O‘ZBEKISTON BANK TIZIMIDA KREDIT SKORINGI JARAYONLARIDA SUN’IY INTELLEKT TEXNOLOGIYALARINING QAMROVI VA RIVOJLANISH ISTIQBOLLARI
DOI:
https://doi.org/10.5281/zenodo.22700801Abstract
Ushbu tezisda O‘zbekiston bank tizimida kredit skoringi jarayonlariga sun’iy intellekt
texnologiyalarining kirib borishi, amaldagi qo‘llanish yo‘nalishlari va rivojlanish istiqbollari tadqiq etiladi. Kredit
riskini baholash, qarz oluvchining kreditga layoqatliligini aniqlash, defolt ehtimolini prognozlash, muqobil
ma’lumotlardan foydalanish va kredit qarorlarini avtomatlashtirishda sun’iy intellekt hamda mashinaviy o‘qitish
texnologiyalarining imkoniyatlari yoritiladi. O‘zbekistonda SI asosidagi skoring ekotizimi shakllanish bosqichida
ekanligi, bunda banklar, to‘lov infratuzilmasi, FinTech kompaniyalari va davlatning raqamli platformalari
o‘rtasidagi integratsiya muhim omillardan biri sifatida ko‘rib chiqiladi. Shuningdek, SI-skoring qamrovini
kengaytirishda ma’lumotlar sifati, algoritmlarning tushuntiriluvchanligi, shaxsiy ma’lumotlarni himoya qilish,
algoritmik tarafkashlik va malakali kadrlar bilan bog‘liq muammolar ko‘rib chiqiladi
Keywords
kredit skoringi, sun’iy intellekt, mashinaviy o‘qitish, tijorat banklari, kredit riski, raqamli skoring, muqobil skoring, Big Data, FinTech, XAI, moliyaviy inklyuziyaReferences
1. Mirsoatov A. Tijorat banklarida raqamli skoring va intellektual tahlil usullaridan foydalanish xususiyatlari //
Moliya va bank ishi. – 2026. – T. 12. – № 2. – [Elektron resurs]. – Murojaat sanasi: 08.09.2026.
2. Zaharia M., Xin R. S., Wendell P. et al. Apache Spark: A Unified Engine for Big Data Processing //
Communications of the ACM. – 2016. – Vol. 59. – No. 11. – P. 56–65. – DOI: 10.1145/2934664.
3. Lundberg S. M., Lee S.-I. A Unified Approach to Interpreting Model Predictions // Advances in Neural
Information Processing Systems. – 2017. – Vol. 30. – P. 4765–4774.
4. Ribeiro M. T., Singh S., Guestrin C. “Why Should I Trust You?”: Explaining the Predictions of Any Classifier
// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data
Mining. – New York: ACM, 2016. – P. 1135–1144. – DOI: 10.1145/2939672.2939778.
5. Rajabov J. Real-Time Credit Risk Prediction in Banking Using Big Data Analytics and Explainable Gradient
Boosting: Evidence from Large-Scale Transaction Data // Moliya va bank ishi. – 2026. – T. 12. – № 2. – P.
180–186. – [Elektron resurs]. – Murojaat sanasi: 08.09.2026.
6. Rajabov J. Explainable Artificial Intelligence for Credit Risk Assessment in Banking: A Big Data Analytics
Approach // Moliya va bank ishi. – 2026. – T. 12. – № 2. – P. 187–192. – [Elektron resurs]. – Murojaat
sanasi: 08.09.2026.
7. UZCARD. UZCARD and zypl.ai Have Officially Registered the Joint Venture — 1ziyo.ai [Elektron resurs].
– 19.06.2025. – UZCARD rasmiy sayti. – Murojaat sanasi: 08.09.2026
8. O‘zbekiston Respublikasi Markaziy banki. Markaziy bank AI Challenge doirasida sun’iy intellekt yechimlarini
amaliyotga joriy etmoqda [Elektron resurs]. – 13.02.2026. – O‘zbekiston Respublikasi Markaziy bankining
rasmiy sayti. – Murojaat sanasi: 08.09.2026.
9. O‘zbekiston Respublikasi Prezidenti. Kichik va o‘rta biznes uchun moliyaviy xizmatlar ommabopligi
oshiriladi [Elektron resurs]. – 25.05.2026. – O‘zbekiston Respublikasi Prezidentining rasmiy veb-sayti. –
URL: https://president.uz/oz/lists/view/9251 (murojaat sanasi: 08.09.2026).
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 GREEN ECONOMY AND DEVELOPMENT
This work is licensed under a Creative Commons Attribution 4.0 International License.
