JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 16, issue 02, 2025
ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431
ILMIY METODIK JURNAL
Rustamjonova Moxinur Jo‘rabek qizi
Qoqand universitety Andijon filiali
ijtimoiy gumanitar fanlar va pedagogika fakulteti
kompyuter injneringi sirtqi 24-02guruh talabasi
SUN’IY INTELLEKT ASOSIDA AVTOMATLASHTIRILGAN DIAGNOSTIKA
TIZIMLARINI YARATISHNING ARXITEKTURAVIY YONDASHUVLARI
Annotatsiya:
Ushbu maqolada sun’iy intellekt (SI) asosida avtomatlashtirilgan diagnostika
tizimlarini loyihalash va ularning arxitekturasini shakllantirishdagi asosiy yondashuvlar yoritiladi.
Tizim samaradorligi, modullilik, mashinali o‘rganish algoritmlarini integratsiyalash va real vaqt
rejimidagi tahlil usullari muhokama qilinadi. Tibbiyot, sanoat va axborot xavfsizligi sohalaridagi
amaliy misollar orqali ushbu texnologiyalarning ahamiyati yoritiladi.
Kalit so‘zlar:
sun’iy intellekt, diagnostika tizimi, neyron tarmoqlar, mashinali o‘rganish, tizim
arxitekturasi, avtomatlashtirish.
XXI asrda sun’iy intellekt (SI) texnologiyalarining jadal rivojlanishi insoniyat faoliyatining turli
sohalarida tub o‘zgarishlarni yuzaga keltirmoqda. Ayniqsa, avtomatlashtirilgan diagnostika
tizimlarining paydo bo‘lishi va rivojlanishi, tibbiy xizmatlardan tortib sanoat uskunalari texnik
xizmatiga, transport xavfsizligidan tortib axborot tizimlarining monitoringigacha bo‘lgan keng
ko‘lamdagi masalalarni tez, aniq va ishonchli tarzda hal qilish imkonini bermoqda. An’anaviy
tashxis qo‘yish jarayonlari ko‘p vaqt talab qiladigan, yuqori darajadagi mutaxassislikni va
doimiy inson ishtirokini talab qiluvchi faoliyat bo‘lgan. Biroq, sun’iy intellekt yordamida bu
jarayonlar avtomatlashtirilmoqda, xatoliklar kamaymoqda, tahlilning aniqligi va tezligi esa
sezilarli darajada oshmoqda
. Sun’iy intellekt asosida ishlovchi avtomatlashtirilgan diagnostika
tizimlari, ayniqsa, chuqur o‘rganish (deep learning), konvolyutsion neyron tarmoqlar (CNN),
rekurrent neyron tarmoqlar (RNN) va boshqa mashinali o‘rganish algoritmlari yordamida real
vaqt rejimida katta hajmdagi ma’lumotlarni tahlil qilish, ularni ilgari o‘rganilgan namunalar bilan
solishtirish, muammoli holatlarni aniqlash va xulosa chiqarish imkoniyatiga ega. Bu esa
sog‘liqni saqlash sohasida erta tashxis qo‘yish, sanoat tarmoqlarida avariyaviy holatlarning
oldini olish, kiberxavfsizlikda esa hujumlarni aniqlashda yuqori natijalarga erishishga xizmat
qiladi
Mazkur maqolada ushbu tizimlarning arxitektura jihatlari, texnologik komponentlari, ularni
yaratishda foydalaniladigan algoritmlar va amaliy qo‘llanilishi tahlil qilinadi. Shu bilan birga,
turli sohalarda SI asosida ishlab chiqilgan diagnostika tizimlarining samaradorligi, ularning
texnik imkoniyatlari va kelajakdagi rivojlanish istiqbollari muhokama qilinadi.
Avtomatlashtirilgan diagnostika tizimining umumiy arxitekturasi
Avtomatlashtirilgan diagnostika tizimlari, ayniqsa sun’iy intellekt asosidagilari, odatda
qatlamli (modulli) arxitekturaga ega bo‘lib, quyidagi asosiy komponentlardan tashkil topadi:
1
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
2
Russell, S. J., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th Edition).
Pearson.
JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 16, issue 02, 2025
ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431
ILMIY METODIK JURNAL
o
Sensorli axborot yig‘ish tizimi – Tizimning boshlang‘ich bosqichida real vaqt rejimida
ma’lumotlar yig‘iladi. Bu ma’lumotlar tibbiyotda – bemorning yurak urish ritmi, qon bosimi,
skaner tasvirlari; sanoatda – uskuna tebranishi, harorati, ish rejimi haqidagi sensor ma’lumotlari
bo‘lishi mumkin
.
o
Ma’lumotlarni dastlabki qayta ishlash bloki (Data preprocessing) – Tizimga kelgan
ma’lumotlar ba’zida toza bo‘lmaydi, shovqin (noise), nomukammal qiymatlar yoki ortiqcha
axborotlar bo‘ladi. Shu bois, bu qatlamda normalizatsiya, filtratsiya, kodlash va statistika asosida
ma’lumotlar tozalanadi.
o
Diagnostika dvigateli (AI engine) – Bu modulda mashinali o‘rganish algoritmlari yordamida
model oldindan belgilangan muammo doirasida o‘qitiladi va natijalar chiqariladi. CNN, LSTM,
Random Forest, Naive Bayes kabi algoritmlar bu bosqichda qo‘llaniladi
.
o
Chiqish va xulosa chiqarish moduli – Olingan natijalar foydalanuvchi uchun grafik interfeys
orqali chiqariladi. Natijalarga asoslanib, tizim tavsiya yoki ogohlantirish beradi.
Mashinali o‘rganish (Machine Learning) va chuqur o‘rganish (Deep Learning) roli
Diagnostika tizimlari aynan mashinali o‘rganish orqali samarali ishlaydi. Quyida diagnostikada
keng qo‘llaniladigan asosiy algoritmlar keltiriladi:
o
KNN (K-yaqin qo‘shnilar) – Anomal holatlarni aniqlashda foydali, ammo katta hajmdagi
ma’lumotlarda sekin ishlaydi;
o
Decision Tree / Random Forest – Qaror daraxtlari tahlil qilinayotgan atributlar asosida aniq
tasniflash imkonini beradi;
o
CNN (Convolutional Neural Networks) – Kompyuter tomografiyasi (KT), MRT, rentgen
kabi tasvirlarda saraton kabi kasalliklarni aniqlashda yuqori aniqlikka ega
o
LSTM (Long Short-Term Memory) – Yurak urish ritmlari, EKG yoki sanoatdagi vaqtga
bog‘liq o‘zgaruvchanliklarni tahlil qilish uchun mo‘ljallangan
.
Real vaqt tizimlari va chekka hisoblash (Edge Computing)
Ko‘pgina diagnostika tizimlari real vaqt rejimida ishlashi kerak, chunki kechikish (latency)
inson salomatligiga, sanoat jarayonlariga salbiy ta’sir ko‘rsatishi mumkin. Shu sababli, edge
computing texnologiyasi joriy etilmoqda. Bunda ma’lumotlar to‘g‘ridan-to‘g‘ri lokal
qurilmalarda qayta ishlanadi. Bu tizimlar tarmoqqa bog‘liq holda emas, mustaqil ravishda ishlay
oladi, bu esa tezlik va xavfsizlikni oshiradi
.
3
Litjens, G., et al. (2017). "A survey on deep learning in medical image analysis." Medical
Image Analysis, 42, 60–88.
4
LSTM algoritmining vaqt ketma-ketlik asosida diagnostikada qo‘llanilishi
5
Shi, W., Cao, J., Zhang, Q., Li, Y., & Xu, L. (2016). "Edge computing: Vision and challenges."
IEEE Internet of Things Journal, 3(5), 637–646.
6
Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017).
"Dermatologist-level classification of skin cancer with deep neural networks." Nature, 542(7639),
115–118.
7
Buczak, A. L., & Guven, E. (2016). "A survey of data mining and machine learning methods
for cyber security intrusion detection." IEEE Communications Surveys & Tutorials, 18(2), 1153–
1176.
JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 16, issue 02, 2025
ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431
ILMIY METODIK JURNAL
Ilovalar sohasi: amaliy misollar
Tibbiyotda: Google Health, IBM Watson Health, Qure.ai kabi tizimlar saraton, diabet, yurak
xastaliklarini erta aniqlashda foydalanilmoqda
. 2023-yilda Qure.ai dasturi Hindistonda
tuberkulyozni aniqlashda 95% aniqlikka ega bo‘lgani haqida hisobot berilgan.
Sanoatda: Siemens va GE kompaniyalari sanoat texnologiyalarida prediktiv texnik xizmat
ko‘rsatish (predictive maintenance) uchun sun’iy intellektdan foydalanmoqda.
Kiberxavfsizlikda: Kaspersky va Darktrace kabi kompaniyalar SI asosida anomal trafikni
aniqlovchi avtomatik tizimlar yaratgan bo‘lib, ular har bir foydalanuvchi harakatini real vaqt
rejimida tahlil qiladi
XULOSA
Sun’iy intellekt asosida avtomatlashtirilgan diagnostika tizimlari bugungi kunda zamonaviy
texnologik rivojlanishning ajralmas qismi sifatida qaralmoqda. Ular inson aralashuvini minimal
darajaga tushirgan holda yuqori aniqlikdagi tahlil va tezkor qaror qabul qilish imkoniyatlarini
yaratmoqda. Tibbiyot, sanoat va axborot xavfsizligi kabi strategik ahamiyatga ega sohalarda bu
tizimlarning joriy etilishi samaradorlikni oshiradi, inson hayoti va xavfsizligini ta’minlashda
katta rol o‘ynaydi. Maqolada ko‘rib chiqilgan arxitektura komponentlari, mashinali o‘rganish
algoritmlarining turlari va edge computing yondashuvlari bu tizimlarning samarali ishlashida
muhim ahamiyatga ega. Real vaqt rejimida ishlovchi diagnostika tizimlari, ayniqsa, tibbiy va
sanoat muhitlarida hal qiluvchi rol o‘ynaydi. Kelajakda bunday tizimlar yanada rivojlanib,
mustaqil
qaror
qabul
qiluvchi
intellektual
agentlarga
aylanishi,
shuningdek,
personalizatsiyalashgan xizmatlar ko‘rsatishda asosiy omil bo‘lishi kutilmoqda.
FOYDALANILGAN ADABIYOTLAR RO‘YXATI:
1. Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.).
Pearson.
2. Esteva, A., Kuprel, B., Novoa, R. A., et al. (2017). Dermatologist-level classification of skin
cancer
with
deep
neural
networks.
Nature,
542(7639),
115–118.
https://doi.org/10.1038/nature21056
3. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444.
https://doi.org/10.1038/nature14539
4. Zhang, Y., & Zhao, Y. (2020). Data Preprocessing Techniques in Healthcare for AI
Applications. Journal of Healthcare Engineering, 2020. https://doi.org/10.1155/2020/8841395
5. Aggarwal, C. C. (2018). Machine Learning for Text. Springer.
6. Litjens, G., et al. (2017). A survey on deep learning in medical image analysis. Medical Image
Analysis, 42, 60–88. https://doi.org/10.1016/j.media.2017.07.005
8
Qure.ai (2023). AI for radiology. https://www.qure.ai
9
Darktrace (2023). Cyber AI for threat detection. https://www.darktrace.com
JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 16, issue 02, 2025
ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431
ILMIY METODIK JURNAL
7. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8),
1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
8. Satyanarayanan, M. (2017). The emergence of edge computing. Computer, 50(1), 30–39.
https://doi.org/10.1109/MC.2017.9
9. Qure.ai (2023). Official Website – AI-based radiology solutions for TB and other diseases.
10. Kaspersky Lab (2022). AI-based Threat Detection Systems. https://www.kaspersky.com
1.
