Oʻzbekcha
SUN’IY INTELLEKT ASOSIDA GETEROGEN MA’LUMOTLAR INTEGRATSIYASI VA TIZIMLARARO O‘ZARO ALOQANI OPTIMALLASHTIRISH ALGORITMLARI
Journal
Priority areas for applying artificial intelligence to pedagogical education
Issue
Priority areas for applying artificial intelligence to pedagogical education
Abstract
Mazkur maqolada geterogen ma’lumotlar asosida ishlovchi axborot tizimlari o‘rtasidagi o‘zaro aloqani optimallashtirish masalasi ko‘rib chiqilgan. Turli format va semantik tuzilmalarga ega ma’lumotlarni integratsiya qilishda yuzaga keladigan muammolar tahlil qilinib, ularni hal etish uchun sun’iy intellektga asoslangan algoritmik yondashuv taklif etilgan. Taklif etilgan metodologiya ma’lumotlarni yig‘ish, oldindan qayta ishlash, xususiyatlarni ajratish, semantik moslashtirish va integratsiya bosqichlarini o‘z ichiga oladi. Atributlar o‘rtasidagi moslikni aniqlashda cosine similarity va Random Forest modelidan foydalanilgan. Eksperimental natijalar (1000 ta yozuvdan iborat dataset asosida) taklif etilgan algoritmning an’anaviy usullarga nisbatan yuqori aniqlik (91%) va past xatolik darajasini ta’minlashini ko‘rsatdi. Olingan natijalar sun’iy intellekt asosidagi yondashuv geterogen ma’lumotlar integratsiyasini samarali optimallashtirish imkonini berishini tasdiqlaydi.
Keywords
optimallashtirish
sun’iy intellekt
geterogen ma’lumotlar
ma’lumotlar integratsiyasi
semantik moslashtirish
cosine similarity
mashinaviy o‘rganish
Random Forest
Русский
В данной статье рассматривается задача оптимизации взаимодействия между информационными системами, работающими с гетерогенными данными. Проанализированы проблемы интеграции данных различной структуры и форматов, и предложен алгоритмический подход на основе искусственного интеллекта для их решения. Предложенная методология включает этапы сбора данных, предварительной обработки, извлечения признаков, семантического сопоставления и интеграции. Для определения соответствия атрибутов использованы методы cosine similarity и модель машинного обучения Random Forest. Экспериментальные результаты (на наборе данных из 1000 записей) показали, что предложенный алгоритм обеспечивает более высокую точность (91%) и сниженный уровень ошибок по сравнению с традиционными методами. Полученные результаты подтверждают эффективность применения методов искусственного интеллекта для оптимизации интеграции гетерогенных данных
искусственный интеллект
машинное обучение
оптимизация
гетерогенные данные
интеграция данных
семантическое сопоставление
cosine similarity
Random Forest
English
This paper addresses the problem of optimizing interaction between information systems operating on heterogeneous data. The challenges associated with integrating data of different formats and semantic structures are analyzed, and an artificial intelligence-based algorithmic approach is proposed. The methodology includes data collection, preprocessing, feature extraction, semantic mapping, and integration stages. Cosine similarity and a Random Forest model are employed to determine attribute correspondences. Experimental results, based on a dataset of 1000 records, demonstrate that the proposed algorithm achieves higher accuracy (91%) and lower error rates compared to traditional approaches. The findings confirm that AI-based techniques significantly improve the efficiency of heterogeneous data integration.
artificial intelligence
machine learning
optimization
heterogeneous data
data integration
semantic mapping
cosine similarity
Random Forest
1. Doan A., Halevy A., Ives Z. Principles of Data Integration. – Morgan Kaufmann, 2020.
2. Dong X. L., Srivastava D. Big Data Integration. – Morgan & Claypool Publishers, 2020.
3. Chen H., Chiang R., Storey V. Business Intelligence and Analytics: From Big Data to Big Impact // MIS Quarterly, 2020.
4. Rahm E., Bernstein P. A Survey of Approaches to Automatic Schema Matching // The VLDB Journal, 2021.
5. Stonebraker M., et al. Data Integration: The Current Status and the Way Forward // IEEE Data Engineering Bulletin, 2021.
6. Goodfellow I., Bengio Y., Courville A. Deep Learning. – MIT Press, 2021.
7. Kotu V., Deshpande B. Data Science: Concepts and Practice. – Morgan Kaufmann, 2022.
8. Zubarev I., et al. Machine Learning Approaches for Data Integration // Journal of Big Data, 2023.
9. Wang Y., et al. Semantic Data Integration Using Machine Learning Techniques // IEEE Access, 2022.
10. Li J., et al. A Survey on Heterogeneous Data Integration Based on Artificial Intelligence // Information Sciences, 2023.