SUN’IY INTELLEKT MODELLARINING ZAIFLIKLARI VA ULARNI HIMOYALASH USULLARI (AI SECURITY)
Keywords:
Kalit so‘zlar: Sun’iy intellekt, AI xavfsizligi, mashinaviy o‘rganish, chalg‘ituvchi hujumlar, ma’lumotlar manipulyatsiyasi, model himoyasi, kiberxavfsizlik, ishonchli AI, ma’lumotlar maxfiyligi.Abstract
Annotatsiya
Ushbu maqolada sun’iy intellekt tizimlarining xavfsizligi bilan bog‘liq dolzarb
muammolar va ularning zamonaviy axborot tizimlaridagi ahamiyati tahlil qilinadi.
Tadqiqotning asosiy maqsadi sun’iy intellekt asosida ishlovchi tizimlarda uchraydigan
xavfsizlik tahdidlarini aniqlash, ularni tasniflash hamda mavjud himoya
yondashuvlarini o‘rganishdan iborat. Tadqiqot jarayonida tahliliy va taqqoslash
usullaridan foydalanilib, mavjud ilmiy adabiyotlar va amaliy holatlar asosida
xavfsizlik muammolari ko‘rib chiqildi. Maqolada chalg‘ituvchi hujumlar,
ma’lumotlarning buzilishi, modelni noqonuniy nusxalash hamda shaxsiy ma’lumotlar
maxfiyligi bilan bog‘liq xavflar alohida tahlil qilinadi. Shuningdek, sun’iy intellekt
tizimlarining barqarorligi va ishonchliligini oshirishga qaratilgan himoya
mexanizmlari, jumladan, xavfsiz ma’lumotlar bilan ishlash, modelni tekshirish va
monitoring qilish usullari yoritib beriladi. Tadqiqot natijalari shuni ko‘rsatadiki, sun’iy
intellekt xavfsizligini ta’minlash faqat texnik choralar bilan cheklanib qolmasdan,
kompleks va tizimli yondashuvni talab etadi. Mazkur maqola sun’iy intellekt asosidagi
tizimlarni xavfsiz va ishonchli ishlab chiqish bo‘yicha ilmiy va amaliy tavsiyalar
berishga qaratilgan.
References
Foydalanilgan adabiyotlar:
1. Goodfellow I., Shlens J., Szegedy C. Explaining and Harnessing Adversarial
Examples. ICLR, 2015, 1–11-betlar.
2. Papernot N., McDaniel P., Jha S., et al. The Limitations of Deep Learning in
Adversarial Settings. IEEE European Symposium on Security and Privacy, 2016,
372–387-betlar.
3. Biggio B., Roli F. Wild Patterns: Ten Years After the Rise of Adversarial Machine
Learning. Pattern Recognition, 2018, 317–331-betlar.
4. Carlini N., Wagner D. Towards Evaluating the Robustness of Neural Networks.
IEEE Symposium on Security and Privacy, 2017, 39–57-betlar.
5. Goldblum M., Tsipras D., Xie C., et al. Data Security for Machine Learning:
Challenges and Opportunities. IEEE Security & Privacy, 2020, 20–29-betlar.
https://arxiv.org/abs/2007.04177
6. NIST. AI Risk Management Framework (AI RMF 1.0), 2023.
7. OWASP Top 10 for LLM Applications, 2025.
8. IBM AI Security and Trust Report, 2024.
9. Huang L., Joseph A.D., Nelson B., Rubinstein B.I.P., Tygar J.D. Adversarial
Machine Learning. ACM Workshop on Security and Artificial Intelligence, 2011.
10. Papernot N., McDaniel P., Goodfellow I. Practical Black-Box Attacks against
Machine Learning. ACM AsiaCCS, 2017.
