Keywords
Abstract
Mazkur ilmiy maqolada sun’iy intellekt asosida ishlovchi o‘rnatilgan tizimlarda real vaqt rejimida qaror qabul qilish algoritmlarini optimallashtirish masalasi IMRAD yondashuvi asosida tahlil qilinadi. Bugungi kunda o‘rnatilgan tizimlar sanoat avtomatlashtirish, aqlli transport, tibbiy monitoring, robototexnika, harbiy texnologiyalar, “aqlli shahar” infratuzilmalari va Internet of Things tizimlarida keng qo‘llanilmoqda. Bunday tizimlarning asosiy talabi — cheklangan hisoblash resurslari, kam energiya sarfi va minimal kechikish sharoitida aniq hamda ishonchli qaror qabul qilishdan iborat.
Tadqiqotda real vaqt tizimlarining asosiy ko‘rsatkichlari — kechikish, aniqlik, hisoblash murakkabligi, energiya samaradorligi, xotira sarfi va tizim barqarorligi ilmiy jihatdan yoritiladi.
Shuningdek, mashinaviy o‘rganish, chuqur o‘rganish va mustahkamlovchi o‘rganish algoritmlarining o‘rnatilgan tizimlarda qo‘llanish imkoniyatlari tahlil qilinadi. Maqolada modelni siqish, pruning, quantization, edge computing, parallel hisoblash va apparatga mos optimallashtirish yondashuvlari orqali real vaqt tizimlarida qaror qabul qilish samaradorligini oshirish yo‘llari asoslab beriladi.
Tahlillar shuni ko‘rsatadiki, real vaqtli sun’iy intellekt tizimlarida yuqori aniqlikka erishishning o‘zi yetarli emas; algoritm belgilangan vaqt chegarasida ishlashi, apparat resurslariga moslashishi va o‘zgaruvchan muhitga adaptatsiya qila olishi zarur. Shu bois, optimal natijaga erishish uchun algoritmik, apparat va tizimli optimallashtirish usullarini kompleks qo‘llash talab etiladi.
References
Russell S., Norvig P. Artificial Intelligence: A Modern Approach. Pearson Education, 2021.
Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016.
Sutton R. S., Barto A. G. Reinforcement Learning: An Introduction. MIT Press, 2018.
Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
LeCun Y., Bengio Y., Hinton G. Deep Learning. Nature, 2015.
Han S., Mao H., Dally W. J. Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman Coding. 2015.
Howard A. G., Zhu M., Chen B. et al. MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications. 2017.
Shi W., Cao J., Zhang Q., Li Y., Xu L. Edge Computing: Vision and Challenges. IEEE Internet of Things Journal, 2016.
Mnih V. et al. Human-level control through deep reinforcement learning. Nature, 2015.
Dean J., Ghemawat S. MapReduce: Simplified Data Processing on Large Clusters. 2008.
Hennessy J. L., Patterson D. A. Computer Architecture: A Quantitative Approach. Morgan Kaufmann, 2019.
O‘zbekiston Respublikasi Raqamli texnologiyalar vazirligi. Raqamli O‘zbekiston – 2030 strategiyasi. Toshkent, 2020.
TATU. Sun’iy intellekt asoslari: o‘quv qo‘llanma. Toshkent, 2021.
O‘zbekiston Milliy universiteti. Ma’lumotlar tahlili va mashinaviy o‘rganish asoslari. Toshkent, 2022.
Raxmatov B. A. Sun’iy intellekt va uning zamonaviy qo‘llanilishi. Toshkent, 2023.O‘zbekiston Milliy universiteti. Ma’lumotlar tahlili va mashinaviy o‘rganish asoslari. Toshkent, 2022.
Raxmatov B. A. Sun’iy intellekt va uning zamonaviy qo‘llanilishi. Toshkent, 2023.