114
MACHINE LEARNING ENGINEER FAOLIYATIDA MODEL SIFATINI
NAZORAT QILISHNING ZAMONAVIY YONDASHUVLARI
Shoh uh Ma chono Ma ka im o‘g‘li
Qozon (Volgabo‘yi) ede al uni e si e i Jizzax iliali
“Raqamli a’lim exnologiyala i ma kazi” ahba i
E-mail: [email p o ec ed]
DOI: h ps://doi.o g/10.5281/zenodo.17665214
Anno a siya. Mazku ezisda Machine Lea ning Enginee (MLE) kasbining amaliy
aoliya ida model si a ini baholash, nazo a qilish a doimiy moni o ing qilishning zamona iy
yondashu la i yo i ilgan. Amaliy muammola ni hal qilish ja ayonida modella ni aqa ya a ish
emas, balki ula ni doimiy kuza ib bo ish, qay a o‘qi ish, xa olikla ni ahlil qilish a biznes
ja ayoniga moslash i ish za u ligi a’kidlanadi. Ishda model deg ada siyasi, Da a D i a Concep
D i ushunchala i amaliy misolla asosida a si lanadi. Shuningdek, esu sla cheklangan
sha oi la da ML pipeline’ni sama ali boshqa ish me odla i haqida ik yu i iladi.
Ki ish. Sun’iy in ellek exnologiyala ining jadallik bilan i ojlanishi Machine
Lea ning Enginee kasbining ahamiya ini oshi moqda. A alla i ML modeli
ya a ishning o‘zi ka a yu uq bo‘lgan bo‘lsa, bugungi kunda eng muhim bosqich -
modelning hayo iy siklini boshqa ish hisoblanadi. Model ishlab chiqilgach, aq
o‘ ishi bilan uning aniqligi pasayishi abiiy hola bo‘lib, bu ja ayon Da a D i ,
Concep D i yoki eksplua a siya sha oi ining o‘zga ishi bilan bog‘liq bo‘ladi [1].
MLE mu axassisi modelni ishlab chiqishdan ashqa i, uning eal aq
moni o ingi, na ijala ni ahlil qilish, malakali e aining ja ayonini yo‘lga qo‘yish a
biznes alabla iga mos kelishini a’minlashi lozim. Bu ezisda ML modeli si a ini
doimiy saqlash ja ayonla i exnik a amaliy nuq ai naza dan yo i iladi.
Asosiy qism. Machine Lea ning modeli si a ini baholashda u li me ikala dan
oydalaniladi. Klassi ika siya masalala ida Accu acy eng sodda me ika hisoblanadi,
ammo u ha doim ham o‘liq asa u be maydi [2]. Shu sababli F1-sco e, P ecision,
Recall kabi ko‘ sa kichla modelning haqiqiy sama ado ligini aniqlashda muhim.
Reg essiya masalala ida esa MAE, RMSE, MAPE kabi me ikala qo‘llanadi.
Ha bi me ika modelning qaysi jiha i yomonlashayo ganini aniqlashga yo dam
be adi. Masalan, RMSE yi ik xa ola ga sezgi bo‘lganligi sababli u o qali modeldagi
keskin og‘ishla ni aniqlash oson oq bo‘ladi [3].
MLE uchun eng muhim jiha la dan bi i - me ika anlashni biznes maqsadiga
bog‘lash. Chunki modelning exnik si a da ajasi yuqo i bo‘lsa ham, biznes uchun
ahamiya li bo‘lmagan na ija ku ilgan oydani be maydi.
115
Model deg ada siyasi - bu aq o‘ ishi bilan modelning aniqligi yoki
sama ado ligi pasayishi ja ayoni. Ushbu hola ko‘plab kompaniyala da uch aydi a
oda da ikki asosiy sabab bilan izohlanadi:
Da a D i - ki u chi ma’lumo la ning a qalishi o‘zga adi. Masalan, a algi
yilla da yig‘ilgan do i na xla i bo‘yicha model hozi gi bozo dagi o‘zga u chanlikni
aks e i a olmasligi mumkin.
Concep D i - ki u chi ma’lumo a chiqish o asidagi bog‘liqlik o‘zga adi
[4]. Masalan, kassadagi xa ido oqimini p ognozlashda bay amla , iqlim, siyosiy
oqeala kabi omilla o‘zga ishi bilan model ham yangi xulq-a o ga moslashishi
ke ak.
Deg ada siyani aniqlash uchun MLE quyidagi osi ala dan oydalanadi:
Real- ime moni o ing dashboa d’la (G a ana, Kibana, P ome heus)
Ale ing izimla i (Page Du y, OpsGenie)
Modelning d i ko‘ sa kichla ini a oma ik kuza ish
Shubhali na ijala ni a oma ik belgilash a ahlil qilish
Moni o ing izimi bo‘lmasa, modelning aniqligi 10–30% ga ushib ke ishi ham
mumkin, bu esa bu un biznes ja ayoniga za a ye kazadi.
MLE aoliya ining ya mi model ya a ish bo‘lsa, qolgan ya mi uni o‘g‘ i
eksplua a siya qilishdi . Re aining - modelning qay a o‘qi ilishi ja ayoni bo‘lib, u
ikki xil bo‘ladi:
Scheduled e aining - ma’lum aq o alig‘ida mun azam o‘qi ish
T igge -based e aining - model si a i ma’lum chega adan pas lashganda
a oma ik o‘qi ish
MLOps amaliyo i modelning ba cha ja ayonla ini a oma lash i ish imkonini
be adi. Bu ja ayonda:
ML Pipeline (ETL → Fea u e Enginee ing → Model T aining →
Deploymen ), CI/CD ja ayonla i, Tes Co e age, Ve siyalash (DVC, ML low),
Ekspe imen la ni boshqa ish muhim ol o‘ynaydi [5].
MLE uchun asosiy azi a - pipeline ichidagi ba cha elemen la ning uzluksiz
ishlashini a’minlash.
Ko‘plab ashkilo la da hisoblash qu a la i cheklangan bo‘ladi. Shu sababli
modelni sama ali ishla ish uchun bi qancha s a egiyala qo‘llanadi:
a) Model Comp ession, Quan iza ion, P uning, Knowledge Dis illa ion
Bu usulla modelning aniqligiga sezila li za a ye kazmasdan uning og‘i ligini
kamay i adi.
b) Fea u e Enginee ing op imallash i ish
116
Ke aksiz belgila ni o‘chi ish yoki bi nech a belgini yagona indika o ga
bi lash i ish model sama ado ligini oshi adi.
c) Ba ch o‘ niga mini-ba ch yoki s eaming ishla ish
Ayniqsa eal aq izimla ida bu juda muhim.
d) Se e less ML yoki Edge ML
Modelni oydalanu chi qu ilmasida ishla ish o qali se e yukini sezila li
kamay i ish mumkin [6].
Xulosa. Machine Lea ning Enginee bugungi kunda aqa model ya a u chi
mu axassis emas - u modelning o‘liq hayo iy siklini boshqa u chi izim me’mo i
hisoblanadi. Modelni si a li ya a ish uning aqa boshlanishi bo‘lib, eng muhim
ja ayon - moni o ing, deg ada siyani oldini olish a e aining mexanizmla ini
sama ali ashkil qilishdi .
MLE aoliya ida Da a D i a Concep D i ’ni o‘z aq ida aniqlash, o‘g‘ i
me ikala ni anlash, pipeline’ni a oma lash i ish hamda esu sla ni op imallash i ish
bugungi aqamli iq isodiyo ning asosiy alabla idan bi idi . Shu sababli ML
muhandislik yondashu la i na aqa exnik, balki s a egik ahamiya ga ega bo‘lib
bo moqda.
Foydalanilgan adabiyo la :
1. Lu J., Liu A., Dong F., Gu F., Gama J., Zhang G. Lea ning unde Concep D i : A Re iew.
IEEE T ansac ions on Knowledge and Da a Enginee ing, 31(12), 2346–2363, 2019.
2. B eck E., Cai S., Nielsen E., Salib M., Sculley D. The ML Tes Sco e: A Rub ic o ML
P oduc ion Readiness and Technical Deb Reduc ion. NIPS ML Enginee ing Wo kshop, 2017.
3. Sa o M., Nakayama K. Model Deg ada ion in Machine Lea ning Sys ems: Causes, De ec ion,
and Mi iga ion. Jou nal o Da a and In o ma ion Quali y, 2021.
4. Baie L., Dengel A., Rehm G. A Su ey on Da a D i and I s Impac on Machine Lea ning.
A i icial In elligence Re iew, 2022.
5. Renggli C., Schü mann T., Mülle A. C., e al. A Sys ema ic E alua ion o Deep Lea ning
Me hods o Reg ession Tasks. Machine Lea ning Jou nal, 2021.
6. K euzbe ge D., Kühl N., Sa zge G. A Su ey on he MLOps Landscape: A chi ec u es, Tools,
and Challenges. IEEE Access, 2023.
