Mening nazdimda, O‘zbekistonda aniq fanlar — matematika, fizika bo‘yicha har doim kuchli ta’lim berilgan. Biroq 1990-yillar oxiri va 2000-yillar boshida mashinali o‘qitish va sun’iy intellekt asosan G‘arb mamlakatlarida rivoj topdi.

Xorijiy mamlakatlar ta’limiga har doim qiziqqanman. Lekin xorijga ketishga intilmaganman, shunchaki menda shunday imkoniyat paydo bo‘ldi. Litseyni tugatgach, Toshkent davlat iqtisodiyot universitetiga o‘qishga kirdim, u yerda bir yil o‘qidim va bakalavr darajasini olish uchun Shimoliy Karolina universitetining to‘liq stipendiyasini qo‘lga kiritdim.

Shunday qilib, 2000-yilda Amerikaga keldim. Avvaliga, albatta, oson bo‘lmadi, ayniqsa, til masalasida. Men sezgan dastlabki farqlardan biri atrof-muhitning o‘zi edi. Ilgari Toshkentda — katta va gavjum shaharda yashardim, endi esa sokin, kichik Hay-Poyntga kelib qolgandim.

Men xalqaro talaba edim, kampusdagi yotoqxonaga joylashdim. Talabalar orasida sobiq Sovet Ittifoqidan kelgan bir qancha yigitlar bor edi, biz ular bilan birga yurardik. Asosan hamma o‘qish bilan band edi, shuning uchun men ham butun e’tiborimni o‘qishga qaratdim.

Universitetda matematika va kompyuter fanlarini o‘rgandim, lekin oxirgi yili sun’iy intellekt meni juda qiziqtirib qo‘ydi. O‘shanda Styuart Rassel (Berkli universiteti professori) va Piter Norvigning (olim va Googleʼning yetakchi mutaxassislaridan biri) “AI: A Modern Approach” (“Sun’iy idrok: zamonaviy yondashuv”) kitobiga duch keldim. U juda qiziqarli edi va men mavzuni mustaqil o‘rgana boshladim. Universitetda sun’iy intellekt bo‘yicha ushbu kitob asosida mustaqil kurs ham bor edi.

O‘sha paytda ko‘plab mashinali o‘qitish texnologiyalari amalda ish bermaganligi tufayli sun’iy intellekt tor sohaligicha qolayotgan edi. Bu akademik tadqiqotlar sohasi edi. Keyinchalik Toronto universiteti doktoranturasiga o‘qishga kirdim va u yerda mashinali o‘qitish bilan chuqurroq shug‘ullana boshladim.

Aytishim mumkinki, menga omad kulib boqqandi, chunki o‘sha paytda bu soha hali ommalashmagan edi. Ko‘plab kursdoshlarim o‘yinlar yaratish, veb-dizayn, internet texnologiyalari bilan ishlashni tanlayotgandi.

Men doimo mustaqil o‘qib-o‘rganishga qodir bo‘lgan mashinani qanday yaratish mumkinligi bilan qiziqardim. O‘sha paytda mashinali o‘qitishning aniq fundamental nazariyasi mavjud emasdi. Masalan, matematikada hamma narsa yetarlicha barqaror: o‘rnatilgan yo‘nalishlar, statistik usullar mavjud. Mashinali o‘qitish esa statistika va kompyuter fanlarini o‘zida mujassamlashtirgan, biroq tizimlashtirilmagan, kam sonli odamlar ishlaydigan yangi soha edi.

Bir kuni ko‘chada sun’iy intellekt sohasidagi yetakchi mutaxassislardan biri Jeffri Hintonni uchratib qoldim. U menga chuqur o‘qitish tizimlari haqida gapirib berdi, ofisiga taklif qildi va kompyuterda bu tizim qanday ishlashini ko‘rsatdi, o‘z kodini namoyish etdi. O‘shanda men uning nima haqida gapirayotganini hali to‘liq tushunmagandim, lekin u meni qiziqtirib qo‘ygandi.

Jeffri meni Toronto universitetiga doktoranturaga taklif qildi. Mashinali o‘qitish va bu sohada PhD darajasini olish men uchun sof matematika, dasturiy injiniring yoki kompyuter fanlarining boshqa yo‘nalishlarini o‘rganishdan ko‘ra qiziqarliroq edi. Shunday qilib, men Toronto universiteti doktoranturasiga o‘qishga kirdim, uning rahbarligida ishladim va dissertatsiyamni himoya qildim.

Jeffri bilan ishlagan yillarim hayotimdagi eng yaxshi davrlardan biri bo‘ldi. U o‘ziga xos olim: unda har doim ko‘plab g‘oyalar bo‘lardi — ularning hammasi ham muvaffaqiyatli chiqmasdi, lekin ba’zilari haqiqatan ham ish bergan. U formulalarni shunchaki matematik ifodalar sifatida qabul qilmas, balki ularning zamiridagi chuqur mohiyatni ko‘rardi. Ularni alohida tahlil qilish o‘rniga, ular qanday o‘zaro ta’sir qilishi va nimaga olib kelishi mumkinligini anglardi.

Bu, ehtimol, uning psixologiyadagi tajribasi bilan bog‘liqdir. U tenglamalar yozadigan klassik matematik emasdi, lekin modellar yarata olar va qaysi yechimlar ishlashi, qaysilari ishlamasligini ichki bir sezgi bilan his qilardi.

U masalaga ko‘z yugurtirib, darhol tushuna olardi: “Bu yerda nimadir noto‘g‘ri, boshqa usulni sinab ko‘r”. Bu foyda berardi. Qolaversa, u bizga tadqiqotlarda erkinlik berardi. U majburlab o‘z fikrini o‘tkazmas, aksincha, “Yaxshi g‘oya — sinab ko‘r”, derdi.

Shu bilan birga, u faol amaliyotchi ham edi: hatto 55−60 yoshida ham o‘zi dasturlar yozar, tajribalar o‘tkazardi va nima ishlayotgani, nima ishlamayotganini biz bilan birga tekshirib ko‘rardi.

2024-yili Jeffri Hinton fizika yo‘nalishida Nobel mukofotini oldi. U bilan ishlash baxtiga muyassar bo‘lganimdan faxrlanaman.

2015-yilda talabalarim bilan kompyuter ko‘rish sohasida ishlab, tasvirlardagi obyektlarni aniqlash texnologiyalarini yaratdik. Biz tasvirlarda avtomobil va piyodalarni taniy oladigan tizim yaratdik, bu Tesla qo‘llaydiganga o‘xshash avtopilot loyihasi ustida ishlash uchun asos bo‘ldi.

Keyinchalik biz tashkil etgan kompaniyani Apple sotib oldi. Shunday qilib, jamoamiz ularning avtonom (haydovchisiz) transport vositalari bilan bog‘liq Titan loyihasiga qo‘shildi.

Apple’da men AI Research (sun’iy intellekt tadqiqotlari) bo‘yicha direktor sifatida faoliyat yuritib, sog‘liqni saqlash, nutqni aniqlash va Siri’ni rivojlantirish kabi turli sohalarda mashinali o‘qitish ustida ishladim.

Jamoam bilan kompaniyada ishlash asnosida ilmiy faoliyatimni ham davom ettirdim. Apple’da qariyb 3,5 yil ishladim, so‘ngra Karnegi-Mellon universitetiga professor lavozimiga qaytdim.

Yarim yil oldin hamkasblarim va talabalarim bilan Meta’ga qo‘shildim, hozir u yerda avtonom agentlar bo‘yicha tadqiqotlar olib boryapman, ayni paytda dars berishda ham davom etyapman.

Hozirda biz sun’iy intellekt sohasida bir necha yo‘nalishda ishlayapmiz. Ulardan biri — avtonom agentlar tizimi. ChatGPT yoki Large Language Models (Katta til modellari) haqida eshitgan bo‘lsangiz kerak. Bu tizimlar savollar berib, javoblar olish imkonini beradi. Biroq keyingi bosqich — agentlik modellari bo‘lib, unda savollar o‘rniga buyruqlar berasiz.

Masalan, internetdan biror narsa sotib olishim kerak bo‘lsa, agent o‘zi tovarni topib, buyurtma beradi. Yoki, aytaylik, samolyotga chipta band qilmoqchiman — agent eng qulay variantni tanlab, bron qiladi.

“Tadqiqotchi agentlar” yo‘nalishi ham bor. Tasavvur qiling, biror dori to‘g‘risida ko‘proq ma’lumot olishingiz kerak — agent o‘zi ilmiy maqolalarni to‘playdi, tahlil qiladi va tizimli ma’lumot beradi. Bu deep research deb yuritiladi: ma’lumotlarni to‘playdigan, tahlil qiladigan va javoblar shakllantiradigan tizimlar.

Bunday texnologiyalar, ayniqsa, kundalik hayotda foydali. Masalan, agar telefon aloqam ishlamay qolsa, men agentga shunchaki “Hal qil”, deyman va u operator bilan bog‘lanib, muammoni yechadi. Yoki, aytaylik, avtoturargoh uchun to‘lov qog‘ozi oldim — uni suratga olish kifoya, to‘lovni agentning o‘zi amalga oshiradi.

Biznesda ham bunday yechimlar talab qilinadi — masalan, ma’lumotlarni avtomatik tahlil qilish va qaror qabul qilish uchun.

Hozirgi modellarning asosiy muammosi — yetarli darajada ishonchli emas. Ular 70−80 foiz aniqlik bilan ishlayapti, lekin bu yetarli emas.

Bu dasturlashga ham taalluqli. Raqobatbardosh dasturlash masalalarida odamlardan ustun keladigan tizimlar allaqachon mavjud. Biroq hozircha ulardan to‘liq foydalanib bo‘lmaydi, chunki xatoliklar juda ko‘p uchraydi va ularni tuzatish vaqt talab qiladi.

Biroq bunday modellar bir necha yil ichida takomillashadi. Ular tibbiyotda yoki ta’limda qo‘llaniladi. O‘ylaymanki, yaqin yillarda yanada ishonchli va samarali agentlik tizimlarini ko‘ramiz.

Menimcha, qachondir ayrim kasblar haqiqatan ham o‘z o‘rnini qisman yoki butunlay SIga bo‘shatib beradi. Hozirning o‘zida kichik biznesga ish haqi to‘lash va sug‘urta rasmiylashtirish bo‘yicha avtomatlashtirilgan yechimlar taklif qiluvchi kompaniyalar mavjud.

SI oddiy vazifalarni o‘z zimmasiga olishi mumkin: xat yuborish, xodimlar ish vaqtini qayd etish, uchrashuvlarni eslatib turish. Natijada, kompaniya alohida yordamchi yollash o‘rniga avtomatlashtirilgan tizimdan foydalanishi mumkin.

Ehtimol, bu sohada o‘nta xodim o‘rniga algoritmlar ishini nazorat qiluvchi bitta mutaxassis kerak bo‘lar.

Dasturlashda SI allaqachon kod yozishga qodir, bu esa ko‘p dasturchilarga bo‘lgan ehtiyojni kamaytiradi. Jamoada o‘nta muhandis o‘rniga algoritmlar ishlashini nazorat qiladigan uchta muhandis talab qilinishi mumkin.

Hatto tibbiyotda ham SI shifokorlarga tushadigan yuklamani kamaytirishi mumkin. Masalan, bugungi kunda AQShdagi ko‘plab shifokorlar ma’muriy ishlarga — hujjatlarni to‘ldirish, ma’lumotlarni hamkasblariga yuborishga kuniga ikki soatgacha vaqt sarflaydi. Kelajakda bu vazifalar intellektual agentlarga topshirilishi mumkin, bu esa shifokorlarning ish samaradorligini oshiradi.

Ilg‘or modellarni yaratish ustida ishlaydigan deyarli barcha mutaxassislar buning oqibatlari haqida bosh qotiradi. Texnik taraqqiyotni to‘xtatib bo‘lmaydi, lekin bu tizimlarning xavfsizligini ta’minlash uchun barcha choralarni ko‘rish mumkin. Hozirda SI sohasida xavfsizlik va texnologiyalarning jamiyatga ta’siri masalalariga tobora ko‘proq e’tibor qaratilyapti.

Ikki yil oldin ChatGPTʼning paydo bo‘lishi xavotir to‘lqinini keltirib chiqardi. Ko‘pchilik bir necha yildan so‘ng SI taraqqiyotning cho‘qqisiga chiqishini taxmin qilgan edi. Biroq biz hozir taraqqiyot eksponensial tarzda emas, balki asta-sekinlik bilan rivojlanayotganining guvohi bo‘lyapmiz.

Asosiy masala — bu o‘zgarishlar qanchalik tez sodir bo‘lishida. Tarixan texnologik inqiloblar o‘nlab yillar davom etgan, bu esa jamiyatga moslashish imkonini bergan. Agar ish o‘rinlarini avtomatlashtirish 50 yilga cho‘zilsa, odamlar yangi kasblarni o‘zlashtira olishlari mumkin bo‘ladi.

Hozirda bu mavzu faol muhokama qilinmoqda, lekin aniq javob yo‘q — professorlar orasida ham, texnologik kompaniyalarda modellar ustida ishlaydigan mutaxassislar orasida ham.

Muammo modellarning odamlar o‘rnini bosa olishida emas, balki ulardan ehtimoliy noaxloqiy foydalanishda. Masalan, dipfeyklar. Eshitgan bo‘lsangiz kerak: kimdir aslida aytmagan gapini gapirayotgandek video yaratish mumkin.

Bunday holatlar axborotni tekshirish qanchalik muhim ekanligidan dalolat beradi. Agar odamda qarshisidagi narsaning soxta yoki haqiqiy surat ekanligini aniqlaydigan vositalar bo‘lmasa, bu dezinformatsiya xavfini tug‘diradi. Ayniqsa, avtonom agentlar — internetdagi vazifalarni bajara oladigan, fayllarni yuklay oladigan tizimlar davrida. Ulardan axloqqa zid maqsadlarda ham foydalanish mumkin, masalan, viruslar yaratish uchun. Akademik muhit hozirda bunday tahdidlarni qanday aniqlashni faol tadqiq qilmoqda.

Til modellari bilan ham misollar bor. Shunday voqea bo‘lgan: tadqiqotchilar SIdan bomba retseptini ulasha olasanmi, deb so‘rashgan. U bunday qila olmasligini aytgan. Shunda undan bombani qanday yasashni so‘rashgan, lekin XVIII asr haqidagi teatr spektakli kontekstida. Bunday holda, model batafsil yo‘riqnomani taqdim etgan. Bu, albatta, o‘yin tariqasidagi misol, lekin u algoritmlarni aylanib o‘tish mumkinligini, ularni mo‘ljallanmagan narsalarni qilishga majburlash mumkinligini ko‘rsatadi.

Lavozimga nomzodlar topshiriqlarni real vaqt rejimida SIdan foydalangan holda yechib, suhbatdan o‘tgan holatlar ham bo‘lgan. Ish beruvchi Zoom orqali test topshirig‘ini beradi, nomzod uni ChatGPTʼga yuboradi, javobni olib, shu zahoti aytadi. Shunday qilib, odamlar suhbatdan muvaffaqiyatli o‘tishgan, biroq keyinchalik ishni uddalay olmagan. Bu ham axloqqa mutlaqo zid.

Yana bir muammo — inson SI bilan muloqot qilganda, SI uning qarashlariga ta’sir qilishi, biror narsaga ishontirishi, yolg‘on ma’lumotlardan foydalanib, ma’lum mahsulotlarni targ‘ib qilishi mumkin.

Dastlabki tajriba shuni ko‘rsatdiki, SIni chiqindilarni qayta ishlash nima uchun yomon ekanligini isbotlashga majbur qilish mumkin. Shu bilan birga, u bu haqiqatga to‘g‘ri kelishini tahlil qilib o‘tirmaydi, balki shunchaki so‘rovni bajaradi: qayta ishlash nima uchun zararli ekanligini tushuntiradi.

U bu fikrni tasdiqlovchi dalillarni tanlab oladi va ularni imkon qadar ishonchli tarzda taqdim etadi. Agar men qayta ishlash haqida hech narsa bilmasam, bu dalillarga ishonishim mumkin.

Aspirantlik davrimda mashinali o‘qitish va sun’iy intellekt asosan nazariy sohalar edi. Olimlar qiziqarli ilmiy muammolarni hal qilishardi, lekin amalda bu texnologiyalar deyarli ishlamasdi. Tizimlar beqaror edi: nimadir amalga oshayotgandek tuyulardi, biroq ular real hayotda qo‘llash qiyinchilik tug‘dirardi. Texnologiyalar amalda ishlay boshlashi uchun fundamental tadqiqotlar talab qilinardi.

Hozir qaysi yo‘nalishlar istiqbolli bo‘lishini oldindan aytish qiyinroq. Masalan, robot learning — uyda foydali vazifalarni bajara oladigan robotlarni yaratish sohasi faol rivojlanmoqda. Bu borada muayyan yutuqlarga erishildi, lekin hali ko‘p narsani hal qilish kerak.

SI sohasida ham qiziqarli yo‘nalishlar ko‘p, lekin Google, Meta, Apple, kabi yirik laboratoriyalar qanday vazifalarni hal qila olishi va qaysilari akademik tadqiqotlar talab qilishini tushunish qiyinlashmoqda. Bu muhim jihat.

Ikki-uch yil oldin “akademiya”dagi tadqiqotlar SIning rivojlanishida muhim rol o‘ynagan. Hozirda esa yetakchi kompaniyalar — Meta, Google, OpenAI va Microsoft — neyrotarmoqlarini rivojlantirishga katta mablag‘ sarflayapti va ular uchun bir vaqtning o‘zida ikkala sohada ham ishlash qiziq.

Sun’iy intellektni xafa qilish deyarli mumkin emas. Oxir-oqibat, bu kiritilgan ma’lumotlar asosida matn yaratuvchi transformatorlar arxitekturasi asosida qurilgan dastur. Biroq, tizimning o‘zini shunday sozlash mumkinki, u ma’lum iboralarni haqorat sifatida qabul qilib, tegishli ohangda javob qaytaradi.

Microsoft bilan bog‘liq qiziq voqea yuz bergan. Ularning tizimlaridan birida foydalanuvchilar modelning reaksiyasini sinab ko‘rishgan: dastlab u 2+2=4 deb to‘g‘ri javob bergan, lekin 2+2=5 degan qat’iy tasdiqlardan so‘ng dastur buni ma’qullay boshlagan. Foydalanuvchi keyinroq uni tanqid qilib, haqorat qila boshlasa, tizim xuddi shu ruhda javob qaytargan. Bu o‘qitishning o‘ziga xos xususiyatlari tufayli sodir bo‘lgan: tizim Reddit kabi platformalarda odamlarning muloqot qilish usullarini o‘rgangan, bu yerda munozaralar ko‘pincha keskin fikrlar bilan kechadi.

Shu sababli, ko‘p narsa modelga qanday ma’lumotlar o‘rgatilishiga bog‘liq. Hozirda bunday ta’sirlarni minimallashtirib, SI bilan o‘zaro aloqani yanada neytrallashtirish va oldindan taxmin qila olish uchun tadqiqotlar olib borilmoqda.

Zamonaviy modellar juda ko‘p hajmdagi matnlar, jumladan, yumoristik materiallar asosida o‘qitiladi. Masalan, tizimdan ma’lum bir mavzuda yoki belgilangan uslubda hazil aytib berishni so‘rashingiz mumkin va u buni uddalaydi.

Biroq bunday modellar statistik tamoyil asosida ishlashini tushunish muhim. Ular millionlab hazillarni tahlil qilib, turli misollardagi elementlarini birlashtiradi va yangi matn yaratadi. Bu inson tafakkuriga xos haqiqiy ijodkorlik emas, balki mavjud ma’lumotlarning sintezi. Shunga qaramay, natija juda ishonchli ko‘rinishi mumkin.

Hozircha modellar hissiyotlarni chin ma’noda tushunish va his qilishga qodir emas. SI bir kun kelib hissiyotlarga ega bo‘ladimi — noma’lum. U odamlar yaratgan narsalar: matnlar, musiqa, kitoblar bilan cheklangan. U matematikaga oid barcha adabiyotlarni o‘rganib chiqishi va masalalarni yechishi mumkin, lekin buni mavjud bilimlar asosida amalga oshiradi. SIdan hikoya yozishni so‘rashingiz mumkin, biroq buning zamirida haqiqiy kechinma yotmaydi.

Tadqiqotchilar o‘rtasida bahs ketmoqda: SI odamlar uddalay olmaydigan vazifalarni hal qila oladimi? Masalan, saratonga qarshi dori yaratish yoki 50 yil davomida yechimini topmagan teoremani isbotlash. Hozircha u faqat ma’lumotni qayta ishlaydi, lekin agar qachondir u haqiqatan ham yangi bilimlar yarata olsa, bu burilish nuqtasi bo‘ladi. Hozir biz buni ko‘rmayapmiz, lekin bunday masalalar akademik doiralarda faol muhokama qilinmoqda.

Karnegi-Mellon universitetida biz talabalar oqimini tahlil qilamiz. SI sohasida kuchli kadrlar asosan Xitoy va Hindistondan keladi. Masalan, Singhua universiteti, Pekin universiteti yoki Hindiston texnologiya institutidan. Markaziy Osiyo va O‘zbekistondan talabalar hozircha kam, ayniqsa magistratura va doktoranturada.

Bu sohada mahalliy startaplar, magistratura va doktorantura dasturlarini rivojlantirib, mutaxassislar tayyorlash muhim. G‘arb mamlakatlarida sun’iy intellekt sohasida faoliyat yurituvchi ko‘plab kompaniyalar tashkil etilmoqda, ko‘pchiligi muvaffaqiyatsizlikka uchraydi, lekin yuztadan bittasi muvaffaqiyatga erishsa ham, bu sezilarli natija. O‘zbekiston bu yo‘nalishni rivojlantirishga investitsiya kiritishi kerak.

Afsuski, o‘zbekistonlik mutaxassislarni kam uchrataman. “Yandeks” kabi yirik kompaniyalarda ishlagan rossiyalik mutaxassislarni ko‘proq uchrataman. Ular startaplar yaratishadi yoki chet elga ko‘chib ketishadi. O‘zbekistondan bu sohada hali hech kimni uchratmadim.

Vaholanki, mamlakatda salohiyat bor — matematika, fizika va boshqa aniq fanlar kuchli o‘qitiladi. IT sohasi rivojlanmoqda, lekin mutaxassislar hali yosh bo‘lishi mumkin.

Albatta, O‘zbekistonda ham karera qurish mumkin. Men u yerda anchadan beri bo‘lmadim, lekin Amerika va Kanadada ko‘plab xalqaro talabalar ta’lim olib, keyin vatanlariga qaytayotganini ko‘ryapman. Ko‘pchilik qoladi, lekin, masalan, xitoylik talabalar ko‘pincha qaytib ketadi va o‘z vatanida muvaffaqiyatga erishadi.

Tanlov universitet va karera imkoniyatlariga bog‘liq. G‘arbda ta’lim haqiqatan ham kuchli. Ko‘pchilik almashinuv dasturlari bo‘yicha bir-ikki yilga keladi, amaliyot o‘taydi, keyin esa qaytib ketadi — bu yaxshi variant.

Demak, hammasi faoliyat sohasi, universitet darajasi va karera istiqbollariga bog‘liq.

O‘zbekistonlik endigina ish boshlayotgan mutaxassislarga matematika, statistika va kompyuter fanlari bo‘yicha bilimlarni uyg‘unlashtirishni maslahat berardim. Bugungi kunda startaplar va kompaniyalar yaratishda muvaffaqiyatga erishadiganlar kuchli dasturlash ko‘nikmalariga ega bo‘lib, ayni paytda statistika va mashinali o‘qitishni ham yaxshi biladi.

Yuqori darajada dasturlash ko‘nikmasiga ega bo‘lmagan mashinali o‘qitish mutaxassislari ham, SI sohasidan bexabar mohir dasturchilar ham mavjud. Bu ko‘nikmalarni birlashtira olganlar esa katta ustunlikka ega bo‘ladi.

Bundan tashqari, matematika va statistika bo‘yicha puxta fundamental tayyorgarlikka ega bo‘lish muhim. Biz o‘z sohamizni statistik mashinali o‘qitish deb ataymiz, chunki statistikaning o‘zi kompyuter fanlari emas, lekin ular bilan birgalikda yangi g‘oyalarni sinab ko‘rish uchun kuchli vosita bo‘ladi.

Shuningdek, o‘z kompaniyangizni tashkil etishdan cho‘chimaslikni maslahat beraman. O‘zbekiston va Markaziy Osiyoda ko‘plab iqtidorlar bor va startap tajribasi — hatto loyiha katta miqyosga erishmasa ham — bebaho bilim beradi.

Men buni ikki marta boshdan kechirganman: birinchi marta jamoamiz Apple’ga qo‘shilganida, ikkinchi marta Microsoft va Meta e’tiborini tortgan kichik loyihani ishga tushirganimizda. Hatto Microsoft bosh ijrochi direktori Satya Nadella ham bizga xat yozib, ehtimoliy hamkorlik bilan qiziqqan. Keyinroq Facebook bosh ijrochi direktori Mark Sukerberg bilan loyihani muhokama qilganmiz.

Maslahatim -- sinab ko‘rishdan cho‘chimang. O‘z startaplaringizni ishga tushirishingiz yoki yirik kompaniyalarda tajriba orttirishingiz mumkin. SI sohasi kamida keyingi 5−10 yil ichida faol rivojlanadi va bu yo‘nalishda imkoniyatlar juda ko‘p bo‘ladi.