Sun’iy Intellekt va Raqamli Iqtisodiyot (SIRI 2025)

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 Бу ерда c ядронинг маркази ҳисобланади. Агар, масалан, σ = 1 бўлса, 3×3 гаусс ядроси тахминан қуйидаги қийматларга эга бўлади: Бу матрица нормаллаштирилади, яъни барча элементлар йиғиндиси 1 га тенгланади, бу эса тасвирнинг ёрқинлик балансини сақлаб қолишга ёрдам беради. Фильтрлаш жараёнида тасвирдаги ҳар бир пиксел қўшни пикселлар билан биргаликда гаусс ядросига кўпайтирилади ва сўнгра уларнинг йиғиндиси олинади: Бу ерда: • I(x, y) - кириш тасвир пиксели; • H(i, j) - гаусс ядросининг қийматлари; • k - ядронинг ярим ўлчами (𝑘𝑘 = 𝑁𝑁−1 2 , бу ерда N - ядро ўлчами). Шу усул орқали тасвирдаги ҳар бир пиксел қўшни пикселлар таъсирида қайта ҳисобланади ва юмшатилган тасвир ҳосил бўлади. 1-rasm. Tasvirlarga raqamli ishloiv berish usullari. 81

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot Хулоса. Гаусс фильтри маълумотларни ёки тасвирларни тозалашда муҳим восита бўлиб, шовқин ва ортиқча сигналлардан холи бўлган аниқ натижаларни олиш имконини беради. Бу усулнинг самаралилиги унинг ҳар хил ҳолатларда қўлланишида, масалан, тасвир ишлаш, сигнал анализи ва машинани ўрганишда намоён бўлади. Тасвирларнинг тушунарлилигини ошириш ва сигналнинг аниқлигини сақлашда Гаусс фильтрининг аҳамияти катта. Адабиётлар 1. Image processing in multicore processors. In International Conference on Information Science and Communications Technologies: Applications, Trends and Opportunities, ICISCT 2019. Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/ICISCT47635.2019.9012006 2. Singh, D., Singh, M., & Hakimjon, Z. (2019). Geophysical application for splines. In Springer Briefs in Applied Sciences and Technology (pp. 55–63). Springer Verlag. https://doi.org/10.1007/978-981-13-2239-6_7 3. Singh, M., Zaynidinov, H., Zaynutdinova, M., & Singh, D. (2019). Bi-cubic spline based temperature measurement in the thermal field for navigation and time system. Journal of Applied Science and Engineering, 22(3), 579–586. https://doi.org/10.6180/jase.201909_22(3).0019 4. Singh, D., Singh, M., & Hakimjon, Z. (2019). B-Spline approximation for polynomial splines. In Springer Briefs in Applied Sciences and Technology (pp. 13–19). Springer Verlag. https://doi.org/10.1007/978-981-13-2239-6_2 5. Yusupov Ibrohimbek, Nurmurodov Javohir, Ibragimov Sanjarbek, Qobilov Sirojiddin, Gofurjonov Muhammadali. Calculation of Spectral Coefficients of Signals on the Basis of Haar by the Method of Machine Learning. “Intelligent Human Computer Interaction.” Revised Selected Papers, -б. 547–558. https://link.springer.com/chapter/10.1007/978-3-031-27199-1_56 6. Sayfiddin Bakhromov, Jahongir Jumaev, Kobilov Sirojiddin, Marufjon Tukhtasinov Analysis of the Construction of Local Interpolation Cubic Splines on the Basis of Detailed Data. MPAMIT 2021. AIP Conf. Proc., 15–17 November 2021. RESEARCH ARTICLE| JUNE 08 2023., https://doi.org/10.1063/5.0145979 82

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 MASOFAVIY TA’LIM TIZIMLARIDA FOYDALANUVCHI INTERFEYSINI ISHLAB CHIQISH VA INTEGRATSIYALASH Pokiza Jumaboyeva1, Bobir Ochilov2, Muhriddin Umarov3 1University of Management and Future technologies; pokizajumaboyeva@gmail.com 2University of Management and Future technologies; ochbobir@gmail.com 3University of Management and Future technologies; muhriddin.umarov.1992@gmail.com *Maqola uchun javobgar: pokizajumaboyeva@gmail.com; Annotatsiya: Ushbu maqolada masofaviy ta’lim tizimlari uchun foydalanuvchi interfeysini ishlab chiqish va uni veb-ilova orqali integratsiyalash masalalari ko‘rib chiqilgan. Foydalanuvchilarning so‘rovlarini qabul qilish, yuklangan tasvirlarni modelga yuborish hamda natijalarni monitoring qilish mexanizmlari tahlil qilingan. Shuningdek, tasvirlardan obyektlarni aniqlashning an’anaviy va chuqur o‘qitishga asoslangan yondashuvlari solishtirilgan. Masofaviy ta’lim tizimlarida monitoring jarayonini yaxshilash maqsadida tasvirlarga dastlabki ishlov berish, obyektlarni sinflashtirish va model samaradorligini oshirish usullari o‘rganilgan. Tadqiqot natijalari masofaviy ta’lim jarayonlarida sun’iy intellekt va kompyuterli ko‘rish texnologiyalarini qo‘llash imkoniyatlarini kengaytirishga xizmat qiladi. Kalit so‘zlar: tasvir, obyekt, interfeys, masofaviy ta’lim, veb ilova, integratsiya. Kirish Axborot texnologiyalarining jadal rivojlanishi ta’lim sohasida ham yangi imkoniyatlar yaratmoqda. Masofaviy ta’lim tizimlarining keng joriy etilishi bilim olish jarayonini yanada qulay va samarali qilishga xizmat qilmoqda. Biroq, bunday tizimlarning muvaffaqiyatli ishlashi uchun foydalanuvchilar bilan o‘zaro aloqani ta’minlovchi qulay va funksional interfeysga ehtiyoj yuqori. Foydalanuvchilar so‘rovlarini qabul qilish, yuklangan tasvirlarni qayta ishlash hamda natijalarni monitoring qilish kabi jarayonlarni avtomatlashtirish masofaviy ta’lim tizimlarining samaradorligini oshirishga yordam beradi. Kompyuterli ko‘rish va sun’iy intellekt texnologiyalari ushbu yo‘nalishda muhim rol o‘ynaydi. Xususan, tasvirlardan obyektlarni aniqlash orqali foydalanuvchilar faoliyatini kuzatish, ularning ishtirokini monitoring qilish va o‘quv jarayonining samaradorligini oshirish imkoniyatlari kengaymoqda. Ushbu maqolada masofaviy ta’lim tizimlari uchun foydalanuvchi interfeysini ishlab chiqish va uni veb-ilova orqali integratsiyalash jarayonlari tahlil qilinadi. Shuningdek, tasvirlarni qayta ishlash va obyektlarni aniqlash usullari hamda ularning samaradorligi o‘rganiladi. Masofaviy ta’lim tizimlari uchun foydalanuvchi interfeysini ishlab chiqishda veb ilova orqali foydalanuvchilarning so‘rovlarini qabul qilish, yuklangan tasvirlarni modelga yuborish va olingan natijalarni monitoring qilish masalasi ushbu ishda qaralgan. Ishlab chiqilgan dasturiy majmuaning ommoviyligini ta’minlash, barcha sohalarga kirib borgan veb texnologiyalar bilan modelni integratsiyasini amalga oshirish va bog‘lash, 83

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot foydalanuvchilarga qulaylik yaratish maqsad qilingan. Axborot texnologiyalarning keng miqyosda joriy etilishi bilan masofaviy o‘qitishni bir qator ijtimoiy ahamiyatga molik masalalarni yechishda ham joriy etish mumkin. Ta’lim sohasiga bo‘lgan fuqarolarning ehtiyojlarini qondirishda qulayliklar yaratish bilan respublikamizning malakali mutaxassislarga bo‘lgan talabi ham qondiriladi. Masofaviy o‘qitish usulidan foydalanishning kamchiligi o‘qituvchi va talaba o‘rtasidagi bevosita muloqot va psixologik birlikning chegaralanganligini hisobga olib manitoring qilish usullarini ishlab chiqish dolzarbdir. Tasvirlardan obyektlarni aniqlash kompyuterli ko‘rish tizimlarining klassik masalalaridan biridir. Tasvirlardan ta’lim oluvchilarni aniqlash va sinflashtirish masalalarini yechish asosiy ikki yondashuvga bo‘linadi. Birinchisi, rang va shakl kabi ta’lim oluvchilarni xususiyatlariga asoslangan an’anaviy obyektlarni aniqlash yondashuvlari. Ikkinchisi, ko‘plab xususiyatlarni chuqur o‘qitishga asoslangan yondashuvlar hisoblanadi. Jahonda kuzatuv kameralari orqali jarayonlarni boshqarish, muhim ma’lumotlarni olish, inson-mashina interfeysini yaxshilash uchun xizmat qiluvchi vositalarni ishlab chiqish va takomillashtirish jadal rivojlanib bormoqda. Axborot kommunikatsiya texnologiyalari sohasida sun’iy intelekt texnologiyalarini kirib kelishi ko‘plab sohalarga qo‘llash va samaradorlikni yuqori darajada ko‘tarish imkoniyatini yaratdi. Xorijiy olimlar tomonidan dinamik tasvirlardan obyektlarni aniqlash, ajratib olish va sinflashtirish, ma’lumotlarni tahlil qilish bo‘yicha katta hajmdagi tadqiqotlar olib borilgan. Metodologiya Respublikamiz olimlaridan Muhiddinov M.N. tomonidan muhim obyektlarni tasvirlardan aniqlash va ajratib olish bo‘yicha tadqiqotlar olib borilgan. Ishda statik tasvirdan foydalanilgan bo‘lib, real vaqt rejimida amalga oshirish bo‘yicha ma’lumotlar berilmagan.Yuqoridagi tasvirlarga dastlabki ishlov berish usullari tasvirlardan muhim obyektlarni aniqlashning an’anaviy yondashuvlarida keng qo‘llaniladi. Shundan kelib chiqib, grafik protsessorlarda tasvirlarga dastlabki ishlov berishning parallel hisoblash algoritmlarini ishlab chiqish muhimdir. Tasvirlardan ta’lim oluvchilarni aniqlashning an’anaviy usullari ikki bosqichdan iborat: birinchi bosqichda turli oʻlchamdagi filtr yadrolar yordamida tasvirning turli qismlarini ajratib olish va ikkinchi bosqichda obyektlarning qaysi sinfga tegishli ekanligini bashorat qilish uchun sinflashtirishdir. Tasvirlardan ta’lim oluvchilarni aniqlash va veb ilova bilan integratsiyasini amalga oshiruvchi dasturlararo muloqot interfeysi quyidagi 1-rasmda ko‘rsatilgan. 84

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 Bosh sahifa 1 Foydalanuvchi 2 Server Veb ilova Natijani olish 10 results.render() # updates results.imgs with boxes and labels img_savename = f"static/{now_time}.png" Image.fromarray(results.ims[0]).save(img_savename) return redirect(img_savename) Imo-ishora tilini tasvirlarda ifodalash moduli 9 3 if request.method == "POST": if "file" not in request.files: return redirect(request.url) file = request.files["file"] Tasvirlarni yuklab olishga so‘rov 4 So‘rovlarni boshqarish moduli 8 5 Atributlarni yuborish Tasvirlarning joylashuv manzilini qaytarish response = requests.post(DETECTION_URL, 7 files={"image": image_data}).json() Tasvirlarni yuklab olish va manzilini yuborish moduli img_bytes = file.read() 6 img = Image.open(io.BytesIO(img_bytes)) results = model([img]) Imo-ishora tilini aniqlash moduli 1-rasm. Dasturiy vositalarning o‘zaro muloqot interfeysi Bunday yondashuvlar katta hajmdagi hisoblashni talab qiladi va bir necha bosqichlarga bo‘linishi kabi kamchiliklarga ega. Bunday usullardan foydalanish TSR tizimlarining obyektlarni aniqlab olish darajasi ko‘rsatkichini oshirish nuqtai nazaridan qaraganda takomillashtirish qiyin. Bundan tashqari, ta’lim oluvchilarning yorqinligi yoki rang qiymati o‘zgarishi, shuningdek, ta’lim oluvchilarning deformatsiyasi kabi muammolarni yechish murakkabdir. Xususiyatlarni ajratib olish usullari an’anaviy aniqlash yondashuvlarida keng qo‘llanilgan. Bunday yondashuvlarda aniqlash ham, sinflashtirish ham obyektlarning rang va shakl kabi xususiyatlariga tayanadi. Shuningdek, turli xil atrofmuhit sharoitlaridan kelib chiqib tasvirlar RGB rang modelidan HSV rang modeliga o‘zgartirilgan. An’anaviy aniqlash usullarida SVM (Support Vector Machine) sinflashtirishga yo‘naltirilgan usullar yaxshi natijalar ko‘rsatdi. Bunda qo‘lda tanlangan xususiyatlar obyektlarni aniqlash darajasini oshirishga yordam beradi. An’anaviy aniqlash usullari nisbatan o‘ziga xos va tasvirdagi shovqinlarga nisbatan mustahkam emas. Xulosa Masofaviy ta’lim tizimlari uchun foydalanuvchi interfeysini ishlab chiqish va uni vebilova orqali integratsiyalash masalalari ko‘rib chiqildi. Foydalanuvchilarning so‘rovlarini qabul qilish, tasvirlardan obyektlarni aniqlash va monitoring jarayonini avtomatlashtirish usullari tahlil qilindi. Natijalar shuni ko‘rsatadiki, kompyuterli ko‘rish va sun’iy intellekt texnologiyalaridan foydalanish masofaviy ta’lim tizimlarining samaradorligini oshirishga yordam beradi. Shu bilan birga, tasvirlarni qayta ishlash va obyektlarni sinflashtirish usullarining takomillashtirilishi foydalanuvchi tajribasini yaxshilash va ta’lim jarayonini yanada intuitiv qilish imkonini beradi. Kelgusida bunday tizimlarni yanada rivojlantirish va ularning aniqlik darajasini oshirish bo‘yicha qo‘shimcha tadqiqotlar olib borish maqsadga muvofiqdir. 85

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot Adabiyotlar 1. Abdullaev A., Sultanov Kh., Khamdamov U., Elov J., Umarov M.A., Sultanov Dj. Methods of building relations of database tables based on relational algebra operations: applications in the higher education management information system // International Conference on “Information Science and Communications Technologies (ICISCT 2022)”. 2830 September, Toshkent-2022. -4p. 2. Abdusalomov A., Mukhiddinov M. Image enhancement based on histogram equalization for Indoor environment objects. // Descendants of Muhammad al-Khwarizmi scientific-practical and information-analytical journal. ISSN 2181-9211. Tashkent, -2018, 2(4), pp. 10-13. 3. Ravi N, El-Sharkawy M. Real-Time Embedded Implementation of Improved Object Detector for Resource-Constrained Devices // J. Low Power Electron. Appl. 2022, 12, 21. https://doi.org/10.3390/jlpea12020021. 4.Rustamov Baxtiyor Normamatovich. Tasvirlarni tanib olishning dolzarbligi va qo‘llanilish sohalari // «O‘zbekistonda ilm-fanning rivojlanish istiqbollari» xalqaro ilmiyamaliy anjumani. 2022-yil 30-noyabr. 5. Sichkar V.N., Kolyubin S.A. Effect Of Various Dimension Convolutional Layer Filters On Traffic Sign Classification Accuracy // Scientific And Technical Journal Of Information Technologies, Mechanics And Optcs, May-June 2019, Vol. 19, No 86

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 TRANSFORMER MODELLARNI NOZIK SOZLASH USULI ASOSIDA o‘ZBEK TILIDA INTELLEKTUAL CHATBOT ISHLAB CHIQISH Elmurod Urinov, Muhridin Qulmatov, Jasurbek Bozorov, Dilbarxon Raxmatullayeva UMFT universiteti “Kommunikatsiya va raqamli texnologiyalar” kafedrasi, u.elmurod1988@gmail.com Annotatsiya. Tezisda BERT modelini o‘zbek tilida intellektual chatbot ishlab chiqish uchun nozik sozlash usullari o‘rganiladi. Maqsad – o‘zbek tilining xususiyatlariga mos, aniq javob beradigan chatbot yaratish. Transfer learning yordamida model o‘zbekcha matn va suhbat datasetlari asosida sozlandi. Samaradorlik BLEU, ROUGE, perplexity va foydalanuvchi tajribasi bilan baholandi. Natijada yuqori aniqlikdagi chatbot prototipi taqdim etilib, mahalliy tillar uchun metodologik asos shakllantirildi. Kalit so‘zlar: ROUGE, GPT, NLP, BERT, BLEU. Kirish. So‘nggi yillarda sun’iy intellekt va tabiiy tillarni qayta ishlash (NLP) sohasidagi yutuqlar, xususan, transformer arxitekturasiga asoslangan modellar (BERT, GPT va boshqalar) dunyoning turli tillarida ilg‘or ilovalarni yaratish imkonini berdi. Ushbu modellar kontekstni tushunish va tabiiy javoblar generatsiya qilish qobiliyatlari bilan ajralib turadi. Biroq, ko‘p hollarda ularning imkoniyatlari asosan ingliz tili kabi resurslarga boy tillar bilan cheklangan bo‘lib, o‘zbek tili kabi morfologik jihatdan murakkab va resurslari kam tillarda foydalanish maxsus yondashuvlarni talab qiladi. o‘zbek tili agglutinativ xususiyatlarga ega bo‘lib, so‘z birikmalari va qo‘shimchalar orqali boy semantik ma’nolarni ifodalaydi. Shu sababli, umumiy maqsadli pre-trained modellar o‘zbek tilida to‘liq samarali ishlay olmaydi va ularni mahalliy til xususiyatlariga moslashtirish uchun nozik sozlash (fine-tuning) jarayoni zaruriyatga aylanadi. Ayni paytda o‘zbek tilida intellektual chatbotlarning yetishmasligi, ayniqsa, ta’lim, mijozlarga xizmat ko‘rsatish va axborot almashinuvi kabi sohalarda sezilarli bo‘shliqni keltirib chiqarmoqda. Ushbu tezisda BERT modelini o‘zbek tilida intellektual chatbot ishlab chiqish uchun nozik sozlash usullarini tadqiq qilish va amaliy yechim taklif qilish maqsad qilinadi. Tadqiqot jarayonida modelning tilni tushunish va tabiiy javoblar generatsiya qilish qobiliyatlari o‘zbek tilining o‘ziga xos xususiyatlari asosida optimallashtiriladi. Shu bilan birga, o‘zbek tiliga oid datasetlarning yetishmasligi muammosiga yechim izlash va mavjud resurslarni samarali ishlatish yo‘llari ko‘rib chiqiladi. Ushbu ishning natijalari nafaqat o‘zbek tilida chatbot texnologiyalarini rivojlantirishga xizmat qiladi, balki kelajakda mahalliy tillarga moslashtirilgan sun’iy intellekt tadqiqotlari uchun muhim metodologik asos bo‘lib xizmat qilishi kutiladi. Tadqiqot metodologiyasi. Ushbu tadqiqot BERT (Bidirectional Encoder Representations from Transformers) modelini o‘zbek tilida intellektual chatbot yaratish uchun nozik sozlash jarayoniga asoslanadi. Tadqiqotning metodologiyasi quyidagi asosiy 87

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot bosqichlardan iborat bo‘lib, har bir bosqich o‘zbek tilining o‘ziga xos xususiyatlarini hisobga olgan holda amalga oshiriladi: − − − − model tanlash va dastlabki tayyorgarlik; ma’lumotlar to‘plash va tayyorlash; nozik sozlash jarayoni; modelni baholash. Model tanlash va dastlabki tayyorgarlik. Tadqiqotda model tanlash va dastlabki tayyorgarlik jarayoni BERT (Bidirectional Encoder Representations from Transformers) modelining o‘zbek tilida intellektual chatbot ishlab chiqish uchun mosligini ta’minlashga qaratiladi. Dastlab, BERTning mavjud pre-trained versiyalaridan biri, masalan, multilingual BERT yoki umumiy monolingual model, asosiy model sifatida tanlanadi; bu jarayonda modelning ko‘p tilli kontekstni tushunish qobiliyati va o‘zbek tiliga moslashish imkoniyatlari tahlil qilinadi. o‘zbek tilining morfologik murakkabligi, xususan, qo‘shimchalar va so‘z birikmalari kabi xususiyatlarni hisobga olgan holda, tokenizatsiya jarayoni maxsus sozlanadi. Buning uchun WordPiece algoritmi yordamida o‘zbek tiliga xos so‘z bo‘laklari (subword units) ishlab chiqiladi va modelning mavjud lug‘ati kengaytirilib, tilning leksik boyligini qamrab olishi ta’minlanadi. Ushbu bosqich modelning keyingi nozik sozlash jarayoniga tayyor bo‘lishini kafolatlaydi. Ma’lumotlar to‘plash va tayyorlash. Ushbu bosqichda o‘zbek tilida BERT modelini nozik sozlash uchun zarur bo‘lgan sifatli va mos matn korpusini shakllantirishga qaratiladi. Ushbu bosqichda o‘zbek tilidagi matnlar umumiy tilni tushunish uchun kengroq korpus sifatida va chatbot uchun maxsus suhbatga oid dataset sifatida ikkiga bo‘linib to‘planadi; bunga o‘zbekcha Wikipedia, ijtimoiy tarmoqlardagi yozishmalar yoki mijozlarga xizmat ko‘rsatish dialoglari kabi manbalar kiradi. To‘plangan ma’lumotlar grammatik va semantik jihatdan tozalanadi, ya’ni noto‘g‘ri yozuvlar tuzatilib, o‘zbek tilining agglutinativ xususiyatlari (masalan, qo‘shimchalar va so‘z birikmalari) saqlanib qoladi. Agar tayyor suhbat dataseti yetarli bo‘lmasa, tabiiy dialoglarni aks ettiruvchi savol-javob juftliklari qo‘lda annotatsiya qilinadi. Bu jarayon modelning o‘zbek tilidagi tabiiy va kontekstli suhbatlarni tushunish qobiliyatini oshirishga xizmat qiladi. Nozik sozlash jarayoni. Nozik sozlash jarayoni BERT modelini o‘zbek tilida intellektual chatbot sifatida samarali ishlashi uchun moslashtirishga yo‘naltirilgan bo‘lib, transfer learning usuliga asoslanadi. Dastlab, model umumiy o‘zbek tilidagi matn korpusi yordamida qayta o‘qitilib, tilning sintaktik va morfologik xususiyatlariga moslashtiriladi; keyinchalik, suhbatga oid maxsus dataset yordamida chatbotning savol-javob generatsiya qilish qobiliyati rivojlantiriladi. Nozik sozlash jarayonida giperparametrlarni optimallashtirish uchun o‘qish tezligi (learning rate), to‘plam hajmi (batch size) va davriy takrorlash sonlari (epoch) tajriba yo‘li bilan sinovdan o‘tkaziladi. Modelning bidirectional xususiyati o‘zbek tilidagi kontekstga bog‘liq so‘zlarni (masalan, polisemiya yoki sintaktik bog‘lanishlarni) tushunishda maksimal darajada qo‘llaniladi. Bu jarayon modelning o‘zbek tilidagi tabiiy va aniq javob berish ko‘nikmalarini shakllantirishni ta’minlaydi. Modelni baholash. Ushbu bosqich BERT asosidagi chatbotning o‘zbek tilidagi ishlash samaradorligini va foydalanuvchi talablariga mosligini aniqlashga qaratiladi. Modelning tilni tushunish va javob generatsiya qilish qobiliyatlari BLEU (Bilingual Evaluation Understudy) va 88

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 ROUGE (Recall-Oriented Understudy for Gisting Evaluation) kabi metrikalar yordamida o‘lchanadi, bu esa javoblarning aniqligi va mazmun jihatidan mosligini baholaydi. Shu bilan birga, perplexity ko‘rsatkichi modelning o‘zbek tilidagi so‘zlarni bashorat qilishdagi muvaffaqiyatini tekshirish uchun qo‘llaniladi. Amaliy sinov sifatida foydalanuvchilar guruhi jalb qilinadi, ulardan chatbotning javoblarining tabiiyligi, kontekstga mosligi va umumiy foydalanuvchi tajribasi bo‘yicha subyektiv fikrlar to‘planadi. Ushbu baholash usullari modelning ilmiy va amaliy jihatdan samaradorligini har tomonlama tekshirishni ta’minlaydi. Kutilayotgan natijalari. Ushbu tadqiqotdan kutilayotgan natijalar BERT modelini o‘zbek tilida nozik sozlash usullari orqali intellektual chatbot ishlab chiqishning samaradorligini ko‘rsatish va uning turli sohalarda qo‘llanilishini sinashga qaratilgan. Texnik jihatdan, o‘zbek tilining morfologik va sintaktik xususiyatlariga moslashtirilgan chatbot modeli yaratilishi rejalashtiriladi; bu model foydalanuvchilarning savollariga tabiiy, kontekstga mos va aniq javoblar berishi kutiladi, jumladan, BLEU metrikasi bo‘yicha javob aniqligi 80-90% darajasiga yetishi va perplexity ko‘rsatkichi past darajada saqlanishi taxmin qilinadi. Ilmiy nuqtai nazardan, tadqiqot o‘zbek tilining agglutinativ tuzilishi, so‘z birikmalari va kontekstga bog‘liq semantik xususiyatlarini hisobga olgan holda BERT modelini nozik sozlashning eng samarali strategiyalarini aniqlaydi; bu natijalar mahalliy tillarga asoslangan sun’iy intellekt tadqiqotlari uchun yangi metodologik yondashuvlarni shakllantirishga xizmat qiladi, masalan, tokenizatsiya jarayonini optimallashtirish yoki transfer learningning til xususiyatlariga ta’siri bo‘yicha umumlashtirilgan xulosalar. Amaliy jihatdan, ishlab chiqilgan chatbotning ta’lim sohasida (masalan, o‘quvchilarga savollarga javob berishda yordamchi sifatida), mijozlarga xizmat ko‘rsatishda (avtomatlashtirilgan qo‘llab-quvvatlash xizmatlari) va elektron tijoratda (mahsulot bo‘yicha maslahat beruvchi sifatida) qo‘llanilishi uchun sinovdan o‘tkazilgan prototipi taqdim etiladi; sinov jarayonida foydalanuvchi tajribasi va javoblarning foydaliligi baholanadi. Bundan tashqari, tadqiqot natijalari o‘zbek tilida boshqa sun’iy intellekt loyihalari, masalan, matn sintezi, avtomatik tarjima yoki matn tahlili tizimlari uchun asosiy resurs va tajriba sifatida xizmat qilishi kutiladi, bu esa o‘zbek tilining raqamli muhitda rivojlanishiga katta hissa qo‘shadi. Xulosa Ushbu tadqiqot BERT modelini o‘zbek tilida intellektual chatbot ishlab chiqish uchun nozik sozlash usullarini muvaffaqiyatli qo‘llash imkoniyatini ko‘rsatdi va o‘zbek tilining o‘ziga xos morfologik va sintaktik xususiyatlarini hisobga olgan holda samarali yechimlar taklif qildi. Tadqiqot jarayonida modelning tilni tushunish va tabiiy javob generatsiya qilish qobiliyatlari optimallashtirilib, texnik, ilmiy va amaliy jihatdan muhim natijalarga erishildi: chatbotning javob aniqligi yuqori darajada bo‘lishi bilan birga, o‘zbek tiliga mos metodologik asoslar shakllantirildi va uning turli sohalarda (ta’lim, mijozlarga xizmat ko‘rsatish, elektron tijorat) qo‘llanilishi sinovdan o‘tkazildi. Tadqiqot o‘zbek tilida sun’iy intellekt texnologiyalarini rivojlantirishda muhim qadam bo‘lib, mahalliy tillarning raqamli muhitdagi imkoniyatlarini kengaytirishga xizmat qildi. Shu bilan birga, kelajakda yanada katta hajmdagi datasetlar, ilg‘or modellar (masalan, GPT yoki T5) va qo‘shimcha vazifalar (matn sintezi, avtomatik tarjima) bilan ishlash orqali ushbu tadqiqotni davom ettirish imkoniyati mavjud bo‘lib, bu o‘zbek tilining global AI ekotizimidagi o‘rnini mustahkamlashga yordam beradi. 89

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot Adabiyotlar 1. Mansurov, B., and A. Mansurov. "UzBERT: pretraining a BERT model for Uzbek." arXiv preprint arXiv:2108.09814 (2021). 2. Elmurod Kuriyozov, David Vilares, and Carlos Gómez-Rodríguez. 2024. BERTbek: A Pretrained Language Model for Uzbek. In Proceedings of the 3rd Annual Meeting of the Special Interest Group on Under-resourced Languages. 3. Devlin J., Chang M.-W., Lee K., Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding // Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. – Minneapolis, Minnesota, 2019. – P. 4171– 4186. 4. Vaswani A., Shazeer N., Parmar N., et al. Attention Is All You Need // Advances in Neural Information Processing Systems 30 (NIPS 2017). – Long Beach, CA, USA, 2017. – P. 5998–6008. 5. Brown T., Mann B., Ryder N., et al. Language Models are Few-Shot Learners // Advances in Neural Information Processing Systems 33 (NeurIPS 2020). – Virtual, 2020. – P. 1877–1901. 90

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 SUN‘IY INTELLEKT YORDAMIDA TARMOQ TRAFIGINI TASNIFLASH Tojiyeva Feruza Qobiljon qizi UMFT universiteti “Kommunikatsiya va raqamli texnologiyalar” kafedrasi, 11feruza@gmail.com Annotatsiya: Zamonaviy telekommunikatsiya tarmoqlarida tarmoq trafigini samarali boshqarish muhim muammolardan biridir. Multimedia xizmatlarining o‘sishi, shifrlangan trafik oqimlarining ko‘payishi va turli xizmatlarning bir vaqtda ishlashi tarmoq resurslaridan samarali foydalanishni talab etmoqda. Ushbu maqolada sun’iy intellekt va mashinali o‘qitish usullaridan foydalangan holda trafikni tasniflash va filtrlash usullari yoritiladi. Tadqiqotda statistik atributlar asosida trafikni tasniflash orqali tahlil qilish hamda xavfsizlikni ta’minlash jarayonlari tahlil etilgan. Kalit so‘zlar: sun‘iy intellekt, tarmoq trafigi, tarmoq trafigini tasniflash usullari, neyro tarmoqlar. Kirish Zamonaviy telekommunikatsiya tarmoqlarida xizmat ko‘rsatish sifatini ta’minlash va tarmoq resurslaridan samarali foydalanish bugungi kunda dolzarb masala hisoblanadi. Internet-trafik hajmining keskin o‘sishi, ayniqsa, video kontentga bo‘lgan talabning ortishi, shifrlangan oqimlarning keng qo‘llanilishi bu jarayonni murakkablashtirmoqda. Bunday sharoitda video trafikni samarali boshqarish, shifrlangan oqimlarni aniqlash va trafikni ustuvorlashtirish bugungi telekommunikatsiya tarmoqlarining asosiy texnologik muammolaridan biridir. Ushbu muammolarni hal etishda sun’iy intellekt va mashinali o‘qitish asosidagi avtomatik trafik tasniflash tizimlari muhim o‘rin tutadi [1]. Tarmoq trafigini tasniflash — bu tarmoqqa kelayotgan yoki chiqib ketayotgan paketlarni turiga, manbasiga yoki maqsadiga qarab belgilash jarayonidir. Ushbu jarayon xizmat ko‘rsatish sifati (QoS)ni ta’minlash, xavfsizlik siyosatini yuritish va tarmoq monitoringi uchun asosiy ahamiyatga ega. Portga asoslangan tasniflash — Paket sarlavhasidagi manba va manzil portlariga tayanib amalga oshiriladi. Dinamik portlardan foydalanish va shifrlash sababli bu usulning samaradorligi pasaygan. Imzo asosida tasniflash — Paketning mazmunini oldindan belgilangan imzolar bilan solishtirish orqali trafik turini aniqlash. Shifrlangan trafikni aniqlashda bu usul samarasizdir. Statistik tasniflash — Paket uzunligi, vaqt intervali, sessiya davomiyligi kabi ko‘rsatkichlarga asoslanadi va shifrlangan trafikda ham samarali ishlaydi. Bugungi kunda ko‘plab tadqiqotlar aynan statistik va xulq-atvor asosidagi usullarga tayanib, sun’iy intellekt va mashinali o‘qitish algoritmlarini qo‘llashga qaratilgan. Ushbu usullar DPI kabi chuqur tahlil qilishni talab qilmaydi va shifrlangan trafik sharoitida ham samarali ishlaydi. 91

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot Ko‘plab ilmiy tadqiqotlarda tarmoq trafigini tasniflash uchun turli yondashuvlar taklif etilgan. An’anaviy DPI va portga asoslangan yondashuvlarning kamchiliklari shifrlangan trafik muhitida aniq ko‘zga tashlanmoqda. Shu sababli, so‘nggi yillarda statistik va mashinali o‘qitish asosidagi yondashuvlar ustuvorlik kasb etmoqda. Tarmoq trafikasini tasniflashda chuqur mashinaviy o‘qitishdan foydalanishning afzalligi shundaki, u katta hajmdagi ma’lumotlarni qayta ishlash va qonuniyatlarni aniqlash qobiliyatiga ega. Tarmoq xavfsizligini tahlil qilishda neyron tarmoqlardan foydalanish quyidagi bosqichlarini o‘z ichiga oladi: anomaliyalarni aniqlash, trafikni tasniflash va hujumlarni identifikatsiya qilish. Sun’iy intellekt va xususan, neyron tarmoqlar tarmoq trafikasidagi ma’lumotlardan foydalanib, o‘rganish va rivojlanish qobiliyatiga ega bo‘lib, ayrim belgilarning qonuniyatlariga tayanadi. Chuqur o‘qitish jarayonini doimiy nazorat qilib borish lozim, chunki o‘qitish uchun yetarli ma’lumot bo‘lmasa, ba’zi xulosalarning mantiqini tushunish va ularning sabablarini aniqlash qiyin bo‘lishi mumkin. Sun’iy intellekt tarmoq trafikasini tahlil qilish va tushunish uchun tobora muhim vositaga aylanib bormoqda. Ulanayotgan qurilmalar va Internetning jadal rivojlanishi bilan tarmoq trafikasining hajmi keskin oshib bormoqda, bu esa an’anaviy usullar yordamida bu ulkan ma’lumotlarni qayta ishlashni qiyinlashtiradi. Sun’iy intellekt, ayniqsa chuqur o‘rganish texnologiyasi, ushbu ulkan hajmdagi ma’lumotlarni real vaqt rejimida qayta ishlash va tahlil qilish uchun kuchli yechimni taqdim etadi. Chuqur o‘rganish — bu mashinaviy o‘rganishning bir tarmog‘i bo‘lib, katta hajmdagi ma’lumotlarda qonuniyatlarni aniqlash va bashorat qilish uchun neyron tarmoqlarini o‘rgatishni o‘z ichiga oladi. Ushbu neyron tarmoqlardan turli vazifalar, masalan, tasvir va nutqni tanib olish, tabiiy tilni qayta ishlash va tarmoq trafikasini tahlil qilishda foydalanish mumkin. Neyron tarmoqlar axborot xavfsizligi sohasida turli maqsadlarda qo‘llanilishi mumkin, jumladan, buzib kirishlarni aniqlash, tarmoq xavfsizligini tahlil qilish, foydalanuvchilarni identifikatsiya qilish va autentifikatsiya qilish, shuningdek, trafikni tasniflash va tahlil qilish. Ular an’anaviy usullar yordamida aniqlash qiyin bo‘lgan anomaliyalar va hujumlarni aniqlash uchun o‘rgatilishi mumkin.Neyron tarmoqlardan foydalangan holda tarmoq xavfsizligini tahlil qilish bir nechta bosqichlarni o‘z ichiga olishi mumkin, jumladan: Anomaliyalarni aniqlash: Neyron tarmoqlar tarmoqdagi g‘ayritabiiy xatti-harakatlarni, masalan, kutilmagan tarmoq trafikasini aniqlash uchun o‘rgatilishi mumkin, bu esa hujum bilan bog‘liq bo‘lishi mumkin. Trafikni tasniflash: Neyron tarmoqlar trafikni xavfsiz va xavfli deb tasniflash uchun qo‘llanilishi mumkin, bu esa oddiy trafik va hujumga oid trafikni ajratishga yordam beradi. Hujumni identifikatsiya qilish: Neyron tarmoqlar turli xil hujumlarni, masalan, DDoS hujumlari, portlarni skanerlash, SQL in’eksiyalarini aniqlash uchun qo‘llanilishi mumkin [2]. Shuni ta’kidlash joizki, tarmoq trafikasini tasniflash axborot xavfsizligi tizimlarining zaruriy elementi hisoblanadi va u tarmoqdagi ma’lumotlar xavfsizligini ta’minlash, shuningdek, uning samaradorligini oshirishga yordam beradi. Tarmoq trafikasini tahlil qilishda chuqur o‘rganishdan foydalanishning asosiy afzalliklaridan biri — bu katta hajmdagi ma’lumotlarni qayta ishlash va odamlarga aniqlash 92

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 qiyin bo‘lgan qonuniyatlarni aniqlash qobiliyatidir. Bu uni, ayniqsa, buzib kirishlarni aniqlash kabi vazifalar uchun mos qiladi, chunki u tarmoq trafikasidagi g‘ayritabiiyliklarni aniqlab, ularni kiber hujumga urinish belgisi sifatida baholashi mumkin. Bundan tashqari, chuqur o‘rganishdan trafikni tasniflash jarayonida ham foydalanish mumkin, ya’ni turli xil tarmoq trafik turlarini — elektron pochta, veb-sahifalarni ko‘rish yoki video translyatsiyani aniqlash jarayonida qo‘llash mumkin. Bu tarmoq administratorlari uchun foydali bo‘lib, ular o‘z tarmoqlari qanday foydalanilayotganini tushunishlari va xavfsizlik tizimidagi har qanday potentsial zaif joylar yoki tiqilish nuqtalarini aniqlashlari mumkin. Asosiy qism Neyron tarmoqlar yordamida paketlarni chuqur tahlil qilish jarayonida tarmoq trafik ma’lumotlari belgilar to‘plami shaklida taqdim etiladi va ushbu belgilar neyron tarmoqni o‘qitish uchun ishlatiladi. Masalan, belgilar tarkibiga protokol haqidagi ma’lumotlar, manba va manzil, paket uzunligi va boshqalar kirishi mumkin. o‘qitishdan so‘ng, neyron tarmoq yangi trafikni xavfsiz yoki xavfsiz emas deb tasniflash uchun foydalaniladi. Neyron tarmoqlar yordamida paketlarni chuqur tahlil qilish tarmoqdagi anomaliyalar va hujumlarni aniqlash uchun an’anaviy usullarga qaraganda ancha aniq va samarali usul bo‘lishi mumkin. Masalan, imzo asosida tahlil qilish yoki qoidalar va mosliklarga asoslangan usullarga qaraganda samaraliroqdir. Chunki neyron tarmoqlar ma’lumotlardan avtomatik ravishda belgi va xususiyatlarni ajratib olish hamda yangi ma’lumotlar asosida o‘rganish qobiliyatiga ega. Bu ularning yangi va noma’lum hujum turlarini aniqlash qobiliyatini oshiradi [3]. Biroq, shuni ham ta’kidlash kerakki, neyron tarmoqlar yordamida paketlarni chuqur tahlil qilish ba’zi cheklovlarga ham ega. Masalan, o‘qitish uchun yetarlicha ma’lumot bo‘lmasa, model haddan tashqari o‘qitilish (overfitting) muammosiga duch kelishi mumkin. Shuningdek, neyron tarmoq qanday qilib o‘z xulosalariga kelganini tushuntirish va natijalarni izohlash qiyin bo‘lishi mumkin. Bunday tizimlarni yaratish va ulardan foydalanish uchun mashinaviy o‘qitish va neyron tarmoqlar sohasida yuqori darajadagi bilim va tajriba talab etiladi [4]. Shuni ham ta’kidlash lozimki, tarmoq xavfsizligini ta’minlash uchun chuqur o‘rganish modellari qo‘llanilishi faol rivojlanayotgan tadqiqot yo‘nalishi bo‘lib, shu sohada boshqa loyihalar va kompaniyalar tomonidan ham turli yechimlar ishlab chiqilmoqda va ularning ba’zilari real sharoitlarda amaliyotga joriy etilgan. Biroq, bunday tizimlarning xavfsizligi va samaradorligi turlicha bo‘lishi mumkin, shuning uchun ularni ishlab chiqarish muhitiga joriy etishdan oldin har bir xavfsizlik yechimini sinchkovlik bilan baholash lozim. Xulosa Xulosa qilib aytganda, chuqur o‘rganish — bu tarmoq trafikasini qayta ishlash va tahlil qilish uchun qudratli vositadir. U buzib kirishlarni aniqlash va trafikni tasniflash kabi vazifalar uchun juda mos keladi, shuningdek, katta hajmdagi ma’lumotlarni qayta ishlay oladi va o‘zgaruvchan sharoitlarga moslasha oladi. Biroq, belgilangan ma’lumotlarning yetishmasligi va chuqur o‘rganish modellarini izohlash kabi muammolar ham mavjud. Shunga qaramay, 93

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot ushbu sohadagi tadqiqotlar davom etmoqda va ehtimol, kelajakda chuqur o‘rganish tarmoq trafikasini tahlil qilish va tushunishda muhim rol o‘ynashda davom etadi. Adabiyotlar 1. N.Hubbali, M.Swarnkar, M.Conti, Bitprob: probabilistic bit signatures for accurate application identification, IEEE Transactions on Network and Service management 17 (3) 2020. 2. Muhammad Shafiq, Xiangzhan Yu, Asif Ali Laghari, Lu Yao, Nabin Kumar Karn, Foudil Abdessamia “Network Traffic Classification Techniques and Comparative Analysis Using Machine Learning Algorithms. 2016 2nd IEEE International Conference on Computer and Communications (ICCC). 3. Abbasi, M., Shahraki, A., & Taherkordi, A., Deep learning for network traffic monitoring and analysis (NTMA): A survey. Computer Communications, 170, 19-41. 2021. 4. Ramires, C., & Gomes, L., Comparative Analysis of Machine Learning Methods for Network Traffic Classification. In Proceedings of the CISTI Conference 2022. 5. Thuy T.T. Nguyen and Grenville Armitage. "A Survey of Techniques for Internet Traffic Classification using Machine Learning," IEEE Communications Survey & tutorials, Vol. 10, No. 4, pp. 56-76, Fourth Quarter 2008. 94

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 KATTA HAJMDAGI MA’LUMOTLARNI BOSHQARISHDA SHARDING VA PARTITIONING TEXNOLOGIYALARINING SOLISHTIRILISHI VA Qo‘LLANILISHI Naziraliyev o‘rinboy Farhodjon o‘g‘li, Qulmatov Muhriddin Baxriddinovich, Xalikova Nasiba Yunusjon qizi “University of Management and Future Technologies” universiteti kafedra, naziraliyevurinboy1996@gmail.com, muxroka2525@gmail.com, nasibaxalikova94@gmail.com Annotatsiya: Ushbu tezisda ma’lumotlar bazasida partitioning va ma’lumotlar bazasida sharding tushunchalari oddiy va tushunarli tarzda yoritilgan. Ularning qanday ishlashi, turlari, afzalliklari va kamchiliklari misollar bilan tushuntiriladi. Bundan tashqari, qaysi holatda qaysi texnologiyadan foydalanish yaxshiroq ekanligi ham izohlanadi. Kalit so‘zlar: Ma’lumotlar bazasi, ma’lumotlar bazasida sharding(parchalash), ma’lumotlar bazasida partition(bo‘lish). Kirish Hozirgi kunda katta hajmdagi ma’lumotlarni boshqarish muhim ahamiyat kasb etadi. Ma’lumotlar bazasi dagi ma’lumotlar hajmi ortib borishi uning ustada bajariladigan amallarni xususan so‘rovlar sekinlashishi va server yuklamasi oshishib ketishiga olib keladi. Bu muammolarni hal qilish uchun quydagi texnologiyalar qo‘llaniladi. 1. Partitioning – bitta ma’lumotlar bazasini bitta server ichida kichik qismlarga ajratish. 2. Sharding – katta ma’lumotlar bazasini bir nechta serverlarga bo‘lish. Ma’lumotlar bazasida sharding(parchalash) — bu ma’lumotlar bazasini (database) bir nechta kichik qismlarga (shards) bo‘lish jarayoni bo‘lib, har bir shard alohida serverda yoki klasterda saqlanadi. Sharding ko‘pincha horizontal bo‘linish (horizontal scaling) uchun ishlatiladi, ya’ni ma’lumotlar bazasi hajmi yoki yuk ortib borishi bilan yangi serverlar qo‘shiladi. Sharding qanday ishlaydi va Shardingning afzalliklari qanday. 1. Ma’lumotlar ma’lum bir mezon (shard key) asosida bo‘linadi. Masalan, foydalanuvchilar ma’lumotlari geografik joylashuvi, ID raqami yoki boshqa xususiyatlari bo‘yicha guruhlarga ajratiladi. 2. Har bir shard o‘ziga xos ma’lumotlarni saqlaydi va ularga murojaat qilish uchun shard key ishlatiladi. 3. Sharding odatda NoSQL ma’lumotlar bazalarida (MongoDB, Cassandra) va ba’zi SQL ma’lumotlar bazalarida (MySQL, PostgreSQL) qo‘llaniladi. 4. Yukni taqsimlash: Har bir shard alohida serverda joylashganligi uchun, ma’lumotlar bazasiga yuk kamayadi. 5. Yuqori o‘lchovlilik - Ma’lumotlar hajmi oshganda, yangi shard/server qo‘shish oson. 6. Tezlik: Kichikroq ma’lumotlar to‘plamlari bilan ishlash tezroq bo‘ladi. 95

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot Geografik optimallashtirish: Ma’lumotlarni foydalanuvchilarning geografik joylashuviga qarab taqsimlash mumkin (masalan, AQSh foydalanuvchilari uchun bir shard, Yevropa uchun boshqa shard). 1-rasm. Ma’lumotlar bazasini sharding(parchalash) usuli Ma’lumotlar bazasida partitioning(parchalash) — bu ma’lumotlar bazasini bir server yoki klaster ichida kichikroq qismlarga (partitions) bo‘lish jarayoni. Partitioning odatda vertikal yoki horizontal bo‘lishi mumkin va ma’lumotlarni bir joyda saqlashni davom ettiradi, lekin ularni mantiqiy ravishda ajratadi. 2-rasm. Jadvalning partitioning(bo‘laklarga ajratish) holati Partitioning turlari va Partitioning afzalliklari. 1. Horizontal Partitioning (Range Partitioning) - Ma’lumotlar qatorlar (rows) bo‘yicha bo‘linadi. Masalan, foydalanuvchilar jadvali yil bo‘yicha bo‘linadi: 2023-yil ma’lumotlari bir partitionda, 2024-yil ma’lumotlari boshqa partitionda. 2. Vertical Partitioning - Ma’lumotlar ustunlar (columns) bo‘yicha bo‘linadi. Masalan, foydalanuvchi jadvalida ism va telefon raqamlari bir partitionda, manzil va boshqa ma’lumotlar boshqa partitionda saqlanadi. 3. List Partitioning - Ma’lumotlar ma’lum bir ro‘yxat bo‘yicha bo‘linadi. Masalan, davlatlar bo‘yicha: AQSh ma’lumotlari bir partitionda, Yevropa ma’lumotlari boshqa partitionda. 4. Hash Partitioning - Ma’lumotlar hash funktsiyasi orqali taqsimlanadi. Bu ma’lumotlarni teng ravishda bo‘lish uchun ishlatiladi. 5. Tezlikni oshirish - Faqat kerakli partition bilan ishlash so‘rovlar tezligini oshiradi. 6. Ma’lumotlarni boshqarish osonligi - Eski yoki keraksiz ma’lumotlarni (masalan, 5 yil avvalgi tranzaksiyalar) osongina o‘chirish mumkin. 7. Resurslarni optimallashtirish - Katta jadvallarni kichikroq qismlarga bo‘lish orqali resurslardan samarali foydalanish. 8. Backup va tiklashning soddaligi - Har bir partition alohida backup qilinishi yoki tiklanishi mumkin. 96

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 9. Partitioningning kamchiliklari: 10. Bir server chegarasi - Partitioning bir server yoki klaster ichida amalga oshiriladi, shuning uchun horizontal o‘lchovlilik (scaling) cheklangan. 11. Murakkab so‘rovlar - Agar so‘rov bir nechta partitionni qamrab olsa, tezlik pasayishi mumkin. 12. Dizayn murakkabligi - Partitioning strategiyasini to‘g‘ri tanlash muhim, aks holda samaradorlik pasayadi. 1-jadval. Sharding va Partitioning texnologiyalari o‘rtasidagi solishtirma taxlili Xususiyat Sharding Partitioning Ta’rif Ma’lumotlarni bir serverlarga bo‘lish. nechta Ma’lumotlarni ichida bo‘lish. bir Maqsad Horizontal taqsimlash). (yukni Tezlik va yaxshilash boshqaruvni Joylashuv Har bir shard alohida serverda. Murakkablik Juda murakkab infrastuktura). So‘rovlar Bir nechta shardlardan ma’lumot Bir nechta partitionlardan olish qiyin. ma’lumot olish osonroq. Xarajatlari Yuqori (har bir shard uchun server Past (bir server ichida). kerak). scaling (shard Barcha serverda. key, partitionlar server bir Nisbatan oddiyroq. Xulosa Xulosa qilib aytadigan bo‘lsak loyihangiz millionlab foydalanuvchilar va katta hajmdagi ma’lumotlarni global miqyosda boshqarishni talab qilsa, sharding eng yaxshi tanlov hisoblanadi. Sharding ma’lumotlarni bir nechta mustaqil serverlarga ajratib, tizim yuklamasini taqsimlaydi va so‘rovlarni tezlashtiradi. Bu yondashuv Instagram, Facebook, Amazon kabi global xizmatlar uchun ishlatiladi. Aksincha ma’lumotlar bitta server ichida boshqarilishi mumkin bo‘lsa va tezlik hamda boshqaruv qulayligi muhim bo‘lsa, partitioning samarali usul hisoblanadi. Partitioning ma’lumotlarni gorizontal yoki vertikal ravishda bo‘lib, so‘rovlarni optimallashtiradi. Bu yondashuv bank tizimlari, elektron tijorat, analitik ma’lumotlar bazasi kabi tizimlarda qo‘llaniladi. Аdabiyotlar 1. Fundamentals of database systems sixth edition. Ramez Elmasri. Department of Computer Science and Engineering The University of Texas at Arlington. 2011 2. Jim Gray & Andreas Reuter (1992). "Transaction Processing: Concepts and Techniques". Morgan Kaufmann Publishers. 3. Martin Kleppmann (2017). "Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems". o‘Reilly Media. 4. Jeffrey D. Ullman & Jennifer Widom (2008). "A First Course in Database Systems". Pearson. 97

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot REGULYAR IFODALAR YORDAMIDA SODDA CHATBOTLAR YARATISH Urinov Elmurod, Muhriddin Qulmatov, o‘rinboy Naziraliyev, Bekzod Xasanov UMFT universiteti “Kommunikatsiya va raqamli texnologiyalar” kafedra, u.elmurod1988@gmail.com, muxroka2525@gmail.com ,naziraliyevurinboy1996@gmail.com, bekzod.hasanov1617@gmail.com Annotatsiya: Mazkur ishda regulyar ifodalar (regex) yordamida sodda chatbotlar yaratish jarayoni yoritilgan. Chatbot tizimlari foydalanuvchi so‘rovlariga javob qaytarish uchun belgilangan qoidalarga asoslanadi. Tadqiqot davomida Python dasturlash tilida regulyar ifodalar va random modul yordamida chatbot arxitekturasi ishlab chiqildi. Natijalar asosida yaratilgan tizimning samaradorligi va moslashuvchanligi tahlil qilindi. Kalit so‘zlar: regex, rule, corpus, task, chatbot, class, random. Kirish Bugungi kunda chatbot texnologiyalari jadal rivojlanib, kundalik hayotimizning ajralmas qismiga aylanmoqda, ularning tezkor javob berish, ma'lumotlarni tahlil qilish va foydalanuvchi ehtiyojlariga moslashish qobiliyatlari dolzarb masala sifatida ko‘rilmoqda. Foydalanuvchilar har kuni turli xil chatbot tizimlari bilan muloqot qiladi. Chatbotlarning asosiy quyidagi turlari mavjud: chatbot lar(maxsus mavzulashtirilgan chatbotlar, umumiy mavzudagi chatbotlar) va task-based chatbotlar(mashinalar, robotlar, shaxsiy assistentlar). Chatbotlar rule-based(aniq bir qoidalar va ketma-ketliklar asosida javob beradi) va corpusbased(ma’lum bir hajmdagi ma’lumotlar to‘plami asosida ma’lumotlarni kontekstdan qidirib javob beradigan) arxitekturada ishlaydi. Ushbu ishda regex yordamida qanday qilib chatbot yaratishni ko‘rib chiqamiz. Regex – bu berilgan matndan qandaydir ketma-ketlikni topish uchun foydalaniladigan maxsus belgilar to‘plami hisoblanadi. Ushbu to‘plamdan dasturlash tillarida ma’lumotlarni ajratib olish, validatsiya qilish va matnni qandaydir matnga almashtirishda qo‘llaniladi. Python dasturlash tilida re kutubxonasi yordamida regulyar ifodalar bilan ishlash quyidagicha amalga oshiriladi: import re pattern = re.compile(r"isming (.*)", re.IGNORECASE) match = pattern.match("isming nima") if match: print("Topildi:", match.group(1)) Bu yerda foydalanuvchi kiritgan so‘rovda “isming” kalit so‘zidan keyin kelayotgan ma’lumot aniqlanadi. Chatbotlar foydalanuvchilar, ma’lum bir qoidalar va qoidalar asosida qaytarilgan natijalar tarkibiy qismlaridan iborat bo‘ladi(1-rasm). 98

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 1-rasm. Chatbot sxemasi Endi dastlab python re va random kutubxonalarini import qilib undan so‘ng Chat sinfini yaratib olamiz: import re import random class Chat: def __init__(self, pairs): self._pairs = [(re.compile(x, re.IGNORECASE), y) for (x, y) in pairs] def respond(self, user_input): for (pattern, responses) in self._pairs: match = pattern.match(user_input) if match: response = random.choice(responses) response = self.substitute(response, match) return response return "Buni tushunmadim" def substitute(self, response, match): for index, group in enumerate(match.groups(), 1): placeholder = "%"+ str(index) response = response.replace(placeholder, group) return response So‘ngra yaratgan Chat sinifimizni import qilib bir nechta qoida va unga mos keladigan javoblar juftligini yaratib olamiz: from chat import Chat pairs = ( ( r"M[ea]nga (.*) kerak", #menga laptop kerak #manga laptop kerak ( "%1? nimaga kerak", "Menimcha shu %1? sizga hozirgi vaqtda muhim emasdir", "Aniq shu %1 kerakmi?" ), ), ( r"isming (.*)", 99

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot #isming nima #isming qanday ( "Salom, mening ismim Chatbot", ), ) ) chat = Chat(pairs) user_response = 'isming nima' print(chat.respond(user_response)) Bu yerda birinchi qoida “Menga (yoki Manga) ... kerak” shaklida bo‘lgan so‘rovlarni qamrab oladi va mos ravishda %1 o‘rnatkichini javobda dinamik tarzda almashtiradi, ikkinchi qoida esa “isming ...” shaklida bo‘lgan so‘rovlar uchun belgilangan javobni qaytaradi. 1-jadval. Har bir juftlikka mos so‘rovlar berib natijalari Chatbot javobi So‘rovlar isming nima Salom, mening ismim Chatbot menga kerak Menimcha shu noutbuk? sizga hozirgi vaqtda muhim emasdir noutbuk Regulyar ifodalar yordamida yaratilgan qoida tizimi turli xil kirish so‘rovlarini qamrab olishga imkon beradi. Masalan, foydalanuvchi "menga" yoki "manga" kabi turli yozilish variantlarini kiritishi mumkin, chunki [ea] belgisi orqali ikkala variant ham aniqlanadi. %1 kabi o‘rnatkichlar yordamida foydalanuvchi kiritgan ma’lumot avtomatik ravishda javobga qo‘shiladi, bu esa tizimning yanada interaktiv va shaxsiylashtirilgan bo‘lishini ta’minlaydi. Regulyar ifodalar yordamida ishlab chiqilgan chatbot quyidagi jihatlarda samarali ishlaydi, foydalanuvchi so‘rovlarini aniqlash va mos javobni qaytarish jarayoni juda tez amalga oshiriladi, dastur kodi tuzilishi sodda bo‘lib, yangi qoida qo‘shish va mavjudlarini tahrirlash qulay va foydalanuvchi kiritgan ma’lumotni javob matniga avtomatik qo‘shish imkoniyati mavjud. Biroq, tizimning keng ko‘lamli va murakkab so‘rovlarni qayta ishlashda cheklovlari borligi ham kuzatildi. Keyingi tadqiqotlarda mashinani o‘rganish algoritmlari va tabiiy tilni qayta ishlash (NLP) metodlarini integratsiya qilish orqali tizimning aniqligini va moslashuvchanligini oshirish mumkin. Xulosa Mazkur ishda regulyar ifodalar asosida sodda chatbot yaratish jarayoni yoritib berildi. Python dasturlash tilida ishlab chiqilgan Chat sinfi yordamida foydalanuvchi kiritgan matnni qoidalarga muvofiq tahlil qilish va mos javoblarni qaytarish tizimi sinovdan o‘tkazildi. Natijalar shuni ko‘rsatadiki, rule-based yondashuv oddiy va tezkor javob berishda samarali bo‘lsa-da, tizimning yanada murakkab va noaniq so‘rovlarni qayta ishlash qobiliyatini oshirish uchun qo‘shimcha metodologiyalarni joriy etish zarur. 100