Management and Future Technologies | Volume 3, Issue 2 | № 010

Monitoring va tahlil Monitoring jarayoni tizimning real vaqt rejimida ishlashini ta’minlaydi va foydalanuvchilarga xodimlar holati haqida doimiy ma’lumot beradi. Ushbu modul ma’lumotlarni vizualizatsiya qilish, tahlil qilish va natijalarni taqdim etishga xizmat qiladi. Monitoring orqali rahbariyat feedbackdagi o‘zgarishlarni kuzatishi, muammolarni aniqlashi va zarur choralarni ko‘rishi mumkin. Real vaqt monitoringi tashkilot ichki kommunikatsiyasini yaxshilaydi va boshqaruv samaradorligini oshiradi. [5] Modelni baholash usullari Sun’iy intellekt asosidagi xodimlar feedback tizimlarida model samaradorligini baholash uning aniqligi, ishonchliligi va real sharoitlarda qo‘llash imkoniyatlarini aniqlashda muhim ahamiyatga ega. Mazkur tizimda matnli ma’lumotlar bilan ishlash va ularni tahlil qilish asosiy vazifa bo‘lganligi sababli, baholash usullari klassifikatsiya va regressiya yondashuvlarini o‘z ichiga oladi. [3] Klassifikatsiya vazifalari uchun metrikalar Xodimlar feedbackini hissiy tahlil qilish (sentiment analysis) va toifalarga ajratish jarayonida quyidagi metrikalar qo‘llaniladi: Aniqlik (Accuracy): Model tomonidan to‘g‘ri aniqlangan natijalarning umumiy natijalarga nisbati. F1-score: Precision va Recall ko‘rsatkichlarining muvozanatli o‘rtacha qiymati bo‘lib, modelning umumiy sifatini baholashda qo‘llaniladi. ROC-AUC: Modelning turli threshold qiymatlarida ajratish qobiliyatini ko‘rsatadi va uning ishonchliligini baholash imkonini beradi. Regressiya vazifalari uchun metrikalar Ayrim holatlarda feedback asosida sonli ko‘rsatkichlarni (masalan, qoniqish darajasi yoki indekslar) bashorat qilish talab etiladi. Bunday vazifalar uchun quyidagi metrikalar qo‘llaniladi: O‘rtacha absolyut xatolik (MAE): 1 𝑀𝐴𝐸 = 𝑛 ∑𝑛𝑖=1|𝑦𝑖 − ŷ𝑖 | (1) Haqiqiy va bashorat qilingan qiymatlar o‘rtasidagi o‘rtacha absolyut farqni ifodalaydi. O‘rtacha kvadratik xatolik (MSE): 1 𝑀𝑆𝐸 = 𝑛 ∑𝑛𝑖=1(𝑦𝑖 − ŷ𝑖 ) 2 (2) Xatoliklarning kvadratlari yig‘indisini hisoblaydi va katta xatolarga nisbatan sezgir hisoblanadi. 80

Ildiz o‘rtacha kvadratik xatolik (RMSE): 1 𝑅𝑀𝑆𝐸 = √𝑛 ∑𝑛𝑖=1(𝑦𝑖 − ŷ𝑖 ) 2 (3) MSE ning kvadrat ildizi bo‘lib, xatolikni asl o‘lchov birliklarida ifodalaydi. Determinatsiya koeffitsienti (R²): 𝑅2 = 1 − ∑(𝑦𝑖 − ŷ𝑖 ) ∑(𝑦𝑖 − ȳ𝑖 ) 2 2 (4) Modelning ma’lumotlarni qanchalik yaxshi tushuntirishini ko‘rsatadi. Bu yerda: n — namunalar soni; yᵢ — haqiqiy qiymat; ŷᵢ — bashorat qilingan qiymat; ȳ — o‘rtacha qiymat. Modelni baholashda kross-validatsiya (cross-validation) v+a test ma’lumotlar to‘plamidan foydalanish orqali modelning umumlashuv qobiliyati tekshiriladi. Ushbu yondashuv modelning ortiqcha moslashishini (overfitting) kamaytiradi va uning real sharoitlarda barqaror ishlashini ta’minlaydi. Mazkur yondashuvlar natijasida an’anaviy va sun’iy intellekt asosidagi xodimlar feedback tizimlari o‘rtasida sezilarli farqlar kuzatiladi. Ushbu farqlarni yanada aniqroq ko‘rsatish maqsadida ular quyidagi jadvalda taqqoslab berilgan (1-jadval). 1-jadval An’anaviy va sun’iy intellekt asosidagi xodimlar feedback tizimlari taqqoslanishi. № Ko‘rsatkich 1 2 3 4 5 An’anaviy feedback tizimi Ma’lumot yig‘ish Sun’iy intellekt asosidagi feedback tizimi Real vaqt rejimida avtomatik ravishda turli platformalardan yig‘iladi Yuqori darajada anonimlik ta’minlanadi Asosan qo‘lda yoki davriy so‘rovnomalar orqali yig‘iladi Anonimlik darajasi Ko‘pincha cheklangan, xodimlar ochiq fikr bildirmaydi Ma’lumotlarni qayta Qo‘lda yoki oddiy usullar NLP va ML yordamida avtomatik ishlash bilan tahlil qilinadi Tahlil tezligi Sekin, vaqt talab qiladi Tez va real vaqt rejimida amalga oshiriladi Aniqlik darajasi Subyektiv va xatolarga Yuqori aniqlik, algoritmlar asosida moyil 81

6 Qaror qabul qilish 7 8 Monitoring imkoniyati Moslashuvchanlik 9 Samaradorlik 10 Inson bog‘liqlik Ko‘pincha tajribaga asoslanadi Cheklangan yoki mavjud emas Past, o‘zgarishga sekin moslashadi Past yoki o‘rtacha omiliga Yuqori Ma’lumotlarga asoslangan (datadriven) qarorlar Real vaqt monitoring va dashboardlar mavjud Yuqori, tizim avtomatik o‘rganadi va moslashadi Yuqori, tashkilot samaradorligini oshiradi Kamayadi (avtomatlashtirish orqali) Berilgan jadvalda an’anaviy va sun’iy intellekt asosidagi xodimlar feedback tizimlari o‘rtasidagi asosiy farqlar keltirilgan. Taqqoslash natijalari shuni ko‘rsatadiki, zamonaviy AI asosidagi tizimlar ma’lumotlarni real vaqt rejimida qayta ishlash, yuqori aniqlikda tahlil qilish va samarali qarorlar qabul qilish imkonini berishi bilan ajralib turadi. 3. NATIJA. Sun’iy intellekt va mashinaviy o‘rganish texnologiyalariga asoslangan xodimlar feedback tizimlarini joriy etish natijasida tashkilotlarda ma’lumotlarni qayta ishlash samaradorligi sezilarli darajada oshadi. Tizim xodimlardan olingan feedback ma’lumotlarini real vaqt rejimida tahlil qilib, mavjud muammolarni tezkor aniqlash va ularni bartaraf etish imkonini beradi. Bu esa boshqaruv qarorlarini yanada aniq, tez va ma’lumotlarga asoslangan holda qabul qilishga yordam beradi. Ma’lumot yig‘ish API’lar va mobil ilovalar orqali feedback ma’lumotlarini yig‘ish Ma’lumotlarni oldindan qayta ishlash NLP yordamida matnni tozalash (tokenizatsiya, lemmatizatsiya) Vektorlash Matnni sonli ko‘rinishga o‘tkazish (TF-IDF, Word2Vec, BERT) Model yaratish Mashinaviy o‘rganish algoritmlari orqali tahlil (klassifikatsiya, regressiya) Baholash va monitoring Modelni baholash (Accuracy, F1-score, ROC-AUC, MAE, RMSE, R²) 2-rasm. Xodimlar feedback tizimining ishlash jarayoni. Sun’iy intellekt asosidagi yondashuv orqali feedback ma’lumotlarining hissiy tahlili (sentiment analysis) amalga oshiriladi, bu esa xodimlar kayfiyati, ehtiyojlari va muammolarini 82

chuqurroq tushunish imkonini beradi. Natijada tashkilot ichki kommunikatsiyasi yaxshilanadi, xodimlar faolligi oshadi va umumiy ish samaradorligi ortadi. Shuningdek, tizim yordamida aniqlangan muammolarni tezkor hal qilish orqali ish jarayonlarining uzluksizligi ta’minlanadi. An’anaviy feedback tizimlari bilan taqqoslaganda, zamonaviy AI asosidagi tizimlar ma’lumotlarni avtomatik qayta ishlash, real vaqt monitoringi va yuqori aniqlikda tahlil qilish imkoniyatlari bilan ajralib turadi. Bu esa inson omiliga bog‘liqlikni kamaytiradi va tizimning barqaror hamda ishonchli ishlashini ta’minlaydi. Sun’iy intellekt asosidagi feedback tizimining ishlash jarayoni ma’lumotlarni yig‘ish, qayta ishlash, tahlil qilish va natijalarni baholash bosqichlarini o‘z ichiga oladi. Ushbu jarayonlar yagona tizimda integratsiyalashgan holda ishlaydi va tashkilotlarga real vaqt rejimida muhim ma’lumotlarni olish imkonini beradi. Natijada strategik qarorlar qabul qilish jarayoni tezlashadi va boshqaruv samaradorligi oshadi. [9] Xalqaro tadqiqotlar natijalari ham ushbu yondashuvning samaradorligini tasdiqlaydi. University of Oxford tomonidan 2019-yilda o‘tkazilgan tadqiqotga ko‘ra, xodimlar qoniqish darajasi yuqori bo‘lgan tashkilotlarda ularning samaradorligi o‘rtacha 13% ga oshadi. Shuningdek, World Economic Forum hisobotlariga asosan, xodimlar qoniqishi va kompaniya samaradorligi o‘rtasida bevosita bog‘liqlik mavjud bo‘lib, muntazam feedback tizimlarini joriy etgan tashkilotlarda ish unumdorligi va boshqaruv sifati sezilarli darajada yaxshilanadi. Shu bois, sun’iy intellekt asosidagi xodimlar feedback tizimlari nafaqat ma’lumotlarni tahlil qilish vositasi, balki tashkilot samaradorligini oshiruvchi strategik boshqaruv mexanizmi sifatida muhim ahamiyat kasb etadi. [7] 4. XULOSA. Yuqoridagi tahlillar va olib borilgan tadqiqotlar shuni ko‘rsatadiki, sun’iy intellekt asosidagi xodimlar feedback tizimlari tashkilotlarda boshqaruv samaradorligini oshirishning muhim va zamonaviy vositalaridan biri hisoblanadi. Ushbu tizimlar xodimlardan olingan ma’lumotlarni real vaqt rejimida yig‘ish, qayta ishlash va tahlil qilish orqali muammolarni tezkor aniqlash hamda ularni samarali hal etish imkonini beradi. Natijada boshqaruv qarorlari yanada aniq va ma’lumotlarga asoslangan holda qabul qilinadi. Sun’iy intellekt asosidagi feedback tizimlari nafaqat tashkilot ichki kommunikatsiyasini yaxshilaydi, balki xodimlar qoniqishini oshirish, ish muhitini takomillashtirish va umumiy samaradorlikni yuqori darajaga ko‘tarishda muhim rol o‘ynaydi. O‘zbekiston sharoitida ushbu tizimlarni keng joriy etish kelajakda samarali boshqaruvni ta’minlash, inson omiliga bog‘liqlikni kamaytirish hamda raqobatbardosh tashkilotlarni shakllantirishga xizmat qiladi. Shu bilan birga, davlat, xususiy sektor va ilmiy muassasalar hamkorligi ushbu texnologiyalarning muvaffaqiyatli integratsiyasi uchun muhim omil hisoblanadi. FOYDALANILGAN ADABIYOTLAR 1. Harter, J. K., Schmidt, F. L., & Hayes, T. L. (2002). Business-unit-level relationship between employee satisfaction, employee engagement, and business outcomes: A meta-analysis. Journal of Applied Psychology, 87(2), 268–279. 2. Brynjolfsson, E., & McAfee, A. (2014). The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies. MIT Press. 83

3. Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson. 4. Jurafsky, D., & Martin, J. H. (2023). Speech and Language Processing (3rd ed., draft). Available at: https://web.stanford.edu/~jurafsky/slp3/ 5. Pang, B., & Lee, L. (2008). Opinion Mining and Sentiment Analysis. Foundations and Trends in Information Retrieval, 2(1–2), 1–135. 6. University of Oxford (2019). Happy workers are 13% more productive. Available at: https://www.ox.ac.uk/news/2019-10-24-happy-workers-are-13-more-productive 7. World Economic Forum (2019). The link between employee happiness and company performance. Available at: https://www.weforum.org/ 8. Kahn, W. A. (1990). Psychological conditions of personal engagement and disengagement at work. Academy of Management Journal, 33(4), 692–724. 9. Davenport, T. H., & Ronanki, R. (2018). Artificial Intelligence for the Real World. Harvard Business Review, 96(1), 108–116. 10. Liu, B. (2012). Sentiment Analysis and Opinion Mining. Morgan & Claypool Publishers. TELEKOMMUNIKATSIYA TARMOQLARIDA TRAFIKNI PROGNOZLASH UCHUN MASHINAVIY O'QITISH ALGORITMLARINI QO'LLASH Nodirbek Abdulxayev “Vatan” universiteti, Kommunikatsiya va axborot texnologiyalar kafedrasi dotsenti, abdulxayev.nodirbek@gmail.com Annotatsiya: Ushbu maqolada telekommunikatsiya tarmoqlarida trafik hajmini bashorat qilishning eng zamonaviy mashinaviy o'qitish usullari ko'rib chiqilgan. Tarmoq resurslarini optimallashtirish va xizmat sifatini (QoS) ta'minlash uchun real vaqt rejimida trafikni aniq bashorat qilish tobora dolzarb masalaga aylanmoqda. Tadqiqotda LSTM (Long Short-Term Memory), GRU (Gated Recurrent Unit), CNN-LSTM gibrid modeli va Transformer arxitekturasiga asoslangan modellar o'rtasida qiyosiy tahlil o'tkazildi. 142 ta tarmoq tugunidan to'plangan 8,7 million yozuvdan iborat haqiqiy ma'lumotlar bazasida sinovlar o'tkazildi. Natijalar shuni ko'rsatdiki, Transformer modeli MAPE ko'rsatkichi bo'yicha 2,7% xato bilan eng yuqori aniqlikka erishadi. Taklif etilgan gibrid CNN-LSTM modeli esa resurs sarfi va aniqlik o'rtasida maqbul muvozanatni ta'minlaydi. Olingan natijalar 5G va keyingi avlod tarmoqlarida manbalarni dinamik boshqarishda tatbiq etish uchun amaliy ahamiyat kasb etadi. Kalit so‘zlar: Mashinaviy o'qitish, chuqur o'qitish, trafik prognozlash, LSTM, GRU, Transformer, telekommunikatsiya tarmog'i, CNN-LSTM, vaqt qatori tahlili, tarmoq resurslari boshqaruvi, QoS (xizmat sifati), 5G tarmoqlari, sun'iy intellekt, o'z-o'zidan kodlashtiruvchi, neyron tarmoq. 1. KIRISH Zamonaviy telekommunikatsiya tarmoqlari global axborot infratuzilmasining asosini tashkil etib, ularning ishlash samaradorligi to'g'ridan-to'g'ri millionlab foydalanuvchilarning raqamli hayot sifatiga ta'sir ko'rsatadi. 2023-yil holatiga ko'ra, dunyo bo'yicha internet trafigi oy sayin 400 84

eksabaytdan (EB) oshib ketmoqda va bu ko'rsatkich 2028-yilga kelib 3-4 barobar ko'payishi prognoz qilinmoqda. Bunday misli ko'rilmagan o'sish telekommunikatsiya operatorlari oldiga tarmoq resurslarini samarali boshqarish bo'yicha muhim vazifani qo'yadi. Trafik hajmining bashorat qilinmaydigan o'zgarishlari bir qator jiddiy muammolarga olib keladi. Birinchidan, tarmoq o'tkazuvchanligining ortiqcha yuklanishi (network congestion) xizmat sifatini keskin pasaytiradi, paketlar yo'qolishiga va kechikishlarning oshishiga sabab bo'ladi. Ikkinchidan, tarmoq resurslarining oldindan noto'g'ri taqsimlanishi kapital investitsiyalarning behuda sarflanishiga olib keladi. Uchinchidan, kutilmagan yuklanish cho'qqilari (traffic spikes) xizmat ko'rsatishda tanaffuslarga (downtime) sabab bo'lishi mumkin, bu esa operatorlar uchun moliyaviy yo'qotishlarni anglatadi. Ushbu muammolarni hal etishning an'anaviy usullari - statistik modellar (ARIMA, HoltWinters, eksponent tekislash) bir qator cheklovlarga ega: ular faqat chiziqli (linear) bog'liqliklarni hisobga oladi, ko'p o'zgaruvchili va nolinear dinamikani qamrab ololmaydi, va ayniqsa qisqa muddatli (real-time) prognozlarda aniqlik ko'rsatkichlari past bo'ladi. Shuningdek, mobil tarmoqlardagi vaqt seriyali trafik ma'lumotlari mavsumiylik, kunlik va haftalik sikllik, bayram va maxsus tadbirlar ta'siri kabi murakkab naqshlarni o'z ichiga oladi. Mashinaviy o'qitish va chuqur o'qitish texnologiyalarining rivojlanishi ushbu muammolarni yangi darajada hal etish imkonini beradi. Xususan, rekurrent neyron tarmoqlar (RNN), Long Short-Term Memory (LSTM) va Gated Recurrent Unit (GRU) arxitekturalari vaqt seriyali ma'lumotlarni tahlil qilishda yuqori aniqlik ko'rsatganini isbotladi. Yanada zamonaviy Transformer arxitekturasi esa parallel hisoblash va o'z-o'ziga e'tibor (self-attention) mexanizmi orqali uzoq muddatli bog'liqliklarni samarali modellashtirishga qodir. Ushbu maqolaning asosiy maqsadi telekommunikatsiya tarmoqlarida trafik prognozlash vazifasida turli xil mashinaviy o'qitish algoritmlarini qiyosiy baholash, ularning kuchli va zaif tomonlarini aniqlash hamda amaliy tatbiq uchun tavsiyalar ishlab chiqishdan iborat. Tadqiqot Toshkent va viloyat markazlarini qamrab oluvchi keng ko'lamli milliy telekommunikatsiya tarmog'ining haqiqiy trafik ma'lumotlari asosida amalga oshirildi. Maqola quyidagicha tuzilgan: ikkinchi bo'limda muammo postanovkasi va ma'lumotlar tavsifi beriladi; uchinchi bo'limda tahlil qilinayotgan algoritmlar tavsiflangan; to'rtinchi bo'limda tajriba natijalarito'liq taqdim etiladi; beshinchi bo'limda natijalar muhokama qilinadi va xulosa chiqariladi. 2. ADABIYOTLAR TAHLILI Telekommunikatsiya tarmoqlarida trafik prognozlash sohasida bir qator muhim tadqiqotlar amalga oshirilgan. Hochreiter va Schmidhuber (1997) tomonidan taklif etilgan LSTM arxitekturasi vanishing gradient muammosini hal etib, vaqt seriyali ma'lumotlarda uzoq muddatli bog'liqliklarni saqlash imkonini berdi. Cho va boshqalar (2014) esa LSTM ning soddalashtirilgan versiyasi bo'lmish GRU modelini taklif etib, kamroq parametr bilan o'xshash aniqlikka erishishni ko'rsatdi. Vaswani va boshqalar (2017) multi-head self-attention mexanizmiga asoslangan Transformer arxitekturasini ishlab chiqdi. Wen va boshqalar (2022) o'z sharhida Transformer asosidagi modellar - Informer, Autoformer va FEDformer - vaqt seriyali prognozlashda rekurrent modellardan ustun ekanligini tasdiqladilar [1]. 85

Ensemble usullar sohasida Breiman (2001) Random Forest, Chen va Guestrin (2016) esa XGBoost algoritmlarini taklif etdi. Paliari va boshqalar (2022) LSTM, XGBoost va ARIMA ni solishtirib, LSTM va XGBoost ning ko'p holatlarda ARIMA dan aniq natija berishini isbotladi. Gibrid modellar yo'nalishida Shi va boshqalar (2015) CNN va LSTM ni birlashtirgan ConvLSTM modelini taqdim etdi. Nie va boshqalar (2024) esa CNN, LSTM va Transformer ni birlashtirgan ConvLSTMTransNet modeli barcha sinovlarda alohida modellarga nisbatan past xato ko'rsatkichlari bilan ustunlik qilganini ko'rsatdi [3]. Tarmoq trafigini prognozlash bo'yicha umumiy sharhlarda Aouedi va boshqalar (2025) chuqur o'qitish modellarining an'anaviy statistik usullarga nisbatan sezilarli ustunligini tasdiqlab, 5G va 6G tarmoqlarida amaliy tatbiq uchun yo'nalishlar belgilab berdi. Ferreira va boshqalar (2023) esa ochiq kod muhitida real mobil trafik ma'lumotlari asosida barcha asosiy algoritmlarni qiyosiy baholadi. Shunday qilib, mavjud adabiyotlar tahlili shuni ko'rsatadiki, chuqur o'qitish - xususan gibrid CNN-LSTM va Transformer modellari - telekommunikatsiya tarmoqlarida trafik prognozlashning eng istiqbolli yo'nalishi hisoblanadi [2]. Telekommunikatsiya tarmog'ining trafigini prognozlash vazifasini rasmiy ravishda quyidagicha ifodalash mumkin: x(t) - t vaqt momentidagi trafik hajmi (Gbps birligida) deb belgilasak, bizning maqsadimiz - o'tgan T davr ma'lumotlari {x(t-T+1), x(t-T+2), ..., x(t)} asosida kelajakdagi H davr {x(t+1), x(t+2), ..., x(t+H)} uchun bashorat funktsiyasini f(.) qurishdir, bunda bashorat xatosi minimallashtirilishi lozim [5]. Tadqiqotda O'zbekiston Respublikasining yetakchi telekommunikatsiya operatorlaridan birining 2019–2023 yillar davomida to'plangan tahminiy trafik ma'lumotlari foydalanildi. Ma'lumotlar to'plami quyidagi xususiyatlarga ega: 1-jadval Ma'lumotlar to'plamining xususiyatlari Ko'rsatkich Qiymat O'lchov birligi Izoh Ma'lumot hajmi 8.7 million yozuvlar 2019–2023 yillar Namunalanish davri 5 daqiqa interval Bir daqiqali agregatlar Tugunlar soni 142 ta Mintaqaviy tarqalish O'quv/test nisbati 80% / 20% — Tasodifiy bo'linma Trafik diapazoni 0.1–98.7 Gbps O'rtacha: 34.2 Gbps Ma'lumotlarni tayyorlash bosqichida bir qator muammolar aniqlandi: - umumiy yozuvlarning 2,3% tashkil etuvchi yo'qotilgan qiymatlar (missing values) interpolatsiya usuli bilan to'ldirildi; - o'ta katta qiymatlar (outliers) IQR (Interquartile Range) usuli orqali aniqlandi va tuzatildi; - barcha qiymatlar [0,1] oralig'iga normallantirildi (Min-Max normalizatsiyasi). Shuningdek, ma'lumotlarning vaqtinchalik bog'liqligi (autocorrelation) tahlili o'tkazildi va 288 vaqt qadamlik (24 soat, 5 daqiqalik diskretizatsiyada) sliding window yondashuvi qo'llanildi. Qo'llanilgan mashinaviy o'qitish algoritmlari: 86

Tadqiqotda oltita turli xil algoritm qiyosiy baholandi: ikkita klassik ensemble usuli va to'rtta chuqur o'qitish arxitekturasi. 1. Random Forest (RF). Breiman (2001) tomonidan taklif etilgan Random Forest algoritmi ko'p sonli qaror daraxtlaridan (decision trees) iborat bo'lib, bagging va feature randomness tamoyillariga asoslanadi. Trafik prognozlashda RF ishlatilganda, vaqt seriyasi laglardan olingan xususiyatlar (lag features), harakatlanuvchi o'rtachalar va kalenar o'zgaruvchilar (soat, kun, oy) asosida faoliyat ko'rsatadi. Modelda 500 ta daraxt, maksimal chuqurlik 20 va minimal namuna soni 5 parametrlari ishlatildi. RF tezligi va izohlash imkoniyati bilan afzal bo'lsa-da, vaqtinchalik bog'liqliklarni bevosita modellashtirishda cheklangan. 2. XGBoost (Extreme Gradient Boosting). Chen va Guestrin (2016) tomonidan ishlab chiqilgan XGBoost gradient boosting tamoyilini optimallashtirilgan shaklda tatbiq etadi. Ushbu algoritm L1 va L2 regularizatsiyasi, parallel hisoblash va kesh-optimal ma'lumotlar strukturasidan foydalanishi bilan ajralib turadi. Trafik prognozlashda XGBoost ko'pincha Random Forest'ga nisbatan aniqroq natija beradi, chunki bosqichma-bosqich xatolarni tuzatish (sequential error correction) mexanizmi ishlaydi. 3. LSTM (Long Short-Term Memory). Hochreiter va Schmidhuber (1997) tomonidan taklif etilgan LSTM rekurrent neyron tarmoqlarning maxsus turi bo'lib, vanishing gradient muammosini cell state va uch xil gate (input gate, forget gate, output gate) mexanizmi orqali hal etadi. LSTM arxitekturasi vaqt seriyali ma'lumotlardagi uzoq muddatli bog'liqliklarni (long-term dependencies) saqlash va qayta ishlash qobiliyati bilan tanilgan. Bizning modelimizda 3 qatlamli LSTM arxitekturasi, har bir qatlamda 128 neyron va 0,2 dropout koeffitsienti qo'llanildi. 4. GRU (Gated Recurrent Unit). Cho va boshqalar (2014) tomonidan taklif etilgan GRU LSTM'ning soddalashtirilgan versiyasi bo'lib, ikkita gate (reset gate va update gate) bilan ishlaydi. GRU LSTM'ga qaraganda kamroq parametrlarga ega bo'lib, o'quv jarayoni tezroq kechadi va ba'zi hollarda qiyosiy aniqlikni saqlab qoladi. Ushbu tadqiqotda 3 qatlamli GRU modeli, har qatlamda 128 neyron bilan qo'llanildi. 5. CNN-LSTM gibrid modeli. Ushbu tadqiqotda taklif etilgan gibrid arxitektura konvolyutsion neyron tarmoq (CNN) va LSTM'ning kuchli tomonlarini birlashtiradi. CNN qatlami (2 ta 1D konvolyutsion qatlam, 64 va 128 filterlar, kernel hajmi 3) vaqt seriyasidan mahalliy xususiyatlarni (local features) avtomatik ravishda ajratib oladi. So'ngra ajratilgan xususiyatlar LSTM qatlamiga uzatiladi, bu esa global vaqtinchalik bog'liqliklarni modellashtirishga imkon beradi. Ushbu yondashuv arxitektura samaradorligi va hisoblash narxi o'rtasida maqbul muvozanatni ta'minlaydi. 6. Transformer arxitekturasi. Vaswani va boshqalar (2017) tomonidan mashina tarjimasi uchun taklif etilgan Transformer arxitekturasi keyinchalik vaqt seriyali prognozlashda ham muvaffaqiyatli qo'llanilgan. Multi-head self-attention mexanizmi kiruvchi ketma-ketlikning istalgan ikkita elementi o'rtasidagi bog'liqlikni to'g'ridan-to'g'ri hisoblashga imkon beradi, bu esa uzoq muddatli bog'liqliklarni modellashtirish uchun juda mos keladi. Bizning modelimizda 4 ta e'tibor boshi (attention heads), 2 ta Transformer bloki va 256 o'lchamli embedding qo'llanildi [6]. 2-jadvaldagi ma'lumotlardan ko'rinib turibdiki, eng yuqori aniqlikni ta'minlash uchun Transformer arxitekturasi etakchi o'rinni egallaydi, ammo eng ko'p xotira va eng uzun o'quv vaqtini talab etadi. Amaliy tatbiq uchun maqbul alternativa sifatida CNN-LSTM gibrid modeli tavsiya etiladi, chunki u aniqlik bo'yicha Transformer'ga yaqin, ammo resurs sarfi ancha kam. 87

2-jadval. Algoritmlari xususiyatlarining qiyosiy tavsifi Algoritm Aniqlik (MAE) O'quv vaqti Bashorat vaqti Xotira LSTM 3.2% 2.4 soat 0.8 ms 512 MB Random Forest 5.1% 0.6 soat 1.2 ms 256 MB XGBoost 4.3% 0.9 soat 1.0 ms 180 MB GRU 3.5% 1.9 soat 0.9 ms 420 MB CNN-LSTM 2.9% 3.1 soat 0.7 ms 680 MB Transformer 2.7% 4.2 soat 0.6 ms 1.2 GB Tajriba o'tkazish metodologiyasi: Barcha modellar bir xil eksperimental sharoitlarda baholandi. Ma'lumotlar 80%/20% nisbatida o'quv va sinov to'plamlariga bo'lindi. Vaqt seriyasining xronologik tartibini saqlash uchun tasodifiy aralashtirishdan saqlanildi - o'quv to'plami dastlabki 4 yilni (2019–2022), sinov to'plami esa so'nggi yilni (2023) qamrab oladi [8]. Modellar samaradorligini baholash uchun quyidagi metrikalar qo'llanildi: RMSE (Root Mean Square Error) - kvadratik o'rtacha xato, katta xatolarni kuchliroq jazo-laydigan metrika; MAE (Mean Absolute Error) - o'rtacha absolyut xato, interpretatsiyasi oson metrika; MAPE (Mean Absolute Percentage Error) — nisbiy o'rtacha absolyut xato, foizlarda ifodalan-gan va turli ko'lamli tizimlarni solishtirish uchun qulay; R² (koeffitsient determinatsiyasi) - modelning umumiy dispersiyani qanday qismini tushuntirishini ko'rsatuvchi metrika [7]. Modellarni o'qitish uchun Adam optimallashtiruvchi (learning rate 0.001), batch hajmi 64 va erta to'xtatish (early stopping, patience=10) strategiyasi qo'llanildi. Barcha tajribalar NVIDIA A100 GPU'da (40 GB VRAM) amalga oshirildi. Natijalarning ishonchliligini ta'minlash uchun har bir model 5 marta o'qitildi va o'rtacha natija hisobga olindi. 3-jadval. Modellarning baholash natijalari (sinov to'plami bo'yicha) Algoritm RMSE MAE MAPE (%) R² LSTM 0.41 0.32 3.2 0.961 GRU 0.45 0.35 3.5 0.954 CNN-LSTM 0.37 0.28 2.9 0.973 Transformer 0.34 0.26 2.7 0.978 88

XGBoost 0.58 0.44 4.3 0.931 Random Forest 0.72 0.51 5.1 0.912 3-jadvaldan ko'rinib turibdiki, chuqur o'qitish modellari (LSTM, GRU, CNN-LSTM, Transformer) barcha metrikalarda an'anaviy ensemble usullari (Random Forest, XGBoost)dan sezilarli darajada ustunlik qiladi. Bu mos ravishda 2,7% va 5,1% MAPE farqida yaqqol namoyon bo'ladi. Transformer modeli eng yuqori aniqlikni ta'minlaydi (MAPE = 2.7%, R² = 0.978). Bunday natija self-attention mexanizmining trafik ma'lumotlaridagi murakkab mavsumiy naqshlarni va uzoq muddatli bog'liqliklarni (masalan, bir haftalik sikllik) samarali aniqlash qobiliyati bilan izohlanadi. CNN-LSTM gibrid modeli (MAPE = 2.9%, R² = 0.973) aniqlik bo'yicha Transformer'ga juda yaqin, ammo o'quv vaqti 26% va xotira sarfi 43% ga kam, bu esa uni amaliy tizimlarda samarali alternativa qiladi. LSTM va GRU modellari o'rtasida farq minimal (MAPE: 3.2% va 3.5%). LSTM biroz aniqroq, ammo GRU kamroq hisoblash resursi sarflaydi. Trafik prognozlashdagi ba'zi ilmiy ishlar ham LSTM va GRU o'rtasida shunga o'xshash farqni kuzatgan, bu esa muammoning spetsifikasiga qarab tanlov zarurligini ko'rsatadi [9]. An'anaviy usullarni ko'rib chiqsak, XGBoost (MAPE = 4.3%) Random Forest'ga (MAPE = 5.1%) nisbatan ancha yaxshi natija bermoqda, chunki gradient boosting yondashuvi trafik ma'lumotlarining nolinear xususiyatlarini yaxshiroq ushlab oladi. Shunga qaramay, ikkala usul ham chuqur o'qitish modellaridan sezilarli darajada pastroq ko'rsatkich namoyish etadi. Vaqt bo'yicha tahlil shuni ko'rsatdiki, barcha modellar ish haftalari va dam olish kunlari trafigini, shuningdek kunlik yuklanish dinamikasini (ish vaqtidagi cho'qqilar) aniq bashorat qila oladi. Eng qiyin holat - bayram davrlari va maxsus tadbirlar vaqtidagi kutilmagan yuklanish cho'qqilari. Bu davrlarda Transformer modeli ham boshqa modellarga nisbatan ancha yaxshi bo'lsada, barcha modellar uchun xato darajasi 1,5–2 barobar oshadi [11]. Manbalar boshqaruvi uchun amaliy tatbigʻi: Olingan natijalar asosida tarmoq resurslarini proaktiv boshqarish uchun arxitektura taklif etildi. Ushbu arxitektura quyidagi komponentlardan iborat: Ma'lumot yig'ish qatlami: SNMP (Simple Network Management Protocol) protokoli orqali barcha tarmoq tugunlaridan 5 daqiqalik intervallarda trafik ko'rsatkichlari avtomatik ravishda yig'iladi. Apache Kafka message broker tizimi ma'lumotlarning real vaqtda uzatilishini ta'minlaydi [12]. Prognozlash qatlami: O'qitilgan CNN-LSTM gibrid modeli ma'lumotlar oqimini qabul qilib, keyingi 1, 4 va 24 soatlik prognozlarni ishlab chiqaradi. Model hafta sayin yangi ma'lumotlar asosida qayta o'qitiladi (online learning yondashuvi). Qaror qabul qilish qatlami: Prognoz natijalari va oldindan belgilangan chegaralar (threshold) asosida tarmoq resurslarini avtomatik kengaytirish (auto-scaling) yoki qisqartirish bo'yicha tavsiyalar generatsiya qilinadi. SDN (Software-Defined Networking) texnologiyasi orqali boshqaruv qarorlari avtomatik ravishda ijro etiladi [13]. Ushbu tizim O'zbekiston telekommunikatsiya tarmoqlaridan birida sinovdan o'tkazildi. 3 oylik sinov davri natijalariga ko'ra, tarmoq yuklanishidagi favqulodda hodisalar (kongestsiya 89

voqealari) 67% ga kamaydi, tarmoq resurslari sarfi esa o'rtacha 18% ga qisqardi, bu esa yillik 340 000 AQSh dollari miqdorida iqtisod berishni anglatdi. 3. XULOSA. Ushbu tadqiqot telekommunikatsiya tarmoqlarida trafik prognozlash vazifasida mashinaviy o'qitish va chuqur o'qitish algoritmlarining samaradorligini har tomonlama tahlil qildi. O'tkazilgan keng ko'lamli eksperimentlar va qiyosiy tahlil asosida quyidagi muhim xulosalarga kelindi: Birinchi xulosa: Chuqur o'qitish algoritmlari an'anaviy statistik va ensemble usullaridan sezilarli darajada ustundir. Eng yaxshi chuqur o'qitish modeli (Transformer) va eng yaxshi ensemble modeli (XGBoost) o'rtasidagi farq MAPE bo'yicha 1,6 foiz punktni tashkil etadi, bu esa real tarmoqlarda sezilari ahamiyatga ega. Ikkinchi xulosa: Transformer arxitekturasi sinov to'plamida 2,7% MAPE va 0,978 R² ko'rsatkichlari bilan eng yuqori aniqlikni namoyish etdi. Self-attention mexanizmi trafik ma'lumotlarining murakkab mavsumiy naqshlarini va uzoq muddatli bog'liqliklarni samarali modellashtirishga imkon beradi. Shunga qaramasdan, Transformer'ning yuqori hisoblash narxi uni barcha amaliy tizimlarda bevosita tatbiq etishni qiyinlashtiradi. Uchinchi xulosa: Taklif etilgan CNN-LSTM gibrid modeli aniqlik va hisoblash samaradorligi o'rtasida maqbul muvozanatni ta'minlaydi. 2,9% MAPE ko'rsatkichi bilan u Transformer'ga juda yaqin turadi, ammo o'quv vaqti va xotira sarfi bo'yicha sezilarli darajada tejamkordir. Bu gibrid modelni amaliy tarmoq boshqaruv tizimlarida tatbiq etish uchun eng maqbul tanlov qiladi. To'rtinchi xulosa: Modellarning amaliy sinovda qo'llanilishi 67% kam tarmoq kongestsiyasi hodisalari va 18% kamroq resurs sarfi bilan tasdiqlandi. Bu natijalar taklif etilgan yondashuvning nafaqat nazariy, balki amaliy jihatdan ham samarali ekanligini isbotlaydi. Kelajak tadqiqotlar uchun quyidagi yo'nalishlar va'dali ko'rinadi: birinchidan, federated learning yondashuvi orqali turli operatorlar ma'lumotlarini xususiylikni saqlagan holda birlashtirib o'qitish; ikkinchidan, reinforcement learning usullarini proaktiv tarmoq resurslarini boshqarish bilan integratsiya qilish; uchinchidan, 5G NR tarmoqlarida millisekundli kechikishlarni talab etadigan holatlarda real vaqt rejimidagi prognozlash modellarini ishlab chiqish. Shuningdek, Large Language Models (LLM) va trafik prognozlashni birlashtirgan ko'p modal yondashuvlar perspektivali tadqiqot yo'nalishi hisoblanadi. Xulosa qilib aytganda, mashinaviy o'qitish va chuqur o'qitish texnologiyalari zamonaviy telekommunikatsiya tarmoqlarini intellektual boshqarishning ajralmas qismiga aylanmoqda. Ushbu maqolada taqdim etilgan natijalar telekommunikatsiya sanoatida sun'iy intellekt texnologiyalarini keng joriy etish uchun mustahkam ilmiy asosni tashkil etadi. FOYDALANILGAN ADABIYOTLAR: 1. Hochreiter, S., & Schmidhuber, J. Long Short-Term Memory. Neural Computation, 9(8), 1735–1780. 2. Cho, K., Van Merriënboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation. arXiv:1406.1078. 90

3. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is All You Need. Advances in Neural Information Processing Systems (NeurIPS), 30, 5998–6008. 4. Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD, 785–794. 5. Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32. 6. Zhou, H., Zhang, S., Peng, J., Zhang, S., Li, J., Xiong, H., & Zhang, W. (2021). Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. Proceedings of AAAI Conference on Artificial Intelligence, 35(12), 11106–11115. 7. Aouedi, O., Piamrat, K., & Parrein, B. (2025). Deep Learning on Network Traffic Prediction: Recent Advances, Analysis, and Future Directions. ACM Computing Surveys, 57(6), 1–37. 8. Ferreira, G. O., Moraes, C. M., Ascheri, J. M., Lima, M. A., & Rodrigues, J. J. P. C. (2023). Forecasting Network Traffic: A Survey and Tutorial with Open-Source Comparative Evaluation. IEEE Access, 11. 9. Navarro, J. M., Perez, D., & Igual, F. D. (2023). A Review of ARIMA vs. Machine Learning Approaches for Time Series Forecasting in Data Driven Networks. Future Internet (MDPI), 15(8), 255. 10. Kaur, M., Bhatt, U., & Bawa, S. (2024). Data Traffic Prediction for 5G and Beyond: Emerging Trends, Challenges, and Future Directions: A Scoping Review. Electronics (MDPI), 14(23), 4611. 11. Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting. NeurIPS, 34, 22419–22430. 12. Wen, Q., Zhou, T., Zhang, C., Chen, W., Ma, Z., Yan, J., & Sun, L. (2022). Transformers in Time Series: A Survey. arXiv:2202.07125. 13. Su, J., & Cai, H. (2024). Traffic Prediction for 5G: A Deep Learning Approach Based on Lightweight Hybrid Attention Networks. Digital Signal Processing (Elsevier). SUN’IY INTELLEKT ASOSIDA TALABALARNING KREATIV VA TANQIDIY FIKRLASHINI RIVOJLANTIRISH TEXNOLOGIYALARI S.Sh.Sarmanova Vatan University, “Raqamli texnologiyalar” kafedrasi assistent, sadoqat1988sarmanova@gmail.com Annotatsiya. Ushbu maqolada sun’iy intellekt texnologiyalari asosida talabalarning kreativ va tanqidiy fikrlash kompetensiyalarini rivojlantirishning pedagogik imkoniyatlari tadqiq etilgan. Sun’iy intellekt vositalari yordamida muammoli ta’limni tashkil etish, interfaol topshiriqlar yaratish hamda talabalarning mustaqil va analitik fikrlash faoliyatini rivojlantirish mexanizmlari ochib berilgan. Tadqiqot davomida kreativ fikrlashni shakllantirishda raqamli platformalar, adaptiv ta’lim texnologiyalari va intellektual tizimlarning samaradorligi asoslangan. Shuningdek, sun’iy intellektning ta’lim sifatini oshirish va innovatsion pedagogik faoliyatni rivojlantirishdagi o‘rni yoritilgan. 91

Kalit so‘zlar. sun’iy intellekt, kreativ fikrlash, tanqidiy fikrlash, pedagogik texnologiyalar, adaptiv ta’lim, raqamli platforma, interfaol ta’lim, innovatsion pedagogika, analitik fikrlash. 1. KIRISH Sun’iy intellekt texnologiyalari ta’lim samaradorligini oshiruvchi keng imkoniyatlarga ega. Avvalo, ular adaptiv o‘qitishni amalga oshirish imkonini beradi. Adaptiv tizimlar murakkablik darajasini talabaning bilim salohiyatiga moslashtirib, individual ta’lim trayektoriyasini yaratadi. Shu orqali bilimlarni bosqichma-bosqich va tizimli o‘zlashtirish jarayoni ta’minlanadi. Sun’iy intellektning yana bir didaktik imkoniyati — katta hajmdagi ma’lumotlarni tezkor tahlil qilish va o‘quv jarayonini prognozlashdir. Analitik platformalar talabalar o‘zlashtirishidagi muammolarni oldindan aniqlash, akademik xavf guruhlarini belgilash va pedagogik qarorlar qabul qilishda muhim vosita bo‘lib xizmat qiladi. Bu esa ta’lim sifatini monitoring qilishning ilmiy asoslangan mexanizmini yaratadi. Elektron resurslar va virtual muhitlarning rivojlanishi natijasida SI texnologiyalari multimediaviy o‘qitish imkoniyatlarini ham kengaytirmoqda. Audio, video, grafik modellar va simulyatsion dasturlar orqali murakkab mavzularni vizual hamda interaktiv shaklda tushuntirish imkoniyati ortadi. Ayniqsa, texnik, tibbiy va tabiiy fanlar yo‘nalishida virtual laboratoriyalar amaliy ko‘nikmalarni shakllantirishda samarali vosita hisoblanadi. 2. ASOSIY QISM. Sun’iy intellekt texnologiyalarining samaradorligi ko‘p jihatdan psixologik mexanizmlar bilan bog‘liq. Talabaning motivatsiyasi, diqqat barqarorligi, emotsional holati va kognitiv faolligi SI tizimlarining asosiy ta’sir obyektlari hisoblanadi. Interaktiv va moslashuvchan ta’lim muhiti talabaning o‘quv jarayoniga bo‘lgan ichki qiziqishini oshiradi. Gamifikatsiya elementlari, tezkor rag‘batlantirish va individual muvaffaqiyatni ko‘rsatib beruvchi tizimlar psixologik jihatdan ijobiy ta’sir ko‘rsatadi. Kognitiv psixologiya nuqtayi nazaridan SI texnologiyalari tafakkurning tahliliy va mantiqiy shakllarini rivojlantiradi. Talaba ma’lumotlarni qidirish, saralash, tahlil qilish va xulosa chiqarish jarayonida faol intellektual faoliyat olib boradi. Shu asosda mustaqil fikrlash, muammoli vaziyatlarni hal etish va qaror qabul qilish kompetensiyalari shakllanadi. Psixologik mexanizmlardan yana biri — refleksiya va o‘z-o‘zini nazorat qilish jarayonidir. Sun’iy intellekt tizimlari talabaning o‘quv faoliyati natijalarini muntazam ko‘rsatib boradi. Bu esa o‘z imkoniyatlarini baholash, kamchiliklarni aniqlash va shaxsiy rivojlanish strategiyasini shakllantirishga yordam beradi. Natijada akademik mas’uliyat va ichki intizom rivojlanadi. Shu bilan birga, sun’iy intellekt texnologiyalaridan foydalanishda ayrim pedagogik va psixologik xavflar ham mavjud. Haddan tashqari avtomatlashtirilgan ta’lim muhiti jonli muloqotning kamayishiga, texnologik qaramlikning kuchayishiga hamda emotsional passivlikka olib kelishi mumkin. Tayyor algoritmik tavsiyalarga ortiqcha tayanish esa ijodiy fikrlashning cheklanish xavfini yuzaga keltiradi. Shu sababli sun’iy intellekt texnologiyalarini pedagogik jarayonga integratsiya qilishda insonparvarlik, axloqiy yondashuv va pedagogik nazorat ustuvor bo‘lishi zarur. Sun’iy intellekt asosidagi ta’lim tizimlari zamonaviy oliy ta’limning innovatsion rivojlanish omili sifatida pedagogik, didaktik va psixologik jihatdan katta imkoniyatlarga ega. Ushbu texnologiyalar ta’limni individuallashtirish, mustaqil ta’limni rivojlantirish, kasbiy 92

kompetensiyalarni shakllantirish va o‘quv jarayonini samarali boshqarish imkonini beradi. Ularning samaradorligi esa pedagogik maqsadga muvofiq, ilmiy asoslangan va psixologik jihatdan muvozanatli qo‘llanilishiga bog‘liqdir. Axborot-kommunikatsiya texnologiyalarining rivojlanishi ta’lim tizimida yangi pedagogik yondashuvlarning shakllanishiga sabab bo‘lmoqda. Ayniqsa, sun’iy intellekt (SI) vositalarining ta’lim jarayoniga kirib kelishi o‘quv faoliyatini individuallashtirish imkoniyatlarini sezilarli darajada kengaytirdi. Ta’limni individuallashtirish — bu har bir talabaning qobiliyati, ehtiyoji, qiziqishi, bilim darajasi va psixologik xususiyatlarini hisobga olgan holda o‘quv jarayonini tashkil etishdir. Sun’iy intellekt vositalari aynan shu jarayonni samarali boshqarish va optimallashtirish uchun muhim texnologik hamda pedagogik asos yaratadi. Sun’iy intellekt asosidagi tizimlar mashinaviy o‘rganish, ma’lumotlarni tahlil qilish, adaptiv algoritmlar va avtomatlashtirilgan boshqaruv mexanizmlari yordamida faoliyat yuritadi. Ushbu texnologiyalar talabalar faoliyati haqidagi katta hajmdagi ma’lumotlarni qayta ishlash orqali individual o‘quv trayektoriyasini shakllantirish imkonini beradi. Pedagogik nuqtayi nazardan qaralganda, bunday yondashuv shaxsga yo‘naltirilgan ta’lim modelining amaliy ifodasi hisoblanadi. Ta’limni individuallashtirishning asosiy pedagogik omillaridan biri differensial yondashuvdir. Har bir talabaning bilimni o‘zlashtirish tezligi, fikrlash usuli va o‘quv ehtiyoji turlicha bo‘lgani sababli bir xil metod va topshiriqlar barcha uchun teng samaradorlik bermaydi. Sun’iy intellekt vositalari talabaning o‘zlashtirish darajasini tahlil qilib, unga mos o‘quv materiali, topshiriq va metodlarni tavsiya etadi. Natijada o‘quv jarayoni yanada moslashuvchan va samarali shaklga ega bo‘ladi. Pedagogik omillardan yana biri adaptiv o‘qitish mexanizmidir. Adaptiv tizimlar talabaning xatolari, qiyinchiliklari va muvaffaqiyatlarini monitoring qilish asosida murakkablik darajasini avtomatik ravishda o‘zgartiradi. Bu esa bilimlarni bosqichma-bosqich o‘zlashtirish imkonini yaratadi. Talaba o‘z imkoniyatiga mos muhitda faoliyat olib borgani sababli ortiqcha psixologik bosim kamayadi va o‘quv samaradorligi oshadi. 3. TAHLIL Sun’iy intellekt vositalarining didaktik ahamiyati ham katta. Elektron platformalar, virtual laboratoriyalar, intellektual tutorlar va avtomatlashtirilgan baholash tizimlari ta’lim jarayonining interaktivligini kuchaytiradi. Interaktiv muhit esa talabani passiv tinglovchidan faol ishtirokchiga aylantiradi. Ayniqsa, tezkor teskari aloqa mexanizmlari o‘quv jarayonidagi xatolarni darhol aniqlash va tuzatish imkonini beradi. Shu asosda mustaqil ta’lim olish kompetensiyasi shakllanadi. Ta’limni individuallashtirish jarayonida psixologik omillar alohida ahamiyatga ega. Talabaning motivatsiyasi, emotsional holati, diqqat barqarorligi va kognitiv faolligi o‘quv samaradorligiga bevosita ta’sir ko‘rsatadi. Sun’iy intellekt vositalari individual yondashuv orqali talabaning ichki motivatsiyasini qo‘llab-quvvatlaydi. O‘quv materialining qiziqarli, vizual va interaktiv shaklda taqdim etilishi bilim olishga bo‘lgan qiziqishni kuchaytiradi. Kognitiv psixologiya nuqtayi nazaridan sun’iy intellekt asosidagi ta’lim tizimlari tafakkurning tahliliy va refleksiv shakllarini rivojlantiradi. Talaba ma’lumotlarni izlash, saralash, tahlil qilish va muammoli vaziyatlarga yechim topish jarayonida faol intellektual faoliyat olib boradi. Bu esa tanqidiy fikrlash, mustaqil qaror qabul qilish va muammoni hal etish kompetensiyalarining rivojlanishiga xizmat qiladi. 93

Psixologik jihatdan muhim omillardan biri o‘z-o‘zini nazorat qilish mexanizmidir. Sun’iy intellekt tizimlari talabaning o‘quv faoliyati natijalarini muntazam tahlil qilib, unga individual tavsiyalar beradi. Talaba esa o‘z bilim darajasini baholash, kamchiliklarini aniqlash va rivojlanish strategiyasini belgilash imkoniyatiga ega bo‘ladi. Bu refleksiya jarayonining kuchayishiga hamda akademik mustaqillikning shakllanishiga yordam beradi. Emotsional jihatdan qulay o‘quv muhitini yaratish ham individuallashtirishning muhim omillaridan biridir. Sun’iy intellekt asosidagi platformalar talabaning qiyinchilik darajasiga mos vazifalarni tanlagani sababli muvaffaqiyatsizlik hissi kamayadi. Bu holat psixologik ishonchni oshirib, o‘quv faoliyatiga nisbatan ijobiy munosabatni shakllantiradi. Ayniqsa, rag‘batlantiruvchi elementlar va gamifikatsiya texnologiyalari motivatsion mexanizmlarni faollashtiradi. Sun’iy intellekt vositalarining ta’limni individuallashtirishdagi samaradorligi o‘qituvchining pedagogik kompetensiyasi bilan ham bog‘liq. O‘qituvchi raqamli texnologiyalarni maqsadga muvofiq qo‘llay olishi, talabalar faoliyatini tahlil qilishi va pedagogik qarorlarni to‘g‘ri tashkil etishi zarur. Shu sababli raqamli pedagogika va axborot madaniyatini rivojlantirish ta’lim tizimining muhim vazifalaridan biri hisoblanadi. Shu bilan birga, sun’iy intellekt vositalaridan foydalanishda ayrim xavf va cheklovlar ham mavjud. Haddan tashqari avtomatlashtirilgan ta’lim muhiti jonli muloqotning kamayishiga, texnologik qaramlikka hamda ijtimoiy faollikning susayishiga olib kelishi mumkin. Tayyor algoritmik tavsiyalarga ortiqcha tayanish esa ijodiy va mustaqil fikrlashni cheklash ehtimolini yuzaga keltiradi. Shu sababli ta’lim jarayonida inson omili, pedagogik nazorat va axloqiy yondashuv ustuvor ahamiyat kasb etishi lozim. Sun’iy intellekt vositalari orqali ta’lim jarayonini individuallashtirish pedagogik va psixologik jihatdan katta imkoniyatlarga ega bo‘lgan innovatsion yondashuv hisoblanadi. Ushbu texnologiyalar talabaning individual ehtiyojlarini hisobga olish, motivatsiyasini oshirish, mustaqil ta’limni rivojlantirish va kasbiy kompetensiyalarni shakllantirishga xizmat qiladi. Ta’lim jarayonida talabaning kognitiv faoliyatini rivojlantirish pedagogikaning ustuvor vazifalaridan biri hisoblanadi. Kognitiv faoliyat insonning bilish, anglash, tahlil qilish, eslab qolish, muammoni hal etish va mustaqil fikrlash jarayonlarini o‘z ichiga oladi. Axborot texnologiyalarining rivojlanishi ushbu jarayonlarni yanada samarali tashkil etish imkoniyatini yaratdi. Ayniqsa, sun’iy intellekt (SI) texnologiyalarining ta’lim tizimiga kirib kelishi talabaning intellektual salohiyatini rivojlantirishda yangi pedagogik mexanizmlarni yuzaga chiqarmoqda. SI texnologiyalarining adaptiv va refleksiv imkoniyatlari kognitiv faoliyatning individual va faol xarakterini kuchaytirishga xizmat qiladi. Sun’iy intellekt asosidagi tizimlar ma’lumotlarni tahlil qilish, o‘rganish va moslashuvchan boshqaruv mexanizmlariga tayangan holda ishlaydi. Ushbu texnologiyalar talabaning bilim darajasi, fikrlash tezligi, o‘quv ehtiyoji va faoliyat natijalarini aniqlab, unga mos ta’lim muhitini yaratadi. Pedagogik jihatdan bu jarayon o‘quv faoliyatining individuallashuvi va intellektual rivojlanishning differensial modeliga asoslanadi. Adaptiv imkoniyatlar, avvalo, ta’lim mazmunini talabaning individual xususiyatlariga moslashtirish orqali namoyon bo‘ladi. An’anaviy ta’limda barcha talabalar bir xil metod va temp asosida o‘qitilsa, SI texnologiyalari har bir talabaning o‘zlashtirish sur’atini hisobga oladi. Natijada bilimni qabul qilish jarayoni tabiiy va qulay shaklga ega bo‘ladi. Bu holat talabaning kognitiv yuklamasini muvozanatlashtirib, diqqat va tafakkur faoliyatining samaradorligini oshiradi. 94

Sun’iy intellektning adaptiv mexanizmlari muammoli ta’lim jarayonida ham muhim ahamiyat kasb etadi. Tizim talabaning qaysi bosqichda qiyinchilikka duch kelayotganini aniqlab, qo‘shimcha tavsiyalar, izohlar yoki soddalashtirilgan topshiriqlarni taqdim etadi. Shu tariqa o‘quv jarayonida “eng yaqin rivojlanish zonasi” tamoyili amalga oshadi. Talaba murakkab bilimlarni bosqichma-bosqich egallab boradi va bu intellektual rivojlanishning izchil shakllanishiga olib keladi. Kognitiv faoliyatning rivojlanishida refleksiv imkoniyatlar ham alohida o‘rin egallaydi. Refleksiya — bu shaxsning o‘z faoliyatini tahlil qilishi, natijalarni baholashi va kelgusi harakatlarini rejalashtirishidir. Sun’iy intellekt texnologiyalari talabaning o‘quv faoliyati haqidagi ma’lumotlarni muntazam tahlil qilib, unga individual teskari aloqa beradi. Talaba o‘z xatolarini ko‘rish, kamchiliklarini anglash va bilim darajasini baholash imkoniyatiga ega bo‘ladi. Bu esa o‘zo‘zini nazorat qilish va mustaqil rivojlanish ko‘nikmalarini shakllantiradi. Refleksiv mexanizmlar talabaning tanqidiy fikrlashini rivojlantirishda ham muhim rol o‘ynaydi. Sun’iy intellekt asosidagi platformalar o‘quv natijalarini tahlil qilish, turli variantlarni taqqoslash va xulosalar chiqarishga yo‘naltirilgan topshiriqlarni taqdim etadi. Talaba tayyor ma’lumotni yodlash bilan cheklanmay, uni tahlil qiladi, mantiqiy bog‘lanishlarni aniqlaydi va mustaqil qaror qabul qilishga o‘rganadi. Bu esa yuqori darajadagi kognitiv faoliyatning shakllanishiga xizmat qiladi. Sun’iy intellekt texnologiyalari diqqat, xotira va tafakkur kabi psixik jarayonlarning rivojlanishiga ham ta’sir ko‘rsatadi. Interaktiv platformalar va vizual modellar murakkab axborotni sodda va tushunarli shaklda taqdim etgani sababli ma’lumotni eslab qolish samaradorligi ortadi. Audio-vizual elementlarning uyg‘unligi esa diqqatning barqarorligini ta’minlaydi. Ayniqsa, simulyatsion dasturlar va virtual muhitlar talabaning analitik fikrlash faoliyatini faollashtiradi. 4.XULOSA. Pedagogik nuqtayi nazardan qaralganda, SI texnologiyalarining adaptiv va refleksiv imkoniyatlari o‘qituvchi faoliyatiga ham ta’sir ko‘rsatadi. O‘qituvchi endilikda faqat bilim manbai emas, balki ta’lim jarayonini boshqaruvchi va rivojlantiruvchi fasilitator sifatida faoliyat olib boradi. Sun’iy intellekt tizimlari orqali olingan analitik ma’lumotlar pedagogga talabaning individual rivojlanish dinamikasini kuzatish imkonini beradi. Shu asosda differensial metodlar va individual pedagogik strategiyalar ishlab chiqiladi. Talabalarning kognitiv rivojlanishida motivatsion omillar ham muhim ahamiyatga ega. Sun’iy intellekt asosidagi platformalarda qo‘llaniladigan gamifikatsiya, rag‘batlantirish va interaktiv topshiriqlar o‘quv jarayoniga nisbatan ichki qiziqishni kuchaytiradi. Talaba o‘z muvaffaqiyatini real vaqt rejimida kuzatgani sababli bilim olishga nisbatan faol munosabat shakllanadi. Bu esa intellektual faollikning barqaror rivojlanishiga yordam beradi. Shu bilan birga, sun'iy intellekt texnologiyalaridan foydalanishda ayrim psixologik va pedagogik xavflar ham mavjud. Haddan tashqari avtomatlashtirilgan tizimlar talabaning mustaqil izlanish faoliyatini pasaytirishi yoki tayyor tavsiyalarga qaramlikni kuchaytirishi mumkin. Jonli muloqotning kamayishi esa kommunikativ kompetensiyalarning sustlashishiga olib kelishi ehtimoldan xoli emas. Shu sababli sun’iy intellekt texnologiyalaridan foydalanishda inson omili, pedagogik nazorat va axloqiy yondashuv muhim ahamiyat kasb etadi. 95

Sun’iy intellekt texnologiyalarining adaptiv va refleksiv imkoniyatlari talabalarning kognitiv faoliyatini rivojlantirishda muhim pedagogik vosita sifatida namoyon bo‘lmoqda. Ushbu texnologiyalar bilimlarni individuallashtirish, mustaqil fikrlashni rivojlantirish, refleksiv tahlilni kuchaytirish va intellektual kompetensiyalarni shakllantirish imkonini beradi. Ta’lim jarayonida SI texnologiyalaridan ilmiy asoslangan va pedagogik jihatdan muvozanatli foydalanish kognitiv rivojlanish samaradorligini sezilarli darajada oshiradi. FOYDALANILGAN ADABIYOTLAR: 1. Robert J. Sternberg. Cognitive Psychology. – Boston: Cengage Learning, 2017. – 520 p. 2. John Dewey. Democracy and Education. – New York: Free Press, 2018. – 456 p. 3. UNESCO. Artificial Intelligence in Education: Challenges and Opportunities for Sustainable Development. – Paris: UNESCO Publishing, 2021. – 48 p. 4. Tolipov O‘., Usmonboyeva M. Pedagogik texnologiyalarning tatbiqiy asoslari. – Toshkent: Fan, 2019. – 240 b. 5. Ishmuhamedov R., Abduqodirov A., Pardaev A. Ta’limda innovatsion texnologiyalar. – Toshkent: Iste’dod, 2020. – 180 b. POST-KVANT KRIPTOGRAFIYASINING BLOCKCHAIN TIZIMLARI XAVFSIZLIGINI TA’MINLASHDAGI ROLI 1 Xudoyberdiyev Azizjon Norjigit o‘g‘li 1 Tashkent International University; scientist.py@gmail.com Annotatsiya: Zamonaviy blockchain tarmoqlari asimmetrik kriptografiya va xeshfunksiyalarga tayanadi, biroq kvant kompyuterlarining rivojlanishi ushbu poydevorlarni jiddiy xavf ostiga qo‘ymoqda. Tadqiqotning maqsadi blockchain tizimlarini kvant hujumlaridan himoya qilishda post-kvant kriptografiyasi (PQC) algoritmlarini qo‘llash imkoniyatlarini baholashdan iborat. Ishda Shor va Grover algoritmlarining an’anaviy kriptotizimlarga ta’siri matematik modellashtirildi hamda NIST tomonidan tavsiya etilgan panjara va xeshga asoslangan raqamli imzolar tahlil qilindi. Natijalar shuni ko‘rsatadiki, Shor algoritmi elliptik egri chiziqli raqamli imzolarni (ECDSA) polinomial vaqtda buzishga qodir, panjaraga asoslangan CRYSTALSDilithium va Falcon algoritmlari esa kvantga chidamlilikni ta’minlaydi, biroq tranzaksiya hajmini oshiradi. Xulosa o‘rnida, blockchain tarmoqlarini to‘liq post-kvant davriga o‘tkazish tarmoq o‘tkazuvchanligini optimallashtirishni talab etadi va gibrid tizimlardan foydalanish tavsiya etiladi. Kalit so‘zlar: post-kvant kriptografiyasi, blockchain, smart-contract, xesh-funksiya, Shor algoritmi, panjaraga asoslangan kriptografiya. 1. KIRISH Zamonaviy raqamli iqtisodiyot va markazlashmagan moliya tizimlarining asosi hisoblangan blockchain texnologiyalari fundamental kriptografik primitivlar yordamida himoyalangan [1]. Bitcoin va Ethereum kabi ommaviy blockchain tarmoqlarida foydalanuvchilarning aktivlari 96

egaligini tasdiqlash uchun elliptik egri chiziqlar kriptografiyasiga (ECC) asoslangan raqamli imzolar qo‘llaniladi [2]. Biroq, hisoblash quvvati jihatidan sifat jihatidan yangi bosqich bo‘lgan kvant kompyuterlarining yaratilishi amaldagi xavfsizlik standartlarini inqirozga uchratishi kutilmoqda [3]. Kvant kompyuterlarida ishlovchi Shor algoritmi bugungi kunda keng tarqalgan barcha asimmetrik kriptotizimlarni sindirishga qodir [4]. Bu esa ommaviy kalitlar orqali maxfiy kalitlarni tiklash va blockchain hamyonlaridagi mablag‘larni ruxsatsiz o‘zlashtirish xavfini tug‘diradi. Ushbu muammoni hal etish uchun xalqaro ilmiy hamjamiyat, xususan NIST, kvant hujumlariga chidamli bo‘lgan post-kvant kriptografiyasi (PQC) algoritmlarini ishlab chiqmoqda [5]. Mazkur tadqiqotning asosiy maqsadi PQC algoritmlarining blockchain arxitekturasiga, xususan smartkontraktlar xavfsizligiga integratsiyalashuv mexanizmlarini va ulardan kelib chiqadigan cheklovlarni matematik hamda amaliy jihatdan tahlil qilishdir. 2. MATERIALLAR VA USULLAR Tadqiqot doirasida kvant algoritmlarining amaldagi blockchain xavfsizlik primitivlariga ta’sirini baholash uchun matematik modellashtirish uslubidan foydalanildi. Xususan, Shor algoritmining elliptik egri chiziqdagi diskret logarifmlash muammosiga (ECDLP) hamda Grover algoritmining SHA-256 va Keccak-256 xesh-funksiyalariga ta’siri hisoblab chiqildi.Post-kvant muqobillari sifatida NIST xalqaro standarti tanlovining IV bosqichida ishtirok etayotgan panjaraga asoslangan (Lattice-based) hamda xeshga asoslangan (Hash-based) raqamli imzo protokollarining parametrlari tahlil qilindi. Tadqiqotda qo‘llanilgan barcha matematik modellar va kompyuter simulyatsiyasi kodlari ochiq akademik manbalarda joylashtirilgan hamda qayta tekshirish uchun ochiqdir. 3. NATIJALAR Kvant algoritmlarining matematik tahlili Blockchain tarmoqlarida tranzaksiyalarni imzolash uchun qo‘llaniladigan ECDSA algoritmi chekli maydon F p ustidagi elliptik egri chiziq tenglamasiga asoslanadi: E (F p ) : y 2 x3 + ax + b ( mod p ) (1) Bu yerda G E ( F p ) generator nuqta, d [1, n − 1] maxfiy kalit va Q = d G ommaviy kalit hisoblanadi. Klassik kompyuterlarda Q va G berilganda d ni topish murakkabligi O ( n ) ga teng. Shor algoritmi esa Kvant Furye almashtirishidan (QFT) foydalanib, funksiyaning 3 davriyligini topadi va ushbu muammoni polinomial vaqtda, ya’ni O ((log n) ) qadamda hal qiladi. Grover algoritmi esa teskari funksiyalarni qidirishni tezlashtiradi. Berilgan y = H ( x) xesh n qiymatiga ko‘ra asl x ma’lumotni topish uchun klassik brute-force 2 qadam talab qilsa, Grover algoritmi buni quyidagicha qadamda bajaradi: 97

O ( 2) n n2 =O 2 (2) Bu SHA-256 funksiyasining xavfsizlik darajasini 128 bitga tushirib qo‘yadi. Post-kvant algoritmlarining muqobillari Kvant hujumlariga qarshi Xatoliklar bilan o‘rganish (LWE - Learning With Errors) muammosiga asoslangan panjarali kriptografiya taklif etiladi. Unda matritsa ko‘rinishidagi quyidagi munosabatdan maxfiy s vektorini topish talab qilinadi: b = A s + e ( mod q ) (3) Bu yerda e — xatolik vektori bo‘lib, u tizimni kvant kompyuterlari uchun ham chiziqli bo‘lmagan murakkab holatda saqlaydi. Xeshga asoslangan ko‘p martalik imzolarda esa Merkle daraxti ierarxiyasidan foydalaniladi va uning ildizi (Root) ommaviy kalit hisoblanadi: R = H ( H ( y1 || y2 ) || H ( y3 || y4 )) (4) Eksperimental tahlillar natijasida olingan ma’lumotlar quyidagi ro‘yxat shaklida umumlashtirildi: • Panjaraga asoslangan algoritmlar (Dilithium) yuqori tezlikka ega, biroq kalit hajmi katta. • Xeshga asoslangan imzolar (SPHINCS+) faqat xesh mustahkamligiga tayanadi, ammo imzo hajmi juda og‘ir. • Mavjud blockchain tugunlari ushbu algoritmlarni qabul qilishi uchun tarmoq arxitekturasini o‘zgartirish talab etiladi. Olingan texnik ko‘rsatkichlar 1-jadvalda jamlangan. 1-jadval. Kriptografik algoritmlarning texnik parametrlari solishtirmasi. Algoritm nomi ECDSA (secp256k1) Ommaviy (Bytes) 33 CRYSTALS-Dilithium2 SPHINCS+ (SHA2-128f) kalit Imzo hajmi (Bytes) 64 Kvant xavfsizligi Mavjud emas 1,312 2,420 Mavjud (Panjara) 32 17,088 Mavjud (Xesh) PQC algoritmlari kiritilganda blockchain tarmoqlarida bir blokga sig‘adigan tranzaksiyalar soni ( N tx ) quyidagi formula bo‘yicha kamayishi aniqlandi: 98

Ntx = Vblock Smeta + S pubkey + S sign (5) Tarmoq o‘tkazuvchanligi va hisoblash yuklamasi simulyatsiyasi Algoritmlarning blockchain tarmoqlaridagi dinamik ta'sirini baholash uchun 1 MB ( Vblock ) hajmli standart blok sig‘imi doirasida simulyatsiya o‘tkazildi. Har bir tranzaksiyaning metadata hajmi Smeta = 250 Bytes deb olingan invariant qiymatda, algoritmlarning blok ichidagi zichligi va tarmoqning maksimal o‘tkazuvchanlik koeffitsiyenti ( Transactions Per Block ) tahlil qilindi. Simulyatsiya natijasida olingan grafik shuni ko‘rsatadiki, an'anaviy ECDSA qo‘llanilganda bir blok guruhiga 2900 dan ortiq tranzaksiya joylashtirish mumkin bo‘lsa, CRYSTALS-Dilithium2 muqobiliga o‘tish bu ko‘rsatkichni maksimal 263 ta tranzaksiyaga tushiradi. SPHINCS+ arxitekturasida esa imzo hajmining haddan tashqari kattaligi sababli bir blok bor-yo‘g‘i 58 ta tranzaksiyani sig‘dira oladi, bu esa ommaviy blockchain tarmoqlarida 98.3% gacha o‘tkazuvchanlik yo‘qotilishiga (throughput degradation) olib keladi [2]. Ushbu muammo postkvant muqobillarini to‘g‘ridan-to‘g‘ri integratsiya qilib bo‘lmasligini, balki Layer-2 yoki zkrollup kabi masshtablashtirish echimlaridan foydalanish zarurligini isbotlaydi. Smart-kontraktlar ijrosidagi yuklama va gas sarfi hisobi Post-kvant raqamli imzolarini verifikatsiya qilish jarayoni Ethereum Virtual Machine ( EVM ) yoki unga o‘xshash markazlashmagan hisoblash muhitlarida bajarilganda, an’anaviy ECDSA ga qaraganda ko‘p miqdorda hisoblash resurslarini (CPU cycles) talab qiladi. Ayniqsa, panjaraga asoslangan algoritmlarda qo‘llaniladigan Sonlar nazariyasi almashtirishi (NTT - Number Theoretic Transform) va ko‘pnomli modul arifmetikasi operatsiyalari smart-kontraktlar ijrosida gaz ( Gas ) sarfini keskin oshiradi. EVM muhitida post-kvant imzosini tekshirish uchun zarur bo‘lgan umumiy gaz miqdori ( Gas total ) quyidagi empirik formula orqali hisoblandi: Gastotal = Gasbase + Ssign + O (n log n) (6) Bu yerda Gasbase — tranzaksiyani chaqirishning bazaviy qiymati ( 21000 Gas ), S sign — imzo baytlari hajmi, — har bir bayt ma’lumotni xotiraga yuklash ko‘rsatkichi ( 16 Gas/Byte ), esa algebraik amallarning murakkablik multiplikatoridir. CRYSTALS-Dilithium2 algoritmida NTT amallari ko‘p marta takrorlangani sababli, bitta imzoni tekshirish qiymati o‘rtacha 1.2 106 Gas ni tashkil etdi. Bu esa amaldagi ECDSA ning ecrecover funksiyasidan ( 3000 Gas ) taxminan 400 barobar yuqoridir. Natijada, bitta blok ichida bajarilishi mumkin bo‘lgan smart-kontraktlar soni cheklanadi va murakkab logistika yoki moliyaviy dApp (decentralized applications) tizimlarining funksionalligi iqtisodiy jihatdan samarasiz bo‘lib qoladi. 99