Kompyuter ko'rish nima? AI'ga ko'rish qanday ishlaydi — oddiy tilda

Telefoningizni yuzingizga qaraganda ochiladi. Google Lens rasmning ustidagi matnni tarjima qiladi. Shifokor KT-skaner rasmini ko’radi — va sun’iy intellekt unda ko’zdan chetlab ketgan belgini topadi. Bularning hammasi bitta sohaning ishi: kompyuter ko’rish (computer vision). Bu — sun’iy intellektning eng qadimiy va eng ko’p ishlatiladigan yo’nalishlaridan biri. Poydevor seriyasida u neyron tarmoq va machine learningdan keyin mantiqiy keyingi qadam: o’sha poydevor amalda qanday «ko’radi»?

Oddiy ta’rif

Kompyuter ko’rish — dasturga rasm yoki video kirish sifatida berib, ularning mazmunini tushunishga o’rgatish. «Tushunish» degani turlicha bo’lishi mumkin:

• Tasniflash: bu rasmda nima bor? (mushuk / it / pasport).
• Aniqlash: nima qayerda? (chapda mashina, o’ngda peshqadam).
• Bo’lish: piksel darajasida chegaralash. (fon — boshqa, odam — boshqa).
• Yaratish: matndan rasm — bu ham ko’rishning teskarisi.
• Oqim: videoda harakatni kuzatish.

Inson uchun bu bir soniyalik refleks. Kompyuter uchun esa rasm — faqat sonlar massivi: 12 million piksel, har biri uch rang. «Bu ona bilan bola» degan xulosa shu sonlardan chiqarilishi kerak.

Pikseldan «mushuk»gacha: narvon

Neyron tarmoq postida qatlamlar narvoni haqida gapirgan edim — ko’rish shu narvonning eng yorqin namunasi:

1. Birinchi qatlamlar — eng oddiy naqshlar: chiziqlar, chekka kontrastlar, dog’lar.
2. O’rta qatlamlar — naqshlardan shakllar: burchak, doira, tekstura.
3. Yuqori qatlamlar — shakllardan qismlar: quloq, ko’z, mo’ynali yuz.
4. Eng yuqori — butun obyekt: «mushuk, 96%».

Hech kim «quloq qanday ko’rinadi» deb qoida yozmagan — har qatlam o’z xulosasini millionlab misoldan o’zi chiqargan. Shu sabab kompyuter ko’rish 2012-yilgacha qo’lda yozilgan qoidalar bilan qiynalgan, keyin esa neyron tarmoqlar bilan portladi — AlexNet g’alabasi aynan ko’rish musobaqasida (ImageNet) bo’lgan.

CNN va ViT: ikki avlod

Ko’rish uchun maxsus neyron tarmoq arxitekturasi — CNN (konvolyutsion tarmoq) o’n yildan ortiq hukmronlik qildi. Uning mohiyati oddiy: rasm katta bo’lgani uchun tarmoq butun rasmmi emas, kichik oynani ko’chirib yurib, har joyga bir xil «ko’z»ni qo’llaydi. Mushuk chapda ham, o’ngda ham bo’lsin — bir xil filtr ishlaydi. Shuning uchun avtotexnikada, tibbiyotda, ishlab chiqarishda hozir ham CNN ishlayapti.

2020-yildan esa LLMlarning o’zi arxitekturasini — transformerni rasmlarga qo’llash boshlandi (ViT — Vision Transformer). G’oya: rasmni bo’laklab, har bo’lakni «token» kabi olib, qatlamdan qatlamga o’tkazish. Bugungi multimodal modelarning rasm tushunishi shu yo’lda.

Siz allaqachon ishlatayapsiz

Kompyuter ko’rish — uzoq ilm-fikr emas, kundalik hayot:

• Yuz bilan ochish (Face ID) — telefon yuzingizning chuqurlik xaritasini o’lchaydi va mosligini tekshiradi.
• Google Lens / kamera tarjima — rasmdagi matn topiladi, o’qiladi, tarjima qilinadi.
• Avtonom mashina — kamera, lidar va radar ma’lumotlari birlashib, yo’l, belgi, peshqadam va boshqa mashinalar aniqlanadi. O’zbekcha tafsilot: robotaksi butunlay shu texnologiya ustida turadi.
• Tibbiy diagnostika — KT, MRT, rentgen rasmlarida patologiya belgilari; ko’p hollarda shifokorga yordamchi «ikkinchi ko’z» sifatida.
• Ishlab chiqarish sifat nazorati — konveyerdagi nuqsonli buyumlarni kamera ko’rib, bir necha millisekundda ajratadi.
• Qishloq xo’jaligi — drondan olingan rasmlardan ekin kasalligi yoki begona o’tlar aniqlanadi.

Chatbotlar ham endi «ko’radi»

2010-yillarda chatbot va ko’rish alohida dunyo edi. Bugun esa Gemini yoki GPT-6 Astra kabi multimodal modellarga rasm tashlaysiz — ular nima tasvirlanganini aytadi, jadvalni o’qiydi, diagrammani tahlil qiladi, hatto ekranning skrinshotidan kod yozadi. Bu — ViT g’oyasining tabiiy yakuni: rasm ham, matn ham bir xil «token» tiliga aylantirilib, bitta modelda qayta ishlanadi.

Shu bilan birga cheklov ham ochiq aytilishi kerak: model rasmni «tushunadi» — lekin insondek sabab qila olmaydi. Noma’lum vaziyatda, noaniq rasmda xato qilishi mumkin — bu gallyutsinatsiyaning ko’rishdagi dugonasi. Shuning uchun tibbiyotda yakuniy qaror hali insonda.

Uch amaliy xulosa

1. Muhim qarorda insonni almashtirmang. Ko’rish modellari yordamchi vosita — tashxis, huquqiy qaror, xavfsizlik javobi bo’lishi kerak emas.
2. Sifat katta ma’lumotdan keladi. Model o’zi o’qigan namunalariga o’xshash rasmlarni yaxshi ko’radi — notanish muhitda (boshqa yoritish, boshqa burchak) aniqlik tushadi.
3. Maxfiylik o’z qo’lingizda. Yuz ma’lumotlari — biometrik ma’lumot. Xizmatga yuz rasmi berganda nima uchun kerakligini so’rang; muqobili bor bo’lsa, uni tanlang.

Kompyuter ko’rish — AI’ning «ko’zi». Poydevor seriyasida eng ko’p amaliy natija beradigan qismi ham shu: neyron tarmoq o’rganadi, ko’rish esa u orqali sizga har kun xizmat qiladi.

---

RobotAka — o’zbek tilida sun’iy intellekt haqida. Poydevor seriyasining 30-qismi. Savollaringizni kanalda yozing: @robot_aka.