Hybrid Edge-Aware LLM (HEAL), maxfiy korporativ maʼlumotlarni toʻgʻridan-toʻgʻri bulutdagi katta til modeliga yuborish oʻrniga; edge darajasida anonimlashtirish va zarur boʻlganda mahalliy inferensiya, federated learning, retrieval-augmented generation (RAG), qoidaga asoslangan muvofiqlik nazorati, explainable AI hamda bulut LLM inferensiyasini yagona gibrid arxitekturada birlashtiradigan taklif etilgan korporativ sunʼiy intellekt doirasidir. Sakir Alimning tadqiqoti HEALni markazlashtirilgan bulut LLM, qurilmadagi kichik til modeli, federated fine-tuning va faqat RAGdan foydalanadigan toʻrtta muqobil arxitektura bilan analitik ravishda taqqoslaydi. Manbada HEAL uchun %91,6 inferensiya aniqligi, 148 ms oʻrtacha kechikish va 0,94 privacy score qayd etilgan. Biroq baholash real kompaniya, shifoxona yoki moliya tashkilotidagi toʻliq HEAL joriy etilishiga emas, sogʻliqni saqlash va moliya kontekstlarini qamrab oluvchi 500 ta sintetik qarorlarni qoʻllab-quvvatlash soʻrovi hamda qisman arxitekturadan kelib chiqarilgan ishlash qiymatlariga asoslangan.

HEALning asosiy dizayn gʻoyasi barcha soʻrovlarni bir xil ishlov berish oqimiga yubormaslikdir. Maʼlumot manbasiga yaqin edge qatlami avval shaxsni aniqlash mumkin boʻlgan maʼlumotlarni niqoblaydi va anonimlashtiradi. Murakkabligi past soʻrovlar yengil va quantized mahalliy model bilan yechilishi mumkin. Koʻproq mulohaza talab qiladigan soʻrovlar esa kirish nazoratli RAG, jurisdiction policy engine, explainability va compliance gate qatlamlaridan oʻtkazilgach, xususiy API orqali kattaroq foundation modelga yuboriladi. Shu tariqa yuqori quvvatli bulut modelidan foydalanish bilan birga xom maxfiy maʼlumotlarning korporativ chegaradan bevosita chiqib ketishining oldini olish maqsad qilinadi.

Tadqiqot natijalari HEAL taqqoslangan arxitekturalar orasida foydali muvozanat taklif qilishini ilgari suradi; biroq manbada muhim tekshirish cheklovlari mavjud. Privacy score qanday hisoblangani, 500 ta sintetik soʻrov qanday yaratilgani va yorliqlangani, aniqlik metrikasining batafsil baholash jarayoni, ishlatilgan haqiqiy LLM va edge model konfiguratsiyalari, apparat hamda tarmoq sharoitlari qayd etilmagan. Bundan tashqari, maqola ichidagi iqtiboslar bilan adabiyotlar roʻyxati oʻrtasida jiddiy moslik muammolari va II-jadval izohida arifmetik nomuvofiqlik mavjud. Shu sabab HEALni bu bosqichda tasdiqlangan ishlab chiqarish tizimi samaradorligidan koʻra sinovdan oʻtkazilishi kerak boʻlgan gibrid arxitektura taklifi sifatida oʻqish lozim.

Korporativ sunʼiy intellektdagi asosiy ziddiyat

Tashkilot katta til modelidan yuqoriroq mulohaza yuritish qobiliyatini olishni istaganda, eng oson yoʻl maʼlumotni kuchli bulut modeliga yuborishdir. Tartibga solinadigan sohalarda esa bu yondashuv bevosita boshqaruv muammosini tugʻdiradi. Tibbiy yozuvlar, moliyaviy tranzaksiyalar yoki boshqa maxfiy korporativ maʼlumotlar tashqi xizmat koʻrsatuvchilarga yuborilganda maʼlumotlarning joylashuvi, shaxsiy maʼlumotlarni himoya qilish, kirish nazorati va audit qilinuvchanlik talablari kuchga kiradi.

Boshqa tomonda butun jarayonni tashkilot ichida yoki qurilmaning oʻzida bajarish bor. Bu variant xom maʼlumotlarni mahalliy saqlashi mumkin; biroq manba tadqiqotining muammo doirasida kichikroq modellar murakkab soʻrovlarda katta foundation modellari bilan bir xil inferensiya qobiliyatini bera olmasligi mumkin.

HEAL bu ikki yondashuvni bir-birining muqobili deb koʻrish oʻrniga, soʻrov xususiyatiga qarab birgalikda ishlatishni taklif qiladi. Maxfiy maʼlumot avval edge qatlamida himoyalanadi; oddiy soʻrovlar mahalliy darajada qoladi; kuchliroq mulohaza kerak boʻlganda anonimlashtirilgan va qoidalar bilan tekshirilgan kontekst bulutga uzatiladi.

HEAL Arxitekturasi Nima?

Hybrid Edge-Aware LLM (HEAL) — maxfiy korporativ maʼlumotlarni edge darajasida filtrlab anonimlashtiradigan; oddiy soʻrovlarni mahalliy model bilan yecha oladigan; murakkab soʻrovlarni RAG, tartibga soluvchi siyosat nazorati va explainability qatlamidan oʻtkazgach bulutdagi foundation modelga yoʻnaltiradigan toʻrt qatlamli gibrid LLM arxitekturasidir.

Toʻrtta dizayn maqsadi

Manba HEAL uchun toʻrtta aniq dizayn maqsadini belgilaydi:

1. Shaxsni aniqlash mumkin boʻlgan maʼlumot anonimlashtirilmasdan korporativ chegaradan tashqariga chiqmasligi.
2. Interaktiv qaror qoʻllab-quvvatlashi uchun uchidan-uchigacha kechikish 200 ms dan past saqlanishi.
3. Har bir javobga mashina oʻqiy oladigan compliance attestation qoʻshilishi.
4. Soha mutaxassisi modelning ichki parametrlariga kira olmasdan koʻrib chiqishi mumkin boʻlgan izohlar yaratilishi.

Bular xabar qilingan natijalardan farqli ravishda avvalo arxitekturaning dizayn maqsadlaridir. Xususan, 200 ms maqsadi real ishlab chiqarish Service Level Agreement natijasi sifatida emas, HEALning dizayn mezoni sifatida talqin qilinishi kerak.

Birinchi qatlam: maʼlumot manbalari

HEAL kirishida turli korporativ maʼlumot turlari boʻlishi mumkin. Manba uchta misol keltiradi: elektron tibbiy yozuvlar, moliyaviy tranzaksiya yozuvlari va sensor oqimlari. Bu maʼlumot turlarining umumiy xususiyati — operatsion qarorlarni qoʻllab-quvvatlash uchun qimmatli boʻlishi, biroq shaxsiy, korporativ yoki tartibga solinadigan maʼlumotlarni oʻz ichiga olishi mumkinligidir.

Ikkinchi qatlam: edge layer

Edge layer maʼlumot yaratiladigan yoki saqlanadigan korporativ muhitga yaqin ishlaydi. Manba bu qatlamga ikkita asosiy vazifa yuklaydi.

Birinchi vazifa PII masking va anonymisation jarayonidir. Qoidaga asoslangan niqoblash bilan mahalliy fine-tune qilingan klassifikator birgalikda ishlatilib, shaxsni aniqlash mumkin boʻlgan maʼlumotlarni masofaviy inferensiyadan oldin himoya qilish maqsad qilinadi.

Ikkinchi vazifa local inference jarayonidir. Murakkabligi past soʻrovlar quantized yengil model tomonidan toʻgʻridan-toʻgʻri edge ustida yechilishi mumkin. Bunday soʻrov uchun bulut aloqasi kerak boʻlmaydi va tarmoq round-trip yoʻqoladi.

Manba baholash toʻplamidagi soʻrovlarning taxminan %38 i toʻliq edge ustida yechilganini bildiradi. Biroq bu ulush haqiqiy tashkilotdagi soʻrovlar taqsimotini ifodalashi koʻrsatilmagan; qiymat sintetik baholash ssenariysiga tegishli.

Uchinchi qatlam: orkestratsiya

Murakkabroq soʻrovlar HEALning orkestratsiya qatlamiga yuboriladi. Bu qatlam tizimni faqat “LLMga prompt yuborish” arxitekturasidan ajratib turadigan asosiy qismdir.

HEALda Compliance Gate Qanday Ishlaydi?

HEAL compliance gate anonimlashtirilgan soʻrovni tegishli jurisdiction uchun saqlanadigan qoidalar asosida baholab, uch natijadan birini ishlab chiqaradi: pass, rewrite yoki block. Rewrite qarori tartibga solinadigan maʼlumot kategoriyalarini olib tashlash yoki oʻzgartirishni, block qarori esa soʻrovni toʻxtatib, sabab kodi bilan qayd etishni va inson tekshiruviga oshirishni maqsad qiladi.

Manbaga koʻra, har bir javob bilan birga yaratiladigan compliance attestation ishlatilgan qoida toʻplamining versiyasi, qaror kodi va qayta ishlangan kirishning hash qiymatini oʻz ichiga oladi. Shu tariqa nafaqat model nima javob bergani, balki soʻrov qaysi muvofiqlik nazoratidan oʻtgani ham kuzatiladigan holga keltiriladi.

RAG nima uchun arxitekturaning bir qismi?

Retrieval-Augmented Generation yaratiladigan javob faqat model parametrlaridagi bilimga tayangan holda emas, balki nazorat qilinadigan hujjatlar omboridan olingan dalillar bilan qoʻllab-quvvatlanishini maqsad qiladi. HEAL kontekstida RAGning qoʻshimcha ahamiyati explainability va audit qilinuvchanlikdir.

Orkestratsiya qatlamidan cloud tomoniga yuboriladigan context bundle anonimlashtirilgan soʻrov, olingan dalil va compliance xulosasini birga olib boradi. Manba bulut modelining strukturali javobda qaror, confidence score va har bir daʼvoni olingan hujjat bilan bogʻlaydigan citation list yaratishini nazarda tutadi.

Toʻrtinchi qatlam: Cloud / LLM

Bulut qatlami private API deployment orqali foydalaniladigan katta foundation modelni oʻz ichiga oladi. Edge qatlamining vazifasi katta modelni yoʻq qilish emas, balki unga qaysi maʼlumot va qanday sharoitlarda yetib borishini cheklashdir.

Manba arxitekturasida cloud tomonida vector index, audit ledger va decision API komponentlari ham mavjud. Yaratilgan javob ilovaga qaytarilishidan oldin immutable audit ledgerga yozilishi taklif etiladi. Bu tuzilma ayniqsa yuqori xavfli korporativ qaror jarayonlarida keyinchalik tekshiruv oʻtkazish imkonini berishga qaratilgan.

Federated update mexanizmi

HEAL faqat inference oqimi emas. Manba edge node lar har 24 soatda federated optimisation raundida qatnashishini bildiradi. Local gradient lar markaziy yigʻishdan oldin clipping jarayonidan oʻtkaziladi va kalibrlangan Gaussian noise qoʻshiladi.

Manba bu mexanizm epsilon-delta differential privacy kafolatini berishini aytadi. Biroq ishlatilgan \(\varepsilon\), \(\delta\), clipping normi, noise multiplier, node soni, aggregation algoritmi va convergence mezonlari keltirilmagan. Shu sabab differential privacy himoyasining miqdoriy kuchini manbadan mustaqil ravishda qayta hisoblab boʻlmaydi.

Nima uchun federated learning ishlatiladi?

Federated learningning HEALdagi vazifasi edge klassifikatorlariga tashkilotlarda shakllanadigan mahalliy maʼlumot taqsimotlaridan oʻrganish imkonini berish bilan birga, xom yozuvlarning markazlashtirilgan oʻquv havzasiga koʻchirilishining oldini olishdir.

Bu yondashuv maʼlumotlarni markazlashtirishni kamaytirishi mumkin; biroq manba oʻz adabiyotlar boʻlimida geterogen maʼlumot taqsimotlari federated optimisation uchun communication overhead va convergence muammosini yuzaga keltirishi mumkinligini ham taʼkidlaydi. HEAL bu muammoni haqiqiy koʻp tashkilotli muhitda qay darajada hal qilishi hali sinovdan oʻtkazilmagan.

Manba 1-rasmning ilmiy mazmuni

Manba tadqiqotining 3-sahifasidagi 1-rasm toʻrtta alohida ishonch va ishlov berish hududini belgilaydi. Maʼlumot yoʻli chapdan oʻngga qarab boradi:

1. Data Sources: EHR, moliyaviy transaction va sensor stream.
2. Edge Layer: local inference, PII masking, anonymisation va federated agent.
3. Orchestration: RAG retriever, policy engine, XAI module va compliance gate.
4. Cloud / LLM: foundation LLM, vector index, audit ledger va decision API.

Rasmning ilmiy xabari shundaki, barcha maʼlumot toʻgʻridan-toʻgʻri foundation modelga uzatilmaydi. Maxfiy maʼlumotni himoya qilish va tartibga solish nazorati model chaqiruvidan oldin arxitekturaga joylashtirilgan.

Tadqiqot Usuli va Natijalari

Baholash dizayni

HEAL toʻrtta baseline bilan taqqoslangan:

• Centralized Cloud LLM
• On-Device Small Language Model (SLM)
• Federated Fine-Tuning
• RAG-only Pipeline

Taqqoslash besh oʻlchamda bajarilgan: latency, privacy preservation score, scalability, compliance efficiency va inference accuracy.

Aniqlikni baholash uchun sogʻliqni saqlash va moliyaviy xizmatlar kontekstlarini qamrab oluvchi sintetik korporativ qarorlarni qoʻllab-quvvatlash ssenariysidan olingan 500 ta strukturali soʻrov ishlatilgani aytiladi. Manba ushbu soʻrovlarning batafsil taqsimoti, sinf yorliqlari, qaysi vazifalarni ifodalashi yoki ground-truth yaratish protsedurasini bermaydi.

Arxitekturalarning sifat xususiyatlari

Bu sifat tasniflari manbada berilgan dizayn baholaridir. “Strong”, “Moderate”, “Partial” yoki “Full” toifalarini ballaydigan mustaqil tekshiruv protokoli berilmagani uchun ularni oʻlchangan fizik kattaliklar kabi talqin qilish kerak emas.

Miqdoriy natijalar

Centralized LLM bilan taqqoslash

Centralized LLM baseline %87,2 aniqlik bilan baseline guruhidagi eng yuqori aniqlik qiymatiga ega. Oʻrtacha kechikish 420 ms, privacy score esa 0,51 deb qayd etilgan.

HEAL bilan taqqoslanganda manba jadvalidagi aniqlik farqi 91,6 - 87,2 = 4,4 foiz punktini tashkil etadi. HEALning qayd etilgan kechikishi ham 272 ms ga pastroq. Biroq manba ikki kechikish qiymati bir xil fizik tizimda toʻgʻridan-toʻgʻri uchidan-uchigacha oʻlchangan nazoratli benchmark qiymatlari emasligini alohida taʼkidlaydi.

On-device SLM bilan taqqoslash

On-device SLM 95 ms bilan jadvaldagi eng past kechikishni va 0,91 privacy score qiymatini beradi; buning evaziga inferensiya aniqligi %79,4 ni tashkil qiladi.

Bu taqqoslash HEALning asosiy dizayn tanlovini koʻrsatadi: HEAL toʻliq mahalliy model kabi past kechikishni maqsad qilmaydi; kattaroq cloud model quvvati orqali aniqlikni oshirish bilan birga maxfiy maʼlumotlar uchun edge himoyasini taʼminlashga urinadi.

Federated fine-tuning bilan taqqoslash

Federated fine-tuning baseline uchun %83,7 aniqlik, 310 ms latency va 0,83 privacy score qayd etilgan. HEAL federated learningni yakka yechim sifatida emas, RAG, edge filtering va compliance gating bilan birgalikda ishlatishi koʻrinadi.

RAG-only bilan taqqoslash

RAG-only tizimi %85,1 inference accuracy, 230 ms latency va 0,66 privacy score beradi. Manba talqiniga koʻra, edge enforcement mavjud boʻlmagani sababli maxfiy tokenlar retrieval soʻrovlarida paydo boʻlishi mumkin va nomuvofiq soʻrovni model chaqiruvidan oldin toʻxtatadigan maxsus compliance gate yoʻq.

HEAL bilan RAG-only oʻrtasidagi manba jadvalidan hisoblangan aniqlik farqi 6,5 foiz punktini tashkil etadi. Manba matnida berilgan 8,4 foiz punktlik qiymat ushbu jadval bilan mos kelmaydi.

HEAL Natijalari Haqiqiy Dunyo Ishlab Chiqarish Samaradorligini Isbotlaydimi?

Yoʻq. Manba baholash haqiqiy shifoxona, bank yoki boshqa korxonada uchidan-uchigacha HEAL joriy etilishi emasligini ochiq aytadi; 500 ta sintetik soʻrov ishlatilgan va ayniqsa latency qiymatlari toʻliq tizim instrumentationidan emas, arxitektura tahlili hamda oʻxshash joriy etilgan tizimlardagi oʻlchovlardan kelib chiqarilgan. Shu sabab qayd etilgan %91,6 aniqlik, 148 ms latency va 0,94 privacy score ishlab chiqarish muhitida tasdiqlangan samaradorlik kafolatlari emas.

148 ms qiymati qanday talqin qilinishi kerak?

Manba 148 ms oʻrtacha edge-to-response latency ni qayd etadi va soʻrovlarning taxminan %38 i bulutga chiqmasdan edge ustida yechilganini bildiradi. Bu dizayn cloud round-trip talab qilmaydigan soʻrovlar umumiy kechikishni kamaytirishi mumkin boʻlgan mexanizmni qoʻllab-quvvatlaydi.

Biroq manba shu paragrafning oʻzida latency qiymatlari toʻliq HEAL oqimida haqiqiy end-to-end instrumentation bilan oʻlchanmaganini tan oladi. Shuning uchun 148 ms qiymati haqiqiy ishlab chiqarish SLA oʻlchovi sifatida ishlatilmasligi kerak.

Privacy score qanchalik qayta ishlab chiqarilishi mumkin?

HEAL uchun privacy score 0,94, on-device SLM uchun 0,91, federated fine-tuning uchun 0,83, RAG-only uchun 0,66 va centralized LLM uchun 0,51 berilgan.

Manba privacy score ning matematik taʼrifini, tarkibiy qismlarini, ogʻirliklarini yoki test protsedurasini tushuntirmaydi. Shu sabab raqamlar tartibini manba natijasi sifatida keltirish mumkin; ammo mustaqil tadqiqotchi ayni kirishlardan ayni privacy score qiymatlarini hosil qilishi uchun yetarli metod tafsiloti yoʻq.

Inference accuracy qanday talqin qilinishi kerak?

Manba HEAL uchun %91,6 inference accuracy bildiradi. Biroq 500 ta sintetik soʻrovning vazifa turlari, gold-standard javob yaratish, baholash mezoni, exact-match yoki boshqa scoring usuli, baholovchilar va ishonch oraligʻi ochiqlanmagan.

Bu yetishmovchilik %91,6 qiymatini manbada qayd etilgan natija maqomidan chiqarmaydi; biroq uning tashqaridan qayta ishlab chiqarilishini va boshqa tizimlarga umumlashtirilishini cheklaydi.

Compliance baholashining chegarasi

HEAL jadvalda “Full” compliance efficiency toifasini olgan yagona tizimdir. Bu farq arxitektura ichiga explicit policy engine va compliance gate joylashtirilganidan kelib chiqadi.

Shunga qaramay, tadqiqot muayyan GDPR, HIPAA yoki moliyaviy tartibga solish moddalarining toʻplami boʻyicha formal compliance auditni qayd etmaydi. “Full” — manbaning arxitektura tasnifi; bu huquqiy sertifikat yoki tartibga soluvchi organning tasdigʻini anglatmaydi.

Manba ichidagi arifmetik nomuvofiqlik

II-jadval HEAL aniqligini %91,6 va RAG-only aniqligini %85,1 deb beradi. Bu ikki qiymat orasidagi farq 6,5 foiz punktidir. Manba matni esa farqni 8,4 foiz punkti deb yozadi.

Bundan tashqari, “best baseline” iborasi bilan RAG-only baseline koʻrsatilgan; holbuki jadvaldagi eng yuqori baseline accuracy %87,2 bilan centralized LLMga tegishli. HEAL bilan bu baseline orasidagi farq 4,4 foiz punktidir. Shu sabab Verianla bayoni jadvalda ochiq berilgan xom qiymatlarni source-of-truth sifatida saqlaydi.

Adabiyotlar va matn ichidagi iqtiboslar nomuvofiqligi

Tadqiqotning adabiyotlar boʻlimidagi ayrim havola nomlari bilan raqamlangan adabiyotlar roʻyxati bir-biriga mos kelmaydi. Matnda Brown et al. [1], Hard et al. [2], Lewis et al. [3], Chowdhery et al. [4] va Wornow et al. [5] sifatida koʻrsatilgan boʻlsa, PDFning adabiyotlar roʻyxatidagi ayni raqamlar boshqa mualliflar va boshqa ishlarga tegishli.

Bu holat adabiy asoslarni mustaqil kuzatishni qiyinlashtiradi. Shu sabab Verianla maqolasi adabiyotlar roʻyxatida boʻlmagan havolalarni oʻzicha “tuzatmaydi” yoki boshqa asarlar bilan almashtirmaydi; nomuvofiqlikni manba sifati cheklovi sifatida ochiq qoldiradi.

Tadqiqot qoʻllab-quvvatlaydigan xulosalar

• HEAL edge anonymisation, mahalliy inferensiya, federated learning, RAG, XAI, compliance gating va cloud LLMni yagona arxitekturada birlashtiruvchi aniq taʼriflangan tizim dizaynidir.
• Manbaning sintetik baholashida HEAL %91,6 aniqlik, 148 ms latency va 0,94 privacy score bilan qayd etilgan.
• HEALning qayd etilgan accuracy qiymati jadvaldagi toʻrtta baseline qiymatining barchasidan yuqori.
• On-device SLM HEALdan pastroq latency beradi, biroq pastroq accuracy bilan qayd etilgan.
• Taxminan %38 sintetik soʻrov edge ustida yakunlangani qayd etilgan.
• Compliance gate arxitekturaning inference bosqichidan oldin joylashtirilgani sabab HEAL manba baholashida compliance-aware tizim sifatida boshqa baselinelardan ajralib turadi.

Tadqiqot qoʻllab-quvvatlamaydigan xulosalar

• HEAL haqiqiy shifoxona, bank yoki boshqa tartibga solinadigan tashkilotda %91,6 aniqlik berishi isbotlanmagan.
• 148 ms qiymati haqiqiy ishlab chiqarish muhitida uchidan-uchigacha oʻlchangan kafolatlangan latency emas.
• 0,94 privacy score universal yoki standartlashtirilgan maxfiylik metrikasi ekanligi koʻrsatilmagan.
• “Full compliance” iborasi huquqiy sertifikat, GDPR/HIPAA muvofiqlik hujjati yoki tartibga soluvchi organning tasdigʻi emas.
• Federated learningning haqiqiy koʻp tashkilotli maʼlumot geterogenligida convergence muvaffaqiyati sinovdan oʻtkazilmagan.
• Manba haqiqiy bemor yoki haqiqiy moliyaviy mijoz maʼlumotlarida tizim validatsiyasini qayd etmaydi.
• HEAL baseline tizimlardan statistik jihatdan ahamiyatli darajada ustun ekani koʻrsatilmagan; ishonch oraligʻi, dispersiya yoki ahamiyatlilik testi berilmagan.

Kelajakdagi tadqiqotlar

Manba kelajakdagi uchta asosiy tadqiqot yoʻnalishini beradi. Birinchisi, hamkor shifoxona tarmogʻida jonli pilot oʻrnatib, federated update mexanizmining koʻp markazli klinik maʼlumot geterogenligi sharoitidagi convergence xulqini sinashdir.

Ikkinchi yoʻnalish compliance rule setni qoʻlda tayyorlash muammosiga qaratilgan. Manba kelajakda tartibga soluvchi matnlardan avtomatik qoidalar chiqarishni tadqiq etishni taklif qiladi.

Uchinchi yoʻnalish XAI qatlamidir. Mavjud HEAL dizaynida izohlar manba koʻrsatish va retrieved evidence bilan bogʻlangan; tadqiqot kelajakda counterfactual reasoning qoʻllab-quvvatlashi yuqori xavfli moliya va sogʻliqni saqlash qarorlarida foydali boʻlishi mumkinligini ilgari suradi.

Manba va Usul Haqida Izoh

Toʻliq asl sarlavha: Intelligent Enterprise Systems: Integrating Artificial Intelligence, Data Analytics, and Information Management for Strategic Decision Making.

Muallif: Sakir Alim.

PDF affiliatsiyasi: Department of Information Systems, University of Lagos, Lagos, Nigeria.

Platforma: SSRN.

SSRN abstract raqami: 6894938.

DOI: 10.2139/ssrn.6894938.

Date Written: 11 Mart 2025.

SSRNga yuborish/eʼlon qilish sanasi: 29 Iyun 2026.

Manba turi: Preprint / working paper xususiyatidagi SSRN tadqiqoti.

Taqriz holati: Joriy tekshiruvda taqrizli jurnal versiyasi aniqlanmagan; tadqiqot taqrizdan oʻtgan maqola sifatida taqdim etilmasligi kerak.

Litsenziya/huquq holati: SSRN yozuvi “All rights reserved” va ruxsatsiz qayta foydalanmaslik shartini bildiradi. Shu sabab manba rasmi, original jadval dizayni va himoyalangan matn qayta ishlatilmagan.

PDF ichidagi aloqa maydoni: PDFda Sakir Alim nomi ostida “o.adeyemi@unilag.edu.ng” elektron pochta manzili yozilgan. Bu maydon muallif nomi bilan aniq mos kelmagani va SSRN sahifasida ochiq elektron pochta tasdigʻi amalga oshirilmagani uchun aloqa manzili tasdiqlangan corresponding-author maʼlumoti sifatida qabul qilinmagan.

Asosiy model: Hybrid Edge-Aware LLM (HEAL).

Arxitektura qatlamlari: Data Sources; Edge Layer; Orchestration; Cloud / LLM.

Asosiy mexanizmlar: PII masking, anonymisation, local quantised inference, federated optimisation, differential privacy, RAG, jurisdiction policy engine, compliance gate, XAI, private cloud foundation LLM va immutable audit ledger.

Federated update chastotasi: Manbada har bir edge node uchun 24 soatda bir raund deb koʻrsatilgan.

Baholash namunasi: Sogʻliqni saqlash va moliyaviy xizmat ssenariylarini qamrab oluvchi 500 ta strukturali sintetik soʻrov.

Taqqoslangan baselinelar: Centralized Cloud LLM, On-Device SLM, Federated Fine-Tuning va RAG-only Pipeline.

Baholash oʻlchamlari: Inference latency, privacy preservation score, scalability, compliance efficiency va inference accuracy.

HEAL uchun qayd etilgan natijalar: 148 ms latency, 0,94 privacy score, High scalability, Full compliance efficiency va %91,6 inference accuracy.

Muhim arifmetik muammo: Manba matnida HEAL bilan RAG-only oʻrtasidagi accuracy farqi 8,4 foiz punkti deb yozilgan; II-jadval qiymatlari bu farq 6,5 foiz punkti ekanini koʻrsatadi. Jadvaldagi eng yuqori accuracy baseline esa %87,2 bilan centralized LLM boʻlib, HEAL bilan farqi 4,4 foiz punktidir.

Muhim iqtibos muammosi: Adabiyotlar boʻlimidagi Brown, Hard, Lewis, Chowdhery va Wornow havolalarining raqamlari PDF oxiridagi raqamlangan manba yozuvlari bilan mos kelmaydi. Shu sabab adabiyotlar roʻyxatiga manbalarni tekshirish nuqtai nazaridan ehtiyotkorlik bilan yondashish kerak.

Qayta ishlab chiqarish nuqtai nazaridan qayd etilmagan asosiy tafsilotlar: Sintetik soʻrov yaratish protsedurasi, soʻrov sinfi taqsimoti, gold-standard yaratish usuli, accuracy scoring usuli, privacy score formulasi, compliance scoring protokoli, haqiqiy foundation model nomi va versiyasi, edge model nomi, quantisation usuli, apparat, tarmoq topologiyasi, vector database tafsilotlari, embedding modeli, RAG retrieval parametrlari, federated aggregation algoritmi, node soni, learning rate, convergence mezonlari, differential privacy \(\varepsilon\) va \(\delta\) qiymatlari, clipping normi va noise multiplier.

Statistik noaniqlik: Manba p-qiymat, confidence interval, standard deviation yoki boshqa noaniqlik oʻlchovini qayd etmaydi.

Dala validatsiyasi: Yoʻq. Manba kelajakda shifoxona tarmogʻida jonli pilot rejalashtirilganini bildiradi.

Moliyalashtirish: PDFda moliyalashtirish bayonoti qayd etilmagan.

Manfaatlar toʻqnashuvi: PDFda alohida manfaatlar toʻqnashuvi bayonoti qayd etilmagan.

Maʼlumotlarning mavjudligi: PDFda maʼlumotlar toʻplami yoki sintetik soʻrovlar toʻplami uchun alohida mavjudlik bayonoti qayd etilmagan.

CRediT / muallif hissalari: PDFda CRediT hissa bayonoti qayd etilmagan.

1-rasmning roli: Manbaning toʻrt qatlamli HEAL maʼlumot oqimini koʻrsatadi. Verianla uchun ayni vizual tuzilma ko'chirilmasligi kerak; faqat maʼlumot manbai → edge privacy/local inference → RAG/policy/XAI/compliance → cloud LLM/audit aloqalari yangi semantik arxitektura bilan qayta chizilishi kerak.