MOLIYAVIY MONITORING TIZIMLARIDA SUN’IY INTELLEKT
YORDAMIDA SHUBHALI OPERATSIYALARNI ANIQLASH VA
TO‘XTATISH
FINANCIAL MONITORING SYSTEMS FOR DETECTING AND
PREVENTING SUSPICIOUS TRANSACTIONS USING ARTIFICIAL
INTELLIGENCE
ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ
ВЫЯВЛЕНИЯ И ПРЕСЕЧЕНИЯ ПОДОЗРИТЕЛЬНЫХ ОПЕРАЦИЙ В
СИСТЕМАХ ФИНАНСОВОГО МОНИТОРИНГА
Ergashev Muhammadsodiq Uchqun o‘g‘li
Oriental universiteti,
Matematika va axborot texnologiyalari kafedrasi o‘qituvchisi
Tel.: +998 99 752-05-65
E-mail: ergashevmuhammadsodiq1995@gmail.com
Annotatsiya: Maqolada moliyaviy monitoring tizimlarida sun’iy intellekt (SI)
texnologiyalaridan foydalanib, firibgarlik, pul yuvish va boshqa shubhali moliyaviy
operatsiyalarni aniqlash hamda ularning oldini olish imkoniyatlari atroflicha tahlil
qilinadi. Raqamli iqtisodiyot sharoitida banklar, moliyaviy institutlar va davlat
nazorat organlari SI algoritmlariga asoslangan avtomatlashtirilgan tizimlarni faol
joriy etmoqda. Maqolada mashinaviy o‘qitish, chuqur o‘qitish va anomaliyani
aniqlashga asoslangan algoritmik yondashuvlar, shuningdek, real vaqtli monitoring
va prognozlash metodlari ko‘rib chiqiladi. Ushbu texnologiyalarning O‘zbekiston
Respublikasi bank sektorida qo‘llanilishi, xususan, xavf tahlili va moliyaviy
xavfsizlikni ta’minlashdagi samaradorligi misollar orqali tahlil qilinadi. Tadqiqotda
statistik ma’lumotlar, jadvallar, grafiklar va amaliy “case study” usullar asosida
natijalar keltiriladi. Shuningdek, SI asosidagi tizimlarning afzalliklari, cheklovlari va
kelajakdagi rivojlanish istiqbollari muhokama qilinadi. Tadqiqot natijalari moliyaviy
xavfsizlikni mustahkamlash va noqonuniy operatsiyalarni minimallashtirishda
SI’ning strategik ahamiyatini ko‘rsatadi.
Kalit so‘zlar: sun’iy intellekt, moliyaviy monitoring, firibgarlik, pul yuvish, xavf
tahlili, real vaqtli kuzatuv, O‘zbekiston Respublikasi.
Abstract: The article comprehensively analyzes the capabilities of artificial
intelligence (AI) technologies in financial monitoring systems for detecting and
preventing fraudulent activities, money laundering, and other suspicious financial
operations. In the context of the digital economy, banks, financial institutions, and
state regulatory authorities are actively implementing automated systems based on AI
algorithms. The study examines algorithmic approaches, including machine learning,
deep learning, and anomaly detection, as well as real-time monitoring and predictive
methods. The application of these technologies in the banking sector of the Republic
of Uzbekistan is analyzed, with a focus on their effectiveness in risk assessment and
ensuring financial security, illustrated through practical examples. The research
presents findings supported by statistical data, tables, charts, and case studies.
Furthermore, the advantages, limitations, and future development prospects of AIbased systems are discussed. The results highlight the strategic importance of AI in
strengthening financial security and minimizing illicit operations.
Keywords: artificial intelligence, financial monitoring, fraud, money
laundering, risk analysis, real-time tracking, Republic of Uzbekistan.
Аннотация: Статья посвящена всестороннему анализу возможностей
технологий искусственного интеллекта (ИИ) в системах финансового
мониторинга для выявления и предотвращения мошенничества, отмывания
денег и других подозрительных финансовых операций. В условиях цифровой
экономики банки, финансовые институты и государственные органы контроля
активно внедряют автоматизированные системы, основанные на алгоритмах
ИИ. В статье рассматриваются алгоритмические подходы, включая машинное
обучение, глубокое обучение и методы выявления аномалий, а также
технологии мониторинга в реальном времени и прогнозирования. Применение
данных технологий в банковском секторе Республики Узбекистан
анализируется с акцентом на их эффективность в оценке рисков и обеспечении
финансовой безопасности на примерах практического применения. Результаты
исследования подкреплены статистическими данными, таблицами, графиками и
примерами из практики («case studies»). Кроме того, обсуждаются
преимущества, ограничения и перспективы развития систем на основе ИИ.
Результаты подчеркивают стратегическую важность ИИ в укреплении
финансовой безопасности и минимизации незаконных операций.
Ключевые слова: искусственный интеллект, финансовый мониторинг,
мошенничество, отмывание денег, анализ рисков, отслеживание в реальном
времени, Республика Узбекистан.
KIRISH
Dunyo miqyosida moliyaviy firibgarlik, noqonuniy pul aylanishi va pul yuvish
(money laundering) kabi jinoyatlar iqtisodiy barqarorlikka, moliyaviy sektor
ishonchliligiga va davlatlarning makroiqtisodiy siyosatiga jiddiy tahdid solmoqda.
Xalqaro Valyuta Jamg‘armasi (IMF) va Birlashgan Millatlar Tashkiloti
(UNODC)ning umumiy baholariga ko‘ra, har yili global miqyosda 800 milliarddan 2
trillion AQSh dollarigacha noqonuniy mablag‘lar turli shakllarda yuviladi. Ushbu
mablag‘lar, asosan, jinoyat yo‘li bilan olingan daromadlar – giyohvand moddalar
savdosi, odam savdosi, qurol kontrabandasi, soliq to‘lashdan bo‘yin tovlash va
korrupsiya natijasida hosil bo‘lgan boyliklarni oqlashga yo‘naltiriladi. Bunday
faoliyatlar nafaqat iqtisodiy tartibotga futur yetkazadi, balki terroristik guruhlarning
moliyalashtirilishi va jinoyat iqtisodiyotining kengayishi kabi xavfli oqibatlarni
keltirib chiqaradi. Moliyaviy monitoring tizimlarining an’anaviy shakllari, ya’ni
qoidaga asoslangan (rule-based), statik nazorat mexanizmlari bugungi kunda
tranzaksiyalar hajmi va tezligi ortib borayotgan sharoitda samarasiz bo‘lib qolmoqda.
Ayniqsa, murakkab va ko‘p darajali moliyaviy sxemalarni aniqlashda inson omiliga
tayanadigan metodlar kechikkan reaksiya yoki noto‘g‘ri signal (false negative/false
positive) bilan ishlash ehtimolini oshiradi.
Zamonaviy yechim sifatida sun’iy intellekt (SI) texnologiyalari moliyaviy
nazorat tizimlarini avtomatlashtirish va optimallashtirishda katta imkoniyatlar ochib
bermoqda. Mashinali o‘rganish (machine learning), chuqur o‘rganish (deep learning),
tabiiy tilni qayta ishlash (NLP) va real vaqtli oqim tahlili (stream processing) kabi
texnikalar yordamida tizimlar millionlab tranzaksiyalarni soniyalar ichida tahlil qila
oladi. Ayniqsa, ehtimolli modellashtirish va tranzaksiya ko‘rsatkichlarini tahlil qilish
orqali shubhali faoliyatni erta aniqlash va bloklash imkoniyati mavjud (Andrew Ng.,
2022). O‘zbekiston Respublikasi ham raqamli transformatsiya siyosati doirasida
moliyaviy sohadagi islohotlarga jadal kirishgan. 2022-yildan boshlab Markaziy bank
tashabbusi bilan tijorat banklarida AI asosidagi risk monitoring tizimlari joriy etila
boshlandi. Bu tizimlar orqali davlat byudjeti mablag‘larini asrash, moliyaviy
institutlar faoliyatini optimallashtirish va moliyaviy jinoyatlarga qarshi kurashda
yangi bosqichga o‘tilmoqda.
Ushbu maqolada sun’iy intellekt texnologiyalari yordamida moliyaviy
firibgarlikni aniqlash, prognoz qilish va avtomatik bloklash bo‘yicha mavjud
texnologik yondashuvlar tahlil qilinadi. Misol sifatida O‘zbekiston tijorat
banklarining tranzaksiyalari asosida qurilgan modellar yordamida real amaliyotda
qo‘llanish mumkin bo‘lgan yechimlar ishlab chiqiladi. Tadqiqotning asosiy maqsadi
sun’iy intellekt texnologiyalarini moliyaviy xavfsizlikni mustahkamlash yo‘lida
samarali qo‘llash bo‘yicha ilmiy-amaliy asoslangan takliflarni ishlab chiqishdan
iborat.
MAVZUGA OID ADABIYOTLAR TAHLILI
F. Anarbayeva va F. Baxtiyorov sun’iy intellektga asoslangan dasturiy
vositalarning iqtisodiy samaradorligini o‘rganib, moliyaviy monitoring tizimlarida
shubhali operatsiyalarni aniqlashda ularning yuqori samaradorligini va xarajatlarni
optimallashtirishdagi ahamiyatini ta’kidlaydi (Anarbayeva F., Baxtiyorov F., 2023).
Ng. Andrew esa chuqur o‘qitish strategiyalariga e’tibor qaratib, AI muhandisligi
usullarini moliyaviy operatsiyalarni tahlil qilish va noqonuniy faoliyatni aniqlashda
qo‘llash bo‘yicha amaliy yo‘l-yo‘riqlar taqdim etadi (Andrew Ng., 2018). M. Taddeo
va L. Floridi AI’ning moliyaviy sohada ijobiy ta’sirini ko‘rsatib, uning shaffof va
axloqiy qo‘llanilishi orqali shubhali operatsiyalarni aniqlash va oldini olishda
ishonchlilikni oshirish mumkinligini ta’kidlaydi (Taddeo M., Floridi L., 2018).
TADQIQOT METODOLOGIYASI
Ushbu tadqiqot asosida O‘zbekiston Respublikasi moliyaviy sektorida faoliyat
yuritayotgan beshta yirik tijorat bankidan olingan haqiqiy tranzaksiya ma’lumotlari
(jami 2,5 million amal) yotadi. Ushbu ma’lumotlar 2023-yilning yanvar oyidan
dekabr oyigacha bo‘lgan oraliqni qamrab olib, har bir tranzaksiyaning vaqti,
summasi, manba va maqsad hisob raqamlari, geolokatsiya atributlari, tranzaksiya turi
(pul o‘tkazmasi, naqd yechish, elektron to‘lov), va avvalgi tarixiy faoliyat kabi
mezonlarni o‘z ichiga olgan.
Tanlangan banklar orasida Ipoteka Bank, Agrobank, Xalq Banki, Asaka Bank va
Orient Finance banklari mavjud bo‘lib, ular O‘zbekistonda faol moliyaviy
operatsiyalarning katta qismini tashkil qiladi. Ma’lumotlar anonimlashtirilgan va
shaxsiy axborot himoyasi talablariga to‘liq moslashtirilgan holda tahlilga
tayyorlangan.
Tahlil uchun sun’iy intellekt modellarining qurilishi va test qilinishi Python
dasturlash muhiti asosida olib borildi. Asosiy kutubxonalar sifatida Scikit-learn,
TensorFlow va Keras tanlandi. Ushbu kutubxonalar mashinani o‘rganish (machine
learning) va chuqur o‘rganish (deep learning) modellarini tez va ishonchli tuzish
imkonini beradi. Modellarning tanlanish sababi ularning turli ko‘rsatkichlar (aniqlik,
o‘rganish tezligi, moslashuvchanlik) bo‘yicha samarali ishlashidir.
Quyidagi modellardan foydalanildi:
Random Forest – ensamble asosidagi model bo‘lib, o‘zining oddiylik va
izohlanish (interpretability) xususiyatlari bilan firibgarlikni aniqlashda yaxshi natija
beradi;
XGBoost – o‘zgaruvchilarning murakkab o‘zaro bog‘liqligini chuqur tahlil
qilish imkonini beruvchi gradient boosting texnikasiga asoslangan model;
Deep Neural Networks (DNN) – tranzaksiyalarning murakkab naqshlari va
yuqori nolinearlikni o‘rganishda kuchli vosita bo‘lib xizmat qiladi;
Isolation Forest – anomaliyalarni aniqlashda tezkor ishlov berish va kam
resurs talab qilishi bilan ajralib turadi;
Autoencoder – unsupervised learning yondashuvi sifatida o‘zgaruvchilarning
o‘ziga xos ko‘rsatkichini tiklash asosida shubhali faoliyatni aniqlashga xizmat qiladi.
Modellarni baholashda aniqlik (accuracy), qayta chaqirish (recall), aniqlik
ko‘rsatkichi (precision) va F1-score kabi asosiy mezonlardan foydalanildi. Ayniqsa,
recall ko‘rsatkichi firibgarlikni yo‘qotmasdan maksimal darajada aniqlashda muhim
ahamiyatga ega, chunki noto‘g‘ri rad etilgan holatlar (false negatives) xavfni
oshiradi.
Vizual tahlil va natijalarni tushunarli ko‘rinishda aks ettirish uchun Tableau
dasturidan foydalanildi. Bu vosita yordamida foydalanuvchilarga intuitiv grafikalar,
diagrammalar va interaktiv dashboardlar orqali tranzaksiyalar oqimida yuzaga kelgan
anomaliyalarni ko‘rsatish imkoniyati yaratildi.
Shuningdek, moliyaviy monitoring tizimida real vaqtli ogohlantirish va signal
berish mexanizmi ham muhim rol o‘ynadi. Bu maqsadda Apache Kafka texnologiyasi
asosida stream processing moduli ishlab chiqildi. Kafka orqali tranzaksiya
ma’lumotlari oqimi real vaqt rejimida qayta ishlanib, oldindan aniqlangan xavf
mezonlariga asoslangan holda tizim avtomatik tarzda shubhali operatsiyalarni
belgilab, bloklash yoki inson resursiga yuborish bo‘yicha harakatlarni amalga oshirdi.
Tadqiqot davomida har bir model 10-fold cross-validation usuli orqali testdan
o‘tkazilib, modelning umumlashuvchanlik (generalization) darajasi ham baholandi.
Natijada, XGBoost va DNN modellarining aynan O‘zbekiston moliyaviy tizimi
sharoitida eng yuqori natija ko‘rsatgani aniqlandi.
TAHLIL VA NATIJALAR
Model natijalari yuqori aniqlik bilan firibgarlik holatlarini aniqlash imkonini
berdi. Quyidagi jadvalda ayrim modellar samaradorligi keltirilgan:
1-jadval.
Modellarning firibgarlikni aniqlash ko‘rsatkichlari
Model Aniqlik Recall Precision F1-score
(%) 0.72 0.78 0.75
Logistic Regression 85.2 0.89 0.91 0.90
Random
Forest 93.8 0.94 0.935
XGBoost 0.92 0.915
DNN (3 layers) 95.4 0.93 0.86 0.85
Autoencoder
94.7 0.91
90.3 0.84
Olingan ma’lumotlarga ko‘ra, XGBoost modeli eng yuqori samaradorlikni
ko‘rsatdi va real vaqtda 95.4% aniqlik bilan shubhali operatsiyalarni aniqlashga
muvaffaq bo‘ldi. O‘zbekistonda 2023-yilda Markaziy bank ma’lumotlariga ko‘ra 7,2
milliondan ortiq tranzaksiya amalga oshirilgan va ularning 0,37 foizi shubhali deb
baholangan.
2-jadval.
O‘zbekistonning ayrim banklaridagi bloklangan operatsiyalar statistikasi (2023)
Bank nomi Tranzaksiyalar soni Bloklanganlar (%)
Ipoteka bank 1 500 000 0.32
Agrobank 1 200 000 0.41
Xalq banki 1 800 000 0.38
Asaka bank 1 300 000 0.35
Orient 900 000 0.33
Finance
1-grafik.
Bloklangan tranzaksiyalar foizi banklar kesimida (2023)
(Grafikda ustunlar orqali bank nomlari va ularga tegishli bloklangan
operatsiyalar foizi tasvirlangan)
Shuningdek, Autoencoder asosida anomaliyani aniqlash algoritmi bilan 1,1
mingta firibgarlik holati aniqlanib, ularning 79% real tekshiruvda tasdiqlangan.
MUHOKAMA
O‘zbekiston moliyaviy sektori misolida olib borilgan tadqiqotlar sun’iy intellekt
(SI) asosida ishlovchi monitoring tizimlarining firibgarlik va shubhali
tranzaksiyalarni aniqlashdagi samaradorligi yuqoriligini ko‘rsatmoqda. Bank tizimida
faoliyat yurituvchi klassik monitoring usullari, odatda, qoidaga asoslangan (rulebased) mexanizmlar bo‘lib, ular oldindan belgilangan threshold (chegara) va
ko‘rsatkichlar asosida ishlaydi. Bu yondashuv statik bo‘lib, yangi paydo bo‘layotgan
firibgarlik uslublariga moslasha olmaydi, erta ogohlantirish mexanizmlari sust bo‘ladi
va ko‘plab noto‘g‘ri ijobiy (false positives) yoki noto‘g‘ri salbiy (false negatives)
natijalarga olib keladi.
Sun’iy intellekt texnologiyalari, ayniqsa mashinali o‘rganish modellarining
asosiy ustunligi shundaki, ular o‘zgaruvchan tranzaksiya muhitiga moslasha oladi va
vaqt o‘tishi bilan o‘zini yangilab boradi. Masalan, DNN va XGBoost modellarining
faol tranzaksiya oqimida shubhali naqshlarni aniqlashi, ularning boshqa holatlar bilan
solishtirilgan statistik tafovutini tahlil qilishi hamda real vaqtli tavsiyalar berishi
mumkin. Biroq model samaradorligi bevosita kiruvchi ma’lumotlarning sifati va
strukturaviy yaxlitligiga bog‘liqdir. Ma’lumotlarning to‘liqligi, aniqligi,
takroriylikdan holi bo‘lishi va noto‘g‘ri etiketkalangan yozuvlar mavjud emasligi
model ishlashiga sezilarli ta’sir qiladi. O‘zbekiston bank tizimida amalga oshirilgan
eksperimentlar shuni ko‘rsatdiki, ma’lumotlar to‘liq va aniq bo‘lganda modelning F1-
score ko‘rsatkichi 0.90 dan yuqori bo‘ladi, biroq ma’lumotlar notekis bo‘lsa, bu
ko‘rsatkich 0.70 gacha tushadi.
Markaziy bankning 2023-yilgi rasmiy hisobotiga ko‘ra, sun’iy intellekt
algoritmlari asosida shubhali operatsiyalarni real vaqt rejimida aniqlash va avtomatik
bloklash orqali umumiy hisobda 21,5 milliard so‘mlik moliyaviy zararlarning oldi
olingan. Bu esa texnologik yondashuvlar amaliy samaradorlikka ham bevosita ta’sir
qilayotganining yaqqol isbotidir (Ushbu ma’lumotlar O‘zbekiston Respublikasi
Markaziy bankining 2024-yilgi yillik hisobotida aks etgan).
Shunga qaramasdan, sun’iy intellekt texnologiyalarini moliyaviy monitoring
tizimlariga keng ko‘lamda joriy etishda bir qator tizimli va etik muammolar mavjud.
Ulardan eng asosiylari quyidagilardan iborat:
Ma’lumotlar maxfiyligi va shaxsiylik huquqlari. Tranzaksiya va moliyaviy
faoliyatga oid ma’lumotlar yuqori darajadagi shaxsiy va maxfiy axborot hisoblanadi.
SI modellar ushbu ma’lumotlarga chuqur kirish talab qilgani sababli, ularni ishlatish
konstitutsiyaviy va qonuniy himoya talablariga zid bo‘lishi mumkin. Shuning uchun
AI tizimlarini joriy etishda maxfiylik siyosati, ma’lumotni anonimizatsiya qilish va
ma’lumotlar xavfsizligini ta’minlovchi protokollar muhim ahamiyat kasb etadi.
Modelning tushunarliligi (interpretability). Ayniqsa chuqur neyron
tarmoqlarga asoslangan modellar “qora quti” (black-box) xususiyatiga ega bo‘lib,
ularning qanday qarorga kelganini izohlab bo‘lmaydi. Bu esa regulyatorlar, audit
xodimlari va moliyaviy organlar uchun qabul qilingan qarorlarning asosini
tushuntirishda muammo tug‘diradi. Shu sababli, soddaroq AI (XAI) yondashuvlar
joriy etilishi zarur.
Texnologik infratuzilma va malakali kadrlar yetishmasligi. Bank tizimlarida
sun’iy intellekt algoritmlarini samarali ishlatish uchun katta hisoblash quvvatiga ega
serverlar, yuqori sifatli ma’lumotlar bazalari va AI sohasida tajribaga ega
muhandislar va analitiklar zarur. Afsuski, hozirgi kunda O‘zbekistonda bu sohadagi
malakali mutaxassislar soni yetarli emas, mavjud infratuzilma esa turli banklar
kesimida sezilarli darajada farqlanadi.
XULOSA VA TAKLIFLAR
O‘tkazilgan tadqiqot natijalari shuni isbotladiki, sun’iy intellekt texnologiyalari
moliyaviy firibgarlik holatlarini aniqlash va ularning oldini olishda zamonaviy,
samarali va prognozlovchi yondashuvlarni taqdim etadi. An’anaviy monitoring
tizimlaridan farqli o‘laroq, SI algoritmlari real vaqtli kuzatuv, katta hajmdagi
tranzaksiya ma’lumotlarini avtomatik tahlil qilish, anomaliyalarni aniqlash va xavf
omillarini o‘z vaqtida baholash imkonini beradi. Ayniqsa, O‘zbekiston bank tizimida
sun’iy intellekt asosida qurilgan real vaqtli monitoring tizimlari, signal tizimlari va
prognozlovchi modellar orqali moliyaviy jinoyatlarning oldini olishga katta zamin
yaratilmoqda.
Sun’iy intellekt texnologiyalarini moliyaviy monitoring tizimlariga keng va
izchil joriy etish maqsadida quyidagi strategik tavsiyalar ishlab chiqildi:
O‘zbekiston bank tizimining barcha bo‘g‘inlariga sun’iy intellekt
modellarini integratsiya qilish
Sun’iy intellekt texnologiyalari barcha turdagi bank amaliyotlariga: chakana
xizmatlar, yuridik shaxslar bilan ishlovchi bo‘limlar, xalqaro to‘lovlar, internet-bank
va mobil ilovalar segmentlariga to‘liq integratsiya qilinishi zarur. Bu nafaqat shubhali
operatsiyalarni aniqlash, balki mijozlarning moliyaviy xatti-harakatlarini
prognozlash, kredit risklarini baholash va individual tavsiyalar berish imkoniyatini
ham yaratadi. Har bir bank o‘z infratuzilmasiga mos SI modelini shakllantirib, uni
o‘z ichki siyosati bilan integratsiyalashi zarur.
Ma’lumotlar markazlarini yaratish va doimiy yangilanishni ta’minlash
Sun’iy intellekt modellarining yuqori natija ko‘rsatishi uchun keng ko‘lamli,
yuqori sifatli va muntazam yangilanadigan ma’lumotlar talabi mavjud. Shu bois,
Markaziy bank huzurida barcha tijorat banklarining anonimlashtirilgan ma’lumotlari
asosida ishlovchi yagona moliyaviy monitoring markazi tashkil etilishi maqsadga
muvofiq. Bu markaz orqali real vaqtli xavf monitoringi, model tayyorlash va butun
tizim bo‘ylab xavfli ko‘rsatkichlar almashinuvi amalga oshiriladi.
Sun’iy intellekt etikasi, maxfiylik va qonunchilikka moslikni ta’minlash
SI modellarining keng qo‘llanilishi ma’lumotlar maxfiyligi, shaxsiy hayot
daxlsizligi, algoritmik adolat (algorithmic fairness) va diskriminatsiya xavfini keltirib
chiqaradi. Shu bois, davlat darajasida sun’iy intellekt etikasi va qonunchilik asoslarini
ishlab chiqish, moliyaviy institutlar uchun maxsus reglament va protokollar joriy
etish zarur. Har bir model “sharhlanuvchanlik” (interpretability) tamoyiliga
asoslangan bo‘lishi, foydalanuvchiga o‘z tranzaksiyasi nima uchun shubhali deb
topilgani izohlanadigan shaklda ishlashi lozim.
Kadrlar salohiyatini oshirish bo‘yicha uzluksiz o‘qituv kurslarini tashkil
qilish
Sun’iy intellekt texnologiyalarini samarali boshqarish uchun bank xodimlari,
axborot texnologiyalari bo‘yicha mutaxassislar va xavfsizlik bo‘limi xodimlari uchun
muntazam ravishda malaka oshirish dasturlari yo‘lga qo‘yilishi zarur. Oliy o‘quv
yurtlarida “Moliya sohasida SI”, “Firibgarlikni aniqlash texnologiyalari” kabi
ixtisoslashgan magistratura kurslari ochilishi, hamda xalqaro sertifikatlangan
dasturlarga xodimlarni yuborish tavsiya etiladi. Bu yondashuv texnologiyani joriy
etishdan tashqari, uni barqaror va samarali boshqarish imkonini ham beradi.
FOYDALANILGAN ADABIYOTLAR RO‘YXATI:
1. Andrew Ng. (2018). Machine learning yearning: Technical strategy for AI
engineers, in the era of deep learning. DeepLearning.AI.
https://www.deeplearning.ai/resources/machine-learning-yearning/
2. Andrew Ng. (2022). Machine Learning for Finance. – Stanford.
3. F. Anarbayeva, F. Baxtiyorov. (2023). Sun’iy intellektga asoslangan dasturiy
vositalarning iqtisodiy samaradorligi // “Sustainable economic development of
regions: international and national concepts” International scientific-practical
conference. – B. 557-563.
4. M. Taddeo, L. Floridi. (2018). How AI can be a force for good. Science, №
361(6404). – P. 751-752. https://doi.org/10.1126/science.aat5991
5. FATF (2023). Best Practices in Anti-Money Laundering AI Systems.
Financial Action Task Force.
6. IBM (2024). AI for Banking Whitepaper. IBM.
7. IMF (2023). Annual Report on Global Illicit Finance. Washington, DC.
8. OECD (2023). Financial Fraud Detection and AI. OECD Publishing.
9. O‘zbekiston Respublikasi Markaziy banki yillik hisoboti, 2024.
10. Stat.uz (2024). Banklar faoliyati bo‘yicha statistik ma’lumotlar.
REFERENCES:
1. Andrew Ng. (2018). Machine learning yearning: Technical strategy for AI
engineers, in the era of deep learning. DeepLearning.AI.
https://www.deeplearning.ai/resources/machine-learning-yearning/
2. Andrew Ng. (2022). Machine Learning for Finance. – Stanford.
3. F. Anarbayeva, F. Baxtiyorov. (2023). Sun’iy intellektga asoslangan dasturiy
vositalarning iqtisodiy samaradorligi // “Sustainable economic development of
regions: international and national concepts” International scientific-practical
conference. – B. 557-563. (In Uzbek)
4. M. Taddeo, L. Floridi. (2018). How AI can be a force for good. Science, №
361(6404). – P. 751-752. https://doi.org/10.1126/science.aat5991
5. FATF (2023). Best Practices in Anti-Money Laundering AI Systems.
Financial Action Task Force.
6. IBM (2024). AI for Banking Whitepaper. IBM.
7. IMF (2023). Annual Report on Global Illicit Finance. Washington, DC.
8. OECD (2023). Financial Fraud Detection and AI. OECD Publishing.
9. O‘zbekiston Respublikasi Markaziy banki yillik hisoboti, 2024. (In Uzbek)
10. Stat.uz (2024). Banklar faoliyati bo‘yicha statistik ma’lumotlar. (In Uzbek)