5-1 CCTV va chiqindi tashlash — odamni chiziqcha odamga aylantirib ushlaymiz

1Xabar

Tungi soat ikkidagi xabar — "Kim tashlaganini koʻrsat"

CCTV nazorat xonasida oʻnlab ekran bor. Inson tun boʻyi barcha ekranlarni kuzatib oʻtira olmaydi. Laboratoriyaga berilgan missiya bitta. Chiqindi tashlash "harakati"ni AI birinchi boʻlib payqaydigan qiling.

[SYSTEM] 02:13 · CAM-07 xiyoboni · noqonuniy chiqindi tashlash gumoni haqida 1 ta xabar. Ilova: 3 soniyalik video, bitta nazorat qaydnomasi.

DoktorBitta videoda millionlab son bor. Undan toʻgʻridan-toʻgʻri "tashlash"ni qidirsang, adashib qolasan. Tartibni belgilaylik: odamni topish → chiziqcha odam → harakat belgilari → qaror.

YordamchiChiziqcha odammi? Yuzni saqlamay, faqat skeletni qoldiramizmi? Unda kim kimligini bilish shart emas ekan-da.

Drozofila tadqiqotchisiBitta tuzoq bor. Qoʻlini qattiq silkitayotgan odam bilan banka otayotgan odamning faqat bilagiga qaralsa, ikkalasi ham bir xil tez. Banka qayerga tushganini ham koʻrish kerak.

Laboratoriya robotiOlti xil sahna va 300 ta test sahnasini tayyorladim. Ikkita qoida va uchta oʻrganuvchi modelni sinab koʻramiz.

Chapda — xiyobonda banka otayotgan chiziqcha odam qizil ramka bilan belgilangan CCTV tasviri, oʻngda — nazorat xonasi monitoridagi ogohlantirishni koʻrsatayotgan operator chiziqcha odam, xursand Doktor va Drozofila tadqiqotchisi — Nazorat xonasidagi ogohlantirish ekrani. Bu sahnaga olib boradigan yoʻlni 2–6-boʻlimlarda bosqichma-bosqich quramiz.

2 · 3-boʻlimlarEkran → odam → 13 ta boʻgʻim nuqtasi

6 million son ichidan odamni topib, pozani 26 ta songa qisqartiramiz

4 · 5-boʻlimlarVaqt → 4 ta belgi → qaror

46 kadrlik harakatni 4 ta belgiga jamlab, qoida va oʻrganishni solishtiramiz

6 · 7-boʻlimlarNazorat xonasi → cheklovlar

Real vaqtdagi ball, qaror kechiktirilishi va bu usul xato qiladigan joylar

2Ekran — sonlar

CCTV ekrani — bu sonlar: yorligʻi yoʻq 6 million son

Kompyuter oladigan narsa surat emas, balki har bir katakdagi qizil, yashil va koʻk rang intensivligi (0~255). Koʻrinish usulini oʻzgartiring va sichqonchani ekran ustiga olib boring.

Koʻrinish

Katak oʻlchami

Yangi boshlovchilar uchun tushuntirish

Full HD CCTV ning bitta kadri eni 1 920 × boʻyi 1 080 katakdan iborat, har bir katakda qizil, yashil va koʻk rang uchun uchta son bor. 1 920 × 1 080 × 3 = 6 220 800 ta. Soniyasiga 30 kadr boʻlsa, 1 soniyada 186 620 000 ta son. Bu sonlarning hech birida "odam" yoki "chiqindi qutisi" degan yorliq yoʻq. Shuning uchun birinchi qadam — sonlar uyumidan nima qayerda ekanini topish. Surat sonlar matritsasiga aylanish jarayoni 4-2 qismida batafsil koʻrib chiqiladi.

3Odamni topish

Odamni topamiz va chiziqcha odamga aylantiramiz — obyektlarni aniqlash va pozani baholash

Bu ikki bosqichdan iborat. Avval obyektlarni aniqlash odam, chiqindi qutisi va bankaning toʻrtburchak ramkasini (chegaralovchi ramka) topadi. Soʻng pozani baholash odam ramkasi ichidan 13 ta boʻgʻimning koordinatalarini topadi. Qatlamlarni yoqib-oʻchirib koʻring.

Tungi xiyobondagi CCTV tasviri. Nur sochayotgan chiziqcha odam oʻng qoʻlini choʻzib banka otmoqda, banka punktir chiziq boʻylab chapdagi chiqindi qutisi tomon uchmoqda

Koordinatalar rasmdan (1402 × 1122) boʻgʻim nuqtalarini bevosita oʻqib olingan qiymatlardir. Chap yuqori burchak — (0, 0), pastga tushgan sari y ortib boradi. Biz odamga yuzma-yuz qaraganimiz uchun ekranning chap tomonidagi qoʻl — "oʻng qoʻl".

Qatlam

Nega chiziqcha odam?

Kichik: bitta poza — 26 ta son. Xuddi shu ekranda esa piksellar 6 milliondan ortiq.
Kiyim va yoritishga kamroq bogʻliq: qora xudi boʻladimi, oq koʻylak boʻladimi, kunduzi yoki koʻcha chirogʻi ostida boʻladimi — qoʻl burchagi bir xil son bilan chiqadi.
Yuzni saqlamaslik mumkin: qaror uchun kerak boʻlgan narsa — harakat. Faqat boʻgʻimlar saqlansa, shaxsni aniqlashga imkon beruvchi ma’lumotni kamaytirish mumkin.

Buning evaziga yoʻqotiladigan narsalar

Buyumlar: chiziqcha odamda na banka, na chiqindi qutisi bor. Shuning uchun obyektlarni aniqlash natijasini (bankaning joylashuvini) ham birga olib yurish kerak. 5-boʻlimda aynan shu hal qiluvchi ahamiyatga ega boʻladi.
Toʻsilish va qorongʻilik: qoʻl tana bilan toʻsilib qolsa yoki juda qorongʻi boʻlsa, boʻgʻim topilmaydi yoki notoʻgʻri joyga belgilanadi.
Qoʻl shakli: 13 ta nuqtada barmoqlar yoʻq. "Musht qilinganmi yoki ochiqmi" — buni alohida tekshirish kerak.

Amalda qanday vositalar ishlatiladi?

Obyektlarni aniqlashda YOLO oilasi [R3], pozani baholashda esa OpenPose [R1] yoki MediaPipe [R5] keng qoʻllaniladi. Boʻgʻimlarni raqamlash tizimi sifatida COCO ma’lumotlar toʻplamining 17 nuqtasi [R2] amalda standart hisoblanadi. Bu sahifada COCO ning 17 nuqtasidan ikkita koʻz va ikkita quloq nuqtasi olib tashlanib, bosh burun nuqtasi bilan almashtirilgan 13 nuqta ishlatiladi.

4Vaqt boʻyicha

Chiziqcha odamni vaqt boʻyicha yoyamiz — harakat bu sonlar qatori

Chiqindi tashlash bitta sahna emas, balki 3 soniya davom etadigan harakat. Olti sahnadan birini tanlang. Sariq punktir — oʻng bilakning trayektoriyasi, pastdagi grafik — bilak tezligi va bankaning holati.

Sahna

Bu sahnalar qayerdan olingan?

Olti sahna haqiqiy video emas, balki boʻgʻim burchaklarini vaqt boʻyicha oʻzgartirib yaratilgan sintetik ma’lumot. Boʻy 1 ga teng deb olingan birlik ishlatiladi (1.7 m boʻy asosida), otilgan banka esa tortishish kuchi ta’sirida parabola boʻylab uchadi. 1-koddagi funksiya va bu rasm bir xil hisob-kitobga asoslangan. Haqiqiy video boʻlganida bu koordinatalarni har bir kadr uchun 3-boʻlimdagi pozani baholash beradi.

5Qoida va oʻrganish

4 ta belgi, qoida va oʻrganish — tez qoʻl hali chiqindi tashlash degani emas

1 196 ta sonni inson tanlagan 4 ta belgiga qisqartiramiz. Soʻng ikki usulda qaror qilamiz: inson belgilagan qoida va ma’lumotlardan oʻrgangan model. Chegaraviy qiymatni surib, qoida qayerda xato qilishini topib koʻring.

Qoida

Bilak tezligi chegarasi2.0boʻy/s

2-kod tajribasi — 300 ta test sahnasi, beshta detektor

Olti sahnaning tezligi (×0.8~1.25), joylashuvi va harakat koʻlami (×0.75~1.25) oʻzgartirilib, 600 ta oʻquv va 300 ta test sahnasi yaratildi, boʻgʻim koordinatalariga titrash (pozani baholash xatosi) qoʻshildi. Toʻgʻri javob natijaga qarab belgilanadi: banka chiqindi qutisidan tashqarida, yerda qolsa — tashlash. Shuning uchun "uzoqqa otish" ham kuchli otilib qutiga tushsa — normal hisoblanadi (testdagi otishlarning faqat 52% i tashlash). Katakdagi son — oʻsha sahnani tashlash deb topgan ulush; toʻgʻri javobdan 5 foiz punktdan koʻproq farq qilsa, qizil rang bilan belgilangan.

1-qoida (60.7%): qoʻl silkitishlarning 94% ini tashlash deb belgiladi (soxta signal). Sekin tushirilgan tashlashlarning 98% ini oʻtkazib yubordi.

2-qoida (76.7%): "qoʻyib yubordimi" sharti qoʻshilgach, qoʻl silkitishdagi soxta signallar yoʻqoldi. Biroq tushirib yuborishlar haliyam oʻtkazib yuboriladi, qutiga otib solingan normal sahnalar esa tashlash deb topiladi.

4 ta belgi + logistik regressiya (99.7%): oʻrganilgan vaznlar — [tezlik −0.33, qoʻyib yuborish 1.16, qutigacha masofa 3.93, uzoqlashish 1.19]. Bilak tezligiga hatto kichik manfiy vazn berildi. Model tanlagan eng kuchli dalil — "banka qutidan tashqarida, yerda qoldimi".

Koordinatalar toʻgʻridan-toʻgʻri berilgan MLP (92.3%): otish "shakli"ni oʻrgandi, lekin qutiga tushgan otishlarda ham signal berdi (19 ta soxta signal). Buyumning 2 ta koordinatasini qoʻshish ham natijani yaxshilamadi. 1 288 ta son ichidan "oxirgi kadrda bankaning x koordinatasi qutidan tashqaridami" degan narsani atigi 600 ta oʻquv misoli bilan topish qiyin.

Bu natijani qanday oʻqish kerak

Belgilar yaxshi tanlansa, model oddiy boʻlsa ham yetarli. 99.7% ga sabab — "qutidan tashqaridagi masofa" belgisi toʻgʻri javobning ta’rifiga deyarli teng. Biroq bu belgi toʻliq banka va chiqindi qutisini aniq topadigan obyektlarni aniqlashga tayanadi.
Koordinatalar toʻgʻridan-toʻgʻri oʻrganilsa, belgilarni inson tanlashi shart emas, lekin ancha koʻp ma’lumot kerak boʻladi. Haqiqiy tadqiqotlarda bu muammo boʻgʻimlarning bogʻlanish tuzilmasidan bevosita foydalanadigan graf neyron tarmoqlari (ST-GCN va boshqalar) [R4] yordamida kamaytiriladi.
Bu sonlar sintetik ma’lumotlar natijasidir. Haqiqiy xiyobon videolarida toʻsilish, qorongʻilik va bir nechta odam boʻlishi sababli barcha detektorlarning natijasi pasayadi. Sonlarning oʻzidan koʻra "qaysi sahnalarda xato qildi" degan manzaraga qarang.

6Nazorat xonasi

Jonli nazorat xonasi — har bir kadrda qayta hisoblanadigan ball

2-koddagi logistik regressiya oʻrgangan vaznlar oʻzgarishsiz ishlatiladi. Shu paytgacha koʻrilgan kadrlar asosida 4 ta belgi qayta hisoblanib, ball qoʻyiladi. 0.6 va undan yuqori boʻlsa — ogohlantirish, 0.4~0.6 boʻlsa — qaror kechiktirilib, insonga topshiriladi.

Tashlash bali

Sahna

Nega qaror kechiktiriladi?

Soxta signal aybsiz odamga shubha uygʻotadi, oʻtkazib yuborish esa nazoratni befoyda qiladi. Ikki xatoning ogʻirligi har xil boʻlgani uchun yagona chegarani belgilash qiyin. Shuning uchun ball noaniq boʻlgan oraliqda (bu yerda 0.4~0.6) qaror avtomatik chiqarilmaydi, balki nazorat xonasi operatori videoni oʻzi koʻrib chiqadi. AI faqat "qaysi ekranni birinchi koʻrish kerak" degan navbatni belgilash uchun ishlatiladi, yakuniy qaror va mas’uliyat esa insonda qoladi. "Tasodifiy sahna" tugmasini bir necha marta bosib, qutiga tushgan otishni va sust otilgan otishni topib koʻring.

7Cheklovlar

Bu usul xato qiladigan joylar va keyingi missiya

Chiziqcha odam va 4 ta belgini tushunish oson, ular yengil. Shunga yarasha ular oʻtkazib yuboradigan narsalar ham aniq.

Nega yaxshi ishlaydi

Kichik ma’lumot: poza 26 ta son boʻlgani uchun yengil va tez. Nazorat xonasidagi oʻnlab ekranni bir vaqtda kuzatish mumkin.
Tushuntirib berish mumkin: "banka qutidan tashqarida qoldi, qoʻyib yuborilgandan keyin 0.77 ga uzoqlashdi" kabi qaror sababini sonlar bilan aytish mumkin.
Yuzsiz: qaror faqat harakat asosida chiqarilgani uchun saqlanadigan shaxsiy ma’lumotlarni kamaytiradigan tizim loyihalash mumkin.

Cheklovlar va xavflar

Obyektlarni aniqlashga tayanadi: eng kuchli belgi — "bankaning joylashuvi". Qorongʻilik sababli banka topilmasa, detektor ham birga ishdan chiqadi.
Sintetik ma’lumot cheklovi: bu yerdagi sahnalar bor-yoʻgʻi olti xil. Amalda chiqindi xaltasini yerga qoʻyish, birovning chiqindisini boshqa joyga olib qoʻyish kabi ta’rifi noaniq sahnalar koʻp.
Qonun va mas’uliyat: jamoat joylaridagi CCTV shaxsiy ma’lumotlarni himoya qilish toʻgʻrisidagi qonunning videokuzatuv qurilmalariga oid qoidalariga boʻysunadi. Oʻrnatish maqsadi, ogohlantiruvchi lavha va saqlash muddatini tekshirish hamda faqat AI qaroriga asoslanib jazolamaslik uchun yakuniy tekshiruvni inson amalga oshirishi kerak.
Ogʻish (bias): agar muayyan kiyim yoki tana tuzilishida pozani baholash tez-tez xato qilsa, soxta signallar oʻsha odamlarga toʻplanib qolishi mumkin. Guruhlar boʻyicha xatolik darajasini alohida tekshirish kerak.

Chiziqcha odam kinotasmasi, boʻgʻim raqamlari jadvali va belgilar ustunli diagrammasi oldida xursand Yordamchi va koʻrsatkich tayoqcha bilan tushuntirayotgan Doktor — Keyingi missiya anonsi · chiziqcha odam harakati belgilarga aylanadigan sahna

DoktorUshlash masalasi hal boʻldi. Endi teskari tomonga yuraylik. Belgilarga qarab "tashlash" deb tanish oʻrniga, "otish" degan soʻzni bersak, chiziqcha odamga otish harakatini yaratib berdirib boʻlmasmikan?

YordamchiTaniydigan AI dan yaratadigan AI ga oʻtamizmi? Unda harakat ma’lumotlari juda koʻp kerak boʻladi-ku.

Drozofila tadqiqotchisi5-2 ning missiyasi aynan shu. Oʻsha belgilar jadvalida faqat strelka yoʻnalishini teskari qilish kifoya.

Colab kodi — bu sahifani oʻzingiz ishga tushirib koʻring

Ikkala kod ham faqat Colab’da standart oʻrnatilgan kutubxonalardan foydalanadi. "Notebook (.ipynb) yuklab olish" tugmasini bosgach, Colab’da Fayl → Notebookni yuklash orqali oching yoki kodni nusxalab, yangi notebook katagiga joylashtiring.

1-kod · Chiziqcha odam sahnalarini yaratish va 4 ta belgini ajratib olish3~5-boʻlimlar bilan bogʻliq · numpy, matplotlib · CPU da 1 soniyadan kam

Boʻgʻim burchaklari asosida chiziqcha odamni chizadigan funksiya (fk), olti sahna va 4 ta belgini hisoblaydi. 5-boʻlimning yuqori qismidagi jadvaldagi bilan bir xil sonlar chiqadi. Oʻz ma’lumotlaringizga moslash uchun clip() qaytaradigan boʻgʻim koordinatalari oʻrniga pozani baholash vositasi bergan koordinatalarni qoʻying va odam boʻyi 1 ga teng boʻladigan qilib boʻling.

Ishga tushirish natijasi (2026-10-05 da ishga tushirilgan, numpy 2.4 · matplotlib 3.10 · CPU). Tasodifiy sonlar ishlatilmagani uchun har safar bir xil natija chiqadi. Ikkita grafik (sahnalar boʻyicha bilak tezligi, otishning toʻrtta kadri) ham chiqadi.

2-kod · Qoida va oʻrganish — beshta tashlash detektorini solishtirish5 · 6-boʻlimlar bilan bogʻliq · numpy, scikit-learn · CPU da taxminan 20 soniya

Sahnalarni oʻzgartirib, 600 ta oʻquv va 300 ta test misoli yaratiladi hamda 2 ta qoida, logistik regressiya va 2 ta MLP solishtiriladi. 5-boʻlimdagi tajriba jadvali va 6-boʻlimdagi nazorat xonasining vaznlari bevosita shu natijadan olinadi.

Ishga tushirish natijasi (2026-10-05 da ishga tushirilgan, numpy 2.4 · scikit-learn 1.8 · CPU). Ma’lumotlar uchun seed qiymati qat’iy belgilangan boʻlsa-da, kutubxona versiyasiga qarab MLP sonlari biroz farq qilishi mumkin.

AI uchun amaliy promptlar — bu kodni boshlangʻich nuqta sifatida ishlatish

ChatGPT, Qwen, Claude kabi AI yordamchilarga joylashtiriladigan promptlar. "Nusxalash" tugmasini bossangiz, prompt ortidan tanlangan kod ham qoʻshiladi. 〔〕 ichidagini oʻz vaziyatingizga moslab yozing.

Birga qoʻshiladigan kod

AI javobi faqat boshlangʻich nuqta. Taklif qilingan maqolalar, raqamlar va kutubxona funksiyalarini albatta asl manba va rasmiy hujjatlar orqali tekshiring. Haqiqiy odamlar tushgan videolardan foydalanganda avval suratga olishga rozilik va shaxsiy ma’lumotlarni qayta ishlash qoidalarini tekshiring.

Atamalar lugʻati

Matndagi sariq punktir tagchiziqlar bilan bir xil lugʻat. Boʻlim nomini bossangiz, atama birinchi uchragan joyga oʻtasiz.

Oʻxshatishlar toʻplami — va oʻxshatish notoʻgʻri boʻladigan joylar

Oʻxshatish — tushunishning birinchi qadami, lekin notoʻgʻri tushunchaning urugʻi ham boʻlishi mumkin. Inson idroki bilan qiyoslangan oʻxshatishlarga kuchlilik darajasi belgilangan. Bevosita haqiqatan bir xil ish bajarilishiga dalil bor · Qisman faqat ayrim xususiyatlari oʻxshaydi · Yoʻq mos keladigan narsa ma’lum emas

Tushuncha	Kundalik oʻxshatish	Inson idroki bilan oʻxshatish	Oʻxshatish notoʻgʻri boʻladigan joy
Obyektlarni aniqlash	Suratdagi har bir odamga stiker yopishtirish	Qisman bir qarashda "ana u yerda odam bor" deb payqash	Stikerni inson aniq yopishtiradi, detektor esa ishonch darajasi bilan birga xato ramkalarni ham chiqaradi
Pozani baholash	Surat ustiga sim qoʻgʻirchoqni ustma-ust qoʻyish	Qisman bir necha nuqtaning harakatiga qarabgina yurayotgan odamni tanish qobiliyati (nuqtali yorugʻlik yurishi)	Inson toʻsilgan qoʻlni ham taxmin qila oladi, pozani baholash esa toʻsilganda nuqtani notoʻgʻri joyga qoʻyadi yoki tushirib qoldiradi
Belgi	Jinoyatchi fotorobotidagi "boʻyi · kiyimi · yurishi" bandlari	Yoʻq	Fotorobot bandlarini inson tanlaydi. Koordinatalarni toʻgʻridan-toʻgʻri oʻrganadigan model esa bandlarni oʻzi yaratadi (5-boʻlimdagi MLP)
Qoidaga asoslangan	Qorovulning "yugurayotgan odam shubhali" degan taxmini	Yoʻq	Qorovul vaziyatga qarab taxminini tuzatadi, qoida esa belgilangan shartlardan tashqaridagi sahnalarda xato qilaveradi
Qaror kechiktirildi	Hakamning videotakrorni koʻrib chiqishni soʻrashi	Yoʻq	Videotakror kamdan-kam qoʻllaniladi, lekin kechiktirish oraligʻini kengaytirsangiz, operatorning ishi yana koʻpayadi

Muallif haqida va manbalar

E-1 Muallif haqida · E-2 Ilmiy manbalar · E-3 Rasm va raqamlar manbalari

E-1 Muallif haqida

Ahn Sangsun (M-Robo kompaniyasi rahbari)

Koreya elektr xavfsizligi korporatsiyasi va Maeil Business Newspaper gazetasida ishlagan, hozirda Maeil Business Newspaper’ning tashqi venchur kompaniyasi M-Robo’ga asos solib, uning rahbari sifatida faoliyat yuritmoqda. M-Robo — ommaviy axborot vositasi ichidagi venchur sifatida boshlangan media-venchur boʻlib, Kukmin Ilbo gazetasiga robot-jurnalist (StockBot) xizmatini koʻrsatgan, shuningdek Koreya Internet va xavfsizlik agentligi, Koreya matbuot fondi, Koreya radioeshittirish, telekommunikatsiya va radiochastotalarni rivojlantirish agentligi va boshqa tashkilotlar bilan koʻplab loyihalarni amalga oshirgan. Hozirda oʻzining AI yangiliklar nashri Money-Robo’ni yuritmoqda. Rahbarlik davrida Osiyo ochiq ma’lumotlar xakatonida gʻolib chiqqan, ma’lumotlarga asoslangan tadbirkorlik sohasidagi xizmatlari uchun Koreya Ichki ishlar va xavfsizlik vazirining mukofotini 2 marta olgan, sun’iy intellekt va blokcheyn sohalarida 5 ta patentning muallifi va egasi. “AI jinoyatlari va oʻzini himoya qilish” kitobining muallifi; Koreya texnologiya va ta’lim universiteti onlayn uzluksiz ta’lim instituti uchun fintex, statistika va sun’iy intellekt sohalarida elektron ta’lim kontentini ishlab chiqqan. Iqtisodiyot fanlari doktori (Dongguk universiteti, mikro-matematik iqtisodiyot). Kukmin universiteti, Hoseo universiteti va boshqa koʻplab universitetlarda ma’lumotlar va sun’iy intellektga oid fanlardan dars beradi. Batafsil profil

Kurslar

Ahn Sangsun (2025). «Biznes uchun ma’lumotlar fani» ma’ruza materiallari. Koreya ochiq kiberuniversiteti, Sun’iy intellekt integratsiyasi kafedrasi.
Ahn Sangsun (2025). [K-Digital] Sun’iy intellekt yordamida tabiiy tilni qayta ishlash. STEP (Aqlli kasbiy ta’lim platformasi), Koreya texnologiya va ta’lim universiteti onlayn uzluksiz ta’lim instituti.
Ahn Sangsun (2024). [K-Digital] Fintex ma’lumotlarini tahlil qilish asoslari. STEP (Aqlli kasbiy ta’lim platformasi), Koreya texnologiya va ta’lim universiteti onlayn uzluksiz ta’lim instituti.

STEP kurslariga havolalar: link.step.or.kr/1qyVoJ · link.step.or.kr/M9na9N · link.step.or.kr/brqEyc
Sayt yangilanishi sababli kirishda muammo boʻlsa, www.step.or.kr orqali kiring.

Maqolalar va chiqishlar

Ahn Sangsun (2025). Milliy keksalik ta’minoti panel ma’lumotlari asosida uy xoʻjaligi xarajatlarini bashorat qilish modeli tadqiqoti: sun’iy intellekt modellariga asoslangan yondashuv. «Mirae Sahoe» (Kelajak jamiyati), 16(2). Toʻliq matn
Ahn Sangsun (2025). Milliy keksalik ta’minoti panel ma’lumotlari asosida uy xoʻjaligi xarajatlarini bashorat qilish modeli tadqiqoti: sun’iy intellekt yondashuvi. Milliy keksalik ta’minoti paneli ilmiy konferensiyasi taqdimoti (2025.05.13), Milliy pensiya xizmati qoshidagi Milliy pensiya tadqiqot instituti. Taqdimot
Ahn Sangsun (2025). SNS matnlari asosida shubhali giyohvand moddalar savdosini aniqlash algoritmi tadqiqoti: naqsh va kontekst tahlili asosida. «Mirae Sahoe» (Kelajak jamiyati), 16(1). Toʻliq matn
Ahn Sangsun (2024). Moliya sohasidagi anomaliyalarni aniqlash modellari xavfsizligi uchun statistikaga asoslangan adversarial ma’lumotlarga qarshi choralar: empirik tahlil va simulyatsiya natijalari. «Mirae Sahoe» (Kelajak jamiyati), 15(3). Toʻliq matn
Ahn Sangsun (2024). Sun’iy intellekt yordamida virtual personaj xususiyatlariga asoslangan SNS postlarini aniqlash yechimi. 2024 Summer Newmedia Party poster taqdimoti (2024.06.19), Seul media magistratura universiteti.
Ahn Sangsun (2024). Ishlab chiqarishdagi baxtsiz hodisalar panel ma’lumotlaridan foydalangan holda mashinaviy oʻrganish modeli. Ishlab chiqarishdagi baxtsiz hodisalar sugʻurtasi paneli 10-ilmiy konferensiyasi poster taqdimoti (2024.05.17), Koreya mehnat farovonligi xizmati qoshidagi Mehnat farovonligi tadqiqot instituti.
Ahn Sangsun (2024). Virtual aktivlar vaqt qatorlari ma’lumotlarini tahlil qilish va bashorat qilish: vaqt qatori modellari va sun’iy intellekt modellarini solishtirish, takomillashtirish yoʻllarini taklif etish. «Mirae Sahoe» (Kelajak jamiyati), 15(1). Toʻliq matn

E-2 Ilmiy manbalar

[R1] Cao, Z., Simon, T., Wei, S.-E., & Sheikh, Y. (2017). Realtime multi-person 2D pose estimation using part affinity fields. CVPR 2017, 7291–7299. arXiv:1611.08050 — 3-boʻlim (pozani baholash)
[R2] Lin, T.-Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., Dollár, P., & Zitnick, C. L. (2014). Microsoft COCO: Common objects in context. ECCV 2014, 740–755. arXiv:1405.0312 — 3-boʻlim (17 ta boʻgʻim nuqtasi tizimi)
[R3] Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. CVPR 2016, 779–788. arXiv:1506.02640 — 3-boʻlim (obyektlarni aniqlash)
[R4] Yan, S., Xiong, Y., & Lin, D. (2018). Spatial temporal graph convolutional networks for skeleton-based action recognition. AAAI 2018. arXiv:1801.07455 — 5-boʻlim (skeletga asoslangan harakatni tanish)
[R5] Lugaresi, C., Tang, J., Nash, H., McClanahan, C., Uboweja, E., Hays, M., Zhang, F., Chang, C.-L., Yong, M. G., Lee, J., Chang, W.-T., Hua, W., Georg, M., & Grundmann, M. (2019). MediaPipe: A framework for building perception pipelines. arXiv:1906.08172 — 3-boʻlim

E-3 Rasmlar va raqamlarning manbasi

Sahna rasmlari (tor koʻchadagi CCTV, nazorat xonasi, belgilar laboratoriyasi) muallifning oʻzi chizgan piksel-art
3-boʻlimdagi boʻgʻim koordinatalari tor koʻcha rasmidan bevosita oʻqib olingan qiymatlar, aniqlash ramkalarining ishonch darajasi (0.94 va h.k.) esa tushuntirish uchun misol qiymatlar
4–6-boʻlimlardagi sahnalarning barchasi sintetik ma’lumotlar. Faqat 5-boʻlimdagi tajriba jadvali va 6-boʻlimdagi vaznlar haqiqiy oʻqitish (2-kod) natijasi

Oʻqituvchilar uchun maslahatlar

Oʻqituvchilar, ish joyida oʻqitish (OJT) mas’ullari va tyutorlar uchun dars tashkil etish boʻyicha qoʻllanma. Vaqtlar taxminiy, shuning uchun ularni haqiqiy darsga moslashtiring.

Kimlar uchun	Video AI bilan ilk bor tanishayotgan talabalar va xodimlar. Jamoat xavfsizligi, binolarni boshqarish va doʻkon faoliyatida CCTV tahlilini joriy etishni koʻrib chiqayotgan amaliyotchilar
Oldindan kerakli bilimlar	Rasm — sonlar matritsasi ekani (4-2), koordinatalar va masofani hisoblash (Pifagor teoremasi), aniqlik tushunchasi
Oʻquv maqsadlari	① CCTV videosi → obyektni aniqlash → pozani baholash → belgilar → qaror zanjirini tushuntirib bera oladi ② qoida va oʻrganish qaysi sahnalarda xato qilishiga misol keltira oladi ③ soxta signal va oʻtkazib yuborish, «qaror kechiktirildi» holati hamda shaxsiy ma’lumotlarni birga hisobga olgan ishlatish rejasini taklif qila oladi
Taxminiy vaqt	Oʻqish 35–45 daqiqa · animatsiyalarni namoyish qilish 20 daqiqa · Colab amaliyoti 25 daqiqa (1-kod 10 daqiqa, 2-kodni ishga tushirish 1 daqiqa + tahlil 14 daqiqa)

Uch xil dars rejasi

Ma’ruza shaklida, 50 daqiqa

Tushunchalarga e’tibor

Kirish 5 daqiqa (1-boʻlim, xabar) → 2- va 3-boʻlimlar: ekrandan chiziqcha odamgacha 12 daqiqa → 4-boʻlim, olti sahna 8 daqiqa → 5-boʻlim, qoida chegarasi bilan tajriba 10 daqiqa → 6-boʻlim, nazorat xonasi 10 daqiqa → nazorat savollari 5 daqiqa.

Ish joyida oʻqitish (OJT), 90 daqiqa

Joriy etishni baholashga e’tibor

1- va 3-boʻlimlar 15 daqiqa → 5-boʻlim tajriba jadvalini oʻz obyektimizdagi soxta signal narxi nuqtai nazaridan qayta oʻqish 20 daqiqa → 6-boʻlim, «qaror kechiktirildi» oraligʻini belgilash boʻyicha muhokama 15 daqiqa → 7-boʻlim, huquq va xolislik boʻyicha tekshiruv roʻyxatini tuzish 15 daqiqa → 2-kodni ishga tushirish va tahlil qilish 25 daqiqa.

Yakkama-yakka tyutorlik

Darajaga qarab sur’at

Boshlovchilar uchun faqat 2-, 3-boʻlimlar, 5-boʻlimning yuqori jadvali va 6-boʻlim. Oʻrta darajadagilar 1-koddagi features funksiyasini qoʻlda kuzatib chiqsin, soʻng yangi belgi (masalan, qoʻl va axlat qutisi orasidagi eng kichik masofa) qoʻshib, 2-kodda natijalarni solishtirsin.

Boʻlimlar boʻyicha asosiy nuqtalar

Boʻlim	Toʻxtab beriladigan savol	Boshqaruv boʻyicha maslahat
2 Ekran — bu sonlar	«6 million son orasida odam qayerda?»	«Sonlarda koʻrish» rejimida katak oʻlchamini 64 → 16 ga kichraytirib koʻring
3 Odamni topish	«Faqat chiziqcha odam qoldirsak, nimani yoʻqotamiz va nimani saqlab qolamiz?»	Maxfiylik rejimini yoqilgan holda qoldirib, keyingi boʻlimga oʻting
4 Vaqt boʻylab	«Qoʻl silkitish va otish grafiklari qayerda farq qiladi?»	Ikki sahnani navbatma-navbat bosib, sariq chiziq balandligini solishtiring
5 Qoida va oʻrganish	«Chegarani qayerga qoʻysak, olti sahnaning hammasini toʻgʻri topamiz?»	Slayderni oxirigacha surib, «bunday joy yoʻq» ekanini koʻrsating va tajriba jadvaliga oʻting
6 Nazorat xonasi	«Ball birdan oshib ketgan kadrda nima yuz berdi?»	Oyoq ostiga tushirish sahnasini ijro etib, banka yerga tekkan paytda toʻxtating
7 Cheklovlar	«AI signal berdi — demak, darhol jarima solsa boʻladimi?»	«Qaror kechiktirildi» holatini odamning yakuniy tekshiruvi bilan bogʻlang

Eng koʻp uchraydigan 5 ta notoʻgʻri tushuncha

Notoʻgʻri tushuncha	Toʻgʻri izoh	Koʻrsatiladigan sahna
AI CCTV ekranini xuddi odamdek «koʻradi»	U sonlar panjarasini oladi va har bosqichda hisob-kitob qiladi. «Odam», «axlat qutisi» degan yorliqlarni aniqlash modeli qoʻyadi	2-boʻlim, «Sonlarda koʻrish»
Qoʻlni tez siltasa, demak, chiqindi tashlayapti	Qoʻl silkitish ham tez, oyoq ostiga tushirish esa sekin. Natija (buyum qayerda qoldi) kuchliroq dalil	5-boʻlim, 1-qoida
Aniqlik 99.7% boʻlsa, real joyda ham 99.7% boʻladi	Bu sintetik ma’lumotlardagi natija. Haqiqiy videoda toʻsilish, qorongʻilik va bir nechta odam sababli pasayadi	5-boʻlim, pastdagi 3-izoh
Koordinatalarni toʻligʻicha beradigan chuqur oʻrganish har doim yaxshiroq	Ma’lumot kam boʻlsa, yaxshi tanlangan bir nechta belgi gʻolib chiqishi mumkin	5-boʻlim tajriba jadvalidagi MLP ning ikki qatori
Faqat chiziqcha odamni saqlasak, shaxsiy ma’lumotlar muammosi boʻlmaydi	Bu xavfni kamaytiradi, lekin yoʻq qilmaydi. Odamni yurishidan ham tanib olish mumkin, oʻrnatish va saqlash qoidalariga esa baribir rioya qilish kerak	3-boʻlim, maxfiylik rejimi; 7-boʻlim

Nazorat savollari (izohni koʻrish uchun bosing)

Q1. Full HD (1920 × 1080) rangli CCTV ning bitta kadrida nechta son bor? 13 ta boʻgʻimli chiziqcha odam bilan solishtirganda u necha marta kichik?

1920 × 1080 × 3 = 6 220 800 ta. Chiziqcha odam 13 × 2 = 26 ta son, demak 6 220 800 ÷ 26 ≈ 239 262, ya’ni taxminan 240 ming marta kichik.

Q2. Oʻng bilak bir kadr (1/15 soniya) davomida (−0.20, 0.80) dan (−0.32, 0.88) ga siljidi. Bilak tezligi necha boʻy/s?

Masofa = √(0.12² + 0.08²) ≈ 0.144. Bu 1/15 soniyada boʻlgani uchun 0.144 × 15 ≈ 2.16 boʻy/s. Bu 1-qoidaning 2.0 chegarasidan oshadi.

Q3. 2-qoida (bilak tezligi > 2.0 va buyumni qoʻyib yubordi) oʻtkazib yuboradigan bitta tashlash sahnasini va notoʻgʻri ushlaydigan bitta normal sahnani keltiring.

Oʻtkazib yuborish: oyoq ostiga tushirish (bilak sekin). Soxta signal: kuch bilan otilgan, lekin qutiga tushgan otish (tez va qoʻyib yuborildi, ammo bu chiqindi tashlash emas).

Q4. Logistik regressiya vaznlarida bilak tezligiga −0.33 toʻgʻri keldi. Bu «qancha tez boʻlsa, shuncha kamroq chiqindi tashlash» degani-mi?

Yoʻq. Bu boshqa belgilar (ayniqsa quti tashqarisidagi masofa) ham birga kiritilgan holatdagi ulush. Quti tashqarisidagi masofa chiqindi tashlashni deyarli toʻliq tushuntirib berganligi sababli, tezlikka qoʻl silkitish kabi tez, lekin normal sahnalarni biroz pasaytirib qoʻyish vazifasigina qolgan. Bitta vaznni alohida ajratib talqin qilish mumkin emas.

Q5. Nazorat xonasidagi ball 0.52 boʻlsa, tizim nima qilishi kerak? Chegarani bitta 0.5 qilib belgilashdan nimasi bilan farq qiladi?

Bu «qaror kechiktirildi» oraligʻi (0.4–0.6), shuning uchun avtomatik qaror chiqarilmaydi, video nazorat xodimiga uzatiladi. Chegara bitta boʻlsa, 0.52 darhol chiqindi tashlash signaliga aylanadi va noaniq sahnalardagi soxta signallar toʻgʻridan-toʻgʻri odamlarga yuklanadi.

Colab topshiriqlari

Asosiy

1-kodga beshinchi belgi — «banka qoʻyib yuborilgan paytda qoʻl bilan axlat qutisi orasidagi gorizontal masofa»ni qoʻshing. Olti sahna uchun bu qiymatni jadvalga yozing va u qutiga solish bilan oyoq ostiga tushirishni ajratishga yordam beradimi yoki yoʻqmi, ikki gapda tushuntiring.

Murakkab

2-koddagi make_dataset da oʻqitish sahnalari sonini 100 → 25 → 400 qilib oʻzgartiring va logistik regressiya hamda «boʻgʻim+obyekt+MLP» ning test aniqligini solishtiring. Ma’lumot hajmiga qarab ikki usul orasidagi farq qanday oʻzgarishini grafik bilan hisobot qiling.

Qiyinlikni sozlash va qoʻshimcha oʻrganish

Boshlovchilar	4-boʻlim grafigi va 5-boʻlim tajriba jadvalidan faqat «qaysi sahnada xato qildi» degan savolga javob topish ham yetarli
Chuqurlashtirilgan	MediaPipe yordamida oʻzlari suratga olgan qisqa videodan (rozilik olingan sahnalashtirilgan harakat) boʻgʻim koordinatalarini ajratib, 1-koddagi features ga berib koʻrishsin
Keyingi qism	5-2 Tanishdan yaratishga — xuddi shu belgilar jadvalida strelka yoʻnalishini teskari qilib, harakat yaratamiz