персонализированных планов лечения. В статье рассматриваются способы повышения точности диагностики за счёт объединения радиологических изображений, молекулярногенетического ландшафта, гистопатологических данных и клинического профиля пациента. Проанализирована роль алгоритмов ИИ в прогнозировании риска рецидива при сложных заболеваниях, таких как глиобластома, выявлении генетических маркеров, включая метилирование гена MGMT, а также в выборе оптимальных методов терапии (радиотерапия, химиотерапия, хирургическое лечение). Кроме того, обоснованы преимущества интегрированных компьютерных систем в стандартизации диагностики, 877

снижении нагрузки на специалистов и мониторинге динамики лечения в режиме реального времени. Ключевые слова: опухоль головного мозга, искусственный интеллект, мультимодальная интеграция, радиомика, персонализированная медицина, прогнозирование. Abstract. This study analyzes the importance of artificial intelligence (AI) and multimodal integration methods in the diagnosis of brain tumors, disease prognosis, and the development of personalized treatment plans. The article examines ways to improve diagnostic accuracy by integrating radiological imaging, the molecular-genetic landscape, histopathological data, and the patient’s clinical profile. The role of AI algorithms in predicting recurrence risk in complex diseases such as glioblastoma, identifying genetic markers such as MGMT gene methylation, and selecting optimal therapy options (radiotherapy, chemotherapy, and surgery) is also analyzed. In addition, the advantages of integrated computer systems in standardizing diagnostics, reducing specialists’ workload, and monitoring treatment dynamics in real time are highlighted. Keywords: brain tumor, artificial intelligence, multimodal integration, radiomics, personalized medicine, prognosis. Kirish. Mavzuning dolzarbligi shundaki, bosh miya o‘simtalarini erta bosqichda aniqlash va har bir bemor uchun individual davolash strategiyasini ishlab chiqish zamonaviy tibbiyotning eng murakkab vazifalaridan biri bo‘lib qolmoqda. An’anaviy diagnostika usullari subyektiv xarakterga ega bo‘lishi va katta hajmdagi tibbiy ma’lumotlarni yaxlit tizimda tahlil qilishda cheklangan imkoniyatlarga ega. Tibbiyotda katta ma’lumotlar davri boshlanishi bilan, birgina bemorga tegishli bo‘lgan MRI tasvirlari, histopatologik tahlillar va genetik profillar minglab parametrlarni o‘z ichiga olmoqda. Inson ongi uchun ushbu multimodal ma’lumotlar orasidagi murakkab bog‘liqliklarni aniqlash qiyinchilik tug‘diradi [1]. Sun’iy intellekt va kompyuter ko‘rinishi texnologiyalari ushbu muammolarga samarali yechimlar taklif etmoqda. Tadqiqotda radiologik tasvirlarni epigenomik va klinik ma’lumotlar bilan birlashtiruvchi integratsiyalashgan diagnostika platformalarining afzalliklari ko‘rib chiqiladi. Parallellashgan konvolyutsion neyron tarmoqlari yordamida past sifatli tasvirlardan ham muhim xususiyatlarni ajratib olish orqali diagnostika aniqligini maksimal darajaga ko‘tarish mumkin. Ushbu texnologiyalarning amaliyotga tatbiq etilishi neyroxirurg va onkologlarga davolash samaradorligini real vaqtda kuzatish va diagnostik jarayonni standartlashtirish imkonini beradi [2]. Miyadagi o‘smalarni bashoratlash va davolashni rejalashtirishda sun’iy intellekt imkoniyatlari. Bosh miya o‘simtalarini davolash jarayoni murakkab va ko‘p bosqichli bo‘lib, bemorning klinik holati, o‘simtaning turi, molekulyar xususiyatlari, joylashuvi va davolashga javob berish qobiliyati kabi ko‘plab omillarga bog‘liq. An’anaviy yondashuvlar ko‘pincha tajribaga asoslangan bo‘lib, individual xususiyatlarni hisobga olishda cheklangan [3]. Shu sababli sun’iy intellekt (SI) texnologiyalari davolashni rejalashtirish va prognoz qilishda inqilobiy imkoniyatlar yaratadi.SI modellarining asosiy afzalligi ularning katta hajmdagi ma’lumotlar bilan ishlash qobiliyatidir. Radiologik tasvirlar, histopatologik ma’lumotlar, genetik va klinik ko‘rsatkichlar birlashtirilib, bemorning davolashga 878