8
Фойдаланилган адабиётлар рўйхати:
1.
Ўзбекистон республикаси Президентининг 2023 йил 31 майдаги
“Ўзбекистон республикасининг муҳим ахборот инфратузилмаси обектлари
киберхавфсизлигини таьминлаш тизимини такомиллаштириш бўйича қўшимча
чора-тадбирлар” тўғрисидаги ПҚ-167-сон қарори.
2.
Ganiyev S.K., Karimov M.M., Tashev K.A. “Axborot xavfsizligi”. Oliy o‘quv
yurti talabalari uchun darslik. «Aloqachi» nashriyoti, Toshkent-2016.
3.
Yusupov S.Yu, G‘ulomov Sh.R. Nasrullayev N.B. “Raqamli kriminalistika”
(oq’uv qo‘llanma). -T.: «Aloqachi» nashriyoti, Toshkent-2020, 240 b.
4.
Muxtarov F., Sadirova X. KORXONADA AXBOROT XAVFSIZLIGINI
TA’MINLASHNING ZAMONAVIY USULLARI //Engineering problems and
innovations. – 2023.
SHAXSNI XATTI-HARAKATLARIDAN TANIB OLUVCHI COCO VA MPII
MODELLARININING OʻZARO FARQLARI, SAMARADORLIGI VA
KVANT ALGORITMLARI TAHLILI
t.f.d., prof. Axatov Akmal Rustamovich
Samarqand davlat universiteti
Ximmatov Ibodilla Qudratovich
Samarqand davlat universiteti tayanch doktoranti
Annotatsiya:
Insonni xatti-harakatlariga qarab tanib olish kompyuterni ko’rish
va sun’iy intellektning qiziqarli va qiyin sohasidir. So’nggi yillarda odamlarning
harakatlari va imo-ishoralarini tahlil qilish orqali aniqlay oladigan modellarni ishlab
chiqishda sezilarli yutuqlarga erishildi. Ushbu sohadagi ikkita mashhur model COCO
(Kontekstdagi umumiy ob’ektlar) va MPII (Maks Plank Informatika Instituti)
modellaridir. Ushbu maqolada biz insonni o’z harakatlaridan tanib olish modellarini
o’rganamiz va keyin COCO va MPII qiyosiy tahlilini o’rganamiz, ularning farqlari va
kuchli tomonlarini ta’kidlaymiz.
Kalit soʻzlar:
COCO, MPII, model, shaxni tanib olish, poza, harakat,
ma’lumotlar to’plami, xususiyatlarni ajratib olish.
Shaxsni xatti-harakatlaridan tanib olish modellaridan foydalanish bugungi eng
tez rivojlanayotgan soha bo’lib bormoqda. Shu boisdan biror kishini o’z harakatlaridan
tanib olish jarayonda fpydalaniladigan bir nechta asosiy model va usullarni o’z ichiga
oladi. Ushbu modellar quyidagi 1-rasm ko’rsatilgan 5 ta asosiy vazifalarni bajaradi.
COCO va MPII modellarini solishtirishtirish bizga ushbu ikkita modeldan
yaxshi natijaga erishish imkonini beruvchi gibrid modelni ishlab chiqish zaruratini
vujidga keltiradi. COCO va MPII modellarini odamni o’z harakatlaridan tanib olish
yondashuvlari nuqtai nazaridan taqqoslash jarayonini quyidagi faktorlari orqali tahlil
qilamiz:
9
1-rasm. COCO va MPII modellarining umumiy vazifalari
Dastlab COCO (kontekstdagi umumiy ob’ektlar) modelining parametrlarini
ko’rib chiqamiz bunda fokus, pozalar va harakatlar, foydalanish holatlari orqali tahlil
qilamiz. COCO modelida fokus birinchi navbatda tasvir va videolarda ob’ektni
aniqlash va segmentatsiyalashga qaratilgan va u 80 ta ob’yekt toifalarining belgilangan
namunalarini o’z ichiga olgan ma’lumotlar to’plamini taqdim etadi. Pozalar va
harakatlarda ham COCO ba’zi inson pozalarini o’z ichiga olgan bo’lsa-da, u harakatni
aniqlash uchun maxsus mo’ljallanmagan. Shu boisdan unda pozani baholash va
harakatni aniqlash modellari mavjud emas. Foydalanish holatlari: COCO oby’ektni
aniqlash, tasvirni segmentatsiyalash va sahnani tushunish vazifalari uchun keng
qo’llaniladi. Bu harakatni aniqlash vazifalari uchun ideal emasligi ma’lum.
Ikkinchi bo’lib MPII (Maks Plank Informatika Instituti) modeilini parametrlarini
ko’rib chiqamiz. Bunda fokus MPII inson pozasini baholash va harakatni aniqlashga
qaratilgan. U inson harakatlari va pozalarini tushunish uchun maxsus mo’ljallangan
ma’lumotlar to’plamini taklif qiladi. Pozlar va harakatlarda ham MPII inson
pozalarining keng qamrovli ma’lumotlar to’plamini, shu jumladan qo’shma asosiy
nuqtalarni va turli harakatlar uchun harakat belgilarini taqdim etadi. U harakatni
aniqlash vazifalari uchun juda mos keladi. Foydalanish holatlarida esa MPII odatda
inson harakatlarini aniqlash tadqiqotlari, video tahlillari va inson harakatlarini
tushunish juda muhim bo’lgan ilovalarda qo’llaniladi.
Yuqoridagi ikki modelni tahlil qilingan parametrlariga asosan farqlarni
quyidagicha izohlash mumkin
Fokus bo’yicha qaraydigan bo’lsak, COCO modeli ob’yektni aniqlash va
segmentatsiyasiga ko’proq urg’u beradi, MPII esa inson pozasini baholash va harakatni
aniqlashga ixtisoslashganligini ko’ramiz. Ma’lumotlar to’plamlariga nisbatan
qaralganida, COCO ob’yekt namunalarini o’z ichiga olgan ma’lumotlar to’plamini
taklif qiladi, MPII esa insonning pozitsiyalari va harakatlari bilan ma’lumotlar
to’plamini taqdim etadi. Foydalanish holatlari ham COCO asosan ob’yektga
yo’naltirilgan vazifalar uchun ishlatiladi, MPII esa insonga yo’naltirilgan vazifalar
uchun mo’ljallangan bo’lib, u harakatni aniqlash ilovalari uchun ko’proq mos keladi.
Ushbu modellarning boshqa modellar bilan aloqadorligi jihatdan MPII pozani baholash
COCO va
MPII
modellarining
asosiy
parametrlari
Dastlabki
harakatni
aniqlash
Pozani
baholash
Xususiyatlarni
chiqarish
Keyingi
harakatni
aniqlash
Vaqtin
chalik
tahlil
10
va harakatni aniqlashga qaratilgan modellarni o’z ichiga oladi, COCOda esa bu maxsus
modellar yo’q.
Ushbu murakkab mashinali o’qitish modellari uchun kvant algoritmlarini ishlab
chiqish, kvant hisoblash sohasining joriy cheklovlari tufayli jiddiy muammolarni
keltirib chiqaradi. Kvant kompyuterlari hisob-kitoblarning ma’lum turlarida ustunlik
qiladi, lekin bu modellar uchun to’g’ridan-to’g’ri afzalliklarni ta’minlamasligi
mumkin, bu asosan klassik mashinali o’qitish vazifalari hisoblanadi. Shunga qaramay,
kvant hisoblash tamoyillarini mashinani o’rganish vazifalariga umumiy ma’noda
qanday qo’llash mumkinligini ko’ramiz.
Kvant funksiyasi makoniyatini taqdim etish orqali kvant hisoblash jarayonida
potentsial ravishda kvant xususiyatli makonda ma’lumotlarni aks ettirishi mumkin, bu
esa ma’lum bir mashinali o’qitish vazifalari uchun afzalliklarni taqdim etishi mumkin.
Kvant yadrosi usullarida ko’rinib turganidek, kvant xususiyati xaritalari klassik
ma’lumotlarni kvant holati fazosiga joylashtirishi mumkin. Biroq, ushbu
kontseptsiyani to’g’ridan-to’g’ri COCO va MPII modellariga qo’llash faol tadqiqot
sohasi bo’lgan kvant xususiyatlari muhandisligini Deep Learningni talab qiladi va
kvant o’zgaruvchan modellar bilan ishlash zaruratini tug’diradi
Kvant o’zgaruvchan modellarida kvant o’zgaruvchan qo’llab-quvvatlash vektor
mashinasi (QV-SVM) yoki kvant neyron tarmoqlari (QNN) kabi kvant variatsion
algoritmlari ma’lumotlarni tasniflash uchun ishlatilishi mumkin. Ushbu algoritmlar
COCO va MPII-da harakatni aniqlash yoki ob’ektni aniqlash vazifalari uchun
moslashtirilishi mumkin bo’lgan o’rgatish mumkin bo’lgan parametrlarga ega kvant
sxemalaridan foydalanadi.
Kvant ma’lumotlarini saqlash va olish jarayonida kvant hisoblashning samarali
ma’lumotlarni saqlash va olish potensiali COCO va MPIIda uchraydigan katta
ma’lumotlar to’plamlari bilan ishlashda foydali bo’lishi mumkin. Kvant ma’lumotlar
bazalari va kvant bilan takomillashtirilgan qidiruv algoritmlari ma’lumotlar
boshqaruvini yaxshilashi mumkin.
Klassik ML algoritmlari uchun kvant tezligini oshirish orqali kvant hisoblash
nazariy jihatdan ma’lum matematik operatsiyalar uchun eksponensial tezlikni
ta’minlashi mumkin, bu COCO va MPIIda ishlatiladigan klassik mashinali o’qitish
algoritmlarini tezlashtirishi mumkin. Masalan, chiziqli algebra masalalarini hal qilish
(masalan, matritsani inversiyalash) kvant algoritmlari bilan tezroq bo’lishini ko’ramiz.
Amalda, kvantli mashinalarni o’rganish rivojlanayotgan soha bo’lib, sezilarli
nazariy va’dalar mavjud bo’lsa-da, haqiqiy dunyo ilovalari hali ham o’rganilmoqda va
ishlab chiqilmoqda. Tadqiqotchilar mashinani o’rganish vazifalari uchun kvant
hisoblash kuchidan foydalanish yo’llarini faol ravishda o’rganmoqdalar, biroq 2023-
yil iyun holatiga ko’ra, COCO va MPII kabi modellar uchun maxsus moslashtirilgan
etuk kvant algoritmlari yo’qligini ko’rishimiz mumkin.
Xulosa o’rnida shuni aytish mumkinki, shaxsni o’z harakatlaridan tanib olish
bir-biriga bog’langan modellarni o’z ichiga oladi, ularning har biri umumiy jarayonga
hissa qo’shadi. COCO va MPII - bu har xil fokuslar va foydalanish holatlariga ega
bo’lgan ikkita alohida model. COCO ob’ektni aniqlash va segmentatsiyalashda ustun
bo’lsa-da, MPII inson pozasini baholash va harakatni aniqlash uchun maxsus
mo’ljallangan. Ushbu modellar orasidagi tanlov qo’llaniladigan vazifaga bog’liq,
11
COCO ob’ektga asoslangan ilovalar uchun va MPII inson harakatlari va harakatlarini
tushunish bilan bog’liq vazifalar uchun ko’proq mos keladi. Tadqiqotchilar va
amaliyotchilar o’z loyihalari uchun mos modelni tanlashda ularning talablarini diqqat
bilan ko’rib chiqishlari kerak.
Foydalanilgan adabiyotlar roʻyxati:
1. Axatov A.R, Ximmatov, I.Q. Foydalanuvchilarni biometrik autentifikatsiya
turlari asosida haqiqiyligini tasdiqlash usullarinning samaradorligi. Innovatsion
yondashuvlar ilm-fan taraqqiyoti kaliti sifatida: yechimlar va istiqbollar, 8-10 oktyabr
2020 y. 20-26. Jizzax: Uzbekistan.
2. Bourdev, L. & Malik, J. Poselets: Body part detectors trained using 3D human
pose annotations. In: ICCV. 2009.1365–1372,
3. Bulat, A. Tzimiropoulos, G. Human pose estimation via convolutional part
heatmap regression. ECCV 2016. 717–732
4. Wang, J. Tan, Sh. Zhen, X. Zheng, F. He, Z. Shao, L.“Deep 3D human pose
estimation: A review” Journal of “Computer Vision and Image Understanding”
Volume 210, September 2021, 103225.
5. Ximmatov, I.Q. Advantages of biometrik gait recognition. Important factors
in evaluation of gait analysis systems. Scientific journal of SamSu. ISSN 2091-5446,
2020, vol-3 (121), 104-107. Samarkand: Uzbekistan.
6. Ximmatov, I.Q. Important factors in evaluation of gait analysis systems and
advantages of biometric gait recognition. Innovatsion va zamonaviy axborot
texnologiyalarini ta’lim, fan va boshqaruv sohalarida qo’llash istiqbollari. 14-15 may,
2020 y. 262-267. Samarkand: Uzbekistan.
ВОЗМОЖНОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В
ОБРАЗОВАНИИ. ЧАТ GPT: ЧТО ЭТО?
Ырысбаева Айсыга Алматовна
Ошский государственный педагогический университет
Аннотация:
В последнее время был добавлен еще один термин, который
становится все более актуальным в сфере образования во всем мире. Он
ChatGPT. Чат GPT является явным доказательством того, что искусственный
интеллект развивается каждый день. Этот универсальный чат-бот может
конкурировать с людьми в интеллектуальных и коммуникативных задачах. [4]
но как ChatGPT достигает такого уровня и может ли он заменить человека?
Давайте разберемся. Итак, что такое chatgpt в статье? Что он может делать и как
его использовать, в какой степени польза для общества обо всем мы поговорим
ниже.
Ключевые слова:
chatgpt, OpenAI, бот, Google, Технологии, Интернет,
искусственный интеллект.
