KURS ISHI

KIRISH Chuqur oʻrganish modellarining global bozori 2023-yilda 10 milliard AQSH dollaridan oshib, 2030-yilga qadar yillik oʻrtacha 30% dan ziyod oʻsish prognozi bilan 60 milliard dollarga yetishi kutilmoqda [1]. Bu oʻsish, ayniqsa, sunʼiy intellektning turli sohalardagi tatbiqlari, jumladan, tasvirni qayta ishlash, tabiiy tilni qayta ishlash va tibbiy diagnostikada parallel hisoblashlarning fundamental rolini taʼkidlaydi [2]. Oʻzbekistonda ham raqamli iqtisodiyotni rivojlantirish boʻyicha qabul qilingan strategiyalar doirasida sunʼiy intellekt texnologiyalarini joriy etishga katta eʼtibor qaratilmoqda. Masalan, 2023-yilda IT-xizmatlar eksporti hajmi 340 million dollardan oshib, bu koʻrsatkichning 2024-yilda 500 million dollarga yetishi prognoz qilinmoqda [3]. Ushbu sohada chuqur oʻrganish modellarining samaradorligini oshirish, ayniqsa maʼlumotlar parallelligi usullarini qoʻllash orqali, mamlakatimizning global raqamli iqtisodiyotdagi raqobatbardoshligini sezilarli darajada kuchaytirishi mumkin [4]. Yuqorida qayd etilgan statistik maʼlumotlar chuqur oʻrganish texnologiyalarining global va milliy miqyosdagi salohiyatini namoyon etadi. Biroq, katta hajmli maʼlumotlar va murakkab chuqur oʻrganish modellarining oʻsib borishi, ularni samarali oʻqitish va joylashtirish uchun mavjud hisoblash resurslarining cheklanganligi bilan bogʻliq jiddiy muammolarni keltirib chiqarmoqda [5]. Ayniqsa, maʼlumotlar parallelligiga asoslangan chuqur oʻrganish modellarini optimallashtirish, turli parallel arxitekturalarda (GPU, TPU) ularning ishlash unumdorligini oshirish, resurslardan samarali foydalanish va oʻqitish jarayonini tezlashtirish masalalari hali toʻliq hal etilmagan. Ushbu muammolar, ayniqsa Oʻzbekiston sharoitida, cheklangan infratuzilma va malakali mutaxassislar yetishmovchiligi fonida yanada dolzarblashadi, bu esa ushbu tadqiqot mavzusining amaliy ahamiyatini oshiradi [6]. Mavzuning oʻrganilganlik darajasi xalqaro miqyosda ancha yuqori boʻlsa-da, aniq muammolar boʻyicha boʻshliqlar mavjud. Masalan, Geoffrey Hinton (2006) chuqur ishonch tarmoqlari (Deep Belief Networks) va ishonchli oʻqitish usullarini ishlab chiqish orqali chuqur oʻrganish sohasiga asos solgan [7]. Yoshua Bengio (2009) oʻzining ishlari bilan chuqur oʻrganish algoritmlarini takomillashtirishga, xususan, noaniq oʻqitish (unsupervised learning) va taqsimlangan reprezentatsiyalar (distributed represen ...