DATABASES AND DEVOPS INTEGRATION: UPDATING AI MODELS THROUGH CI/CD

ISSN: 2582-4686 SJIF 2021-3.261,SJIF 20222.889, 2024-6.875 ResearchBib IF: 9.948 / 2024 VOLUME-5, ISSUE-12 1474 MA’LUMOTLAR BAZALARI VA DEVOPS INTEGRATSIYASI: AI MODELLARINI CI/CD ORQALI YANGILASH Zokirov Sanjarbek Ikromjon o‘g‘li Farg`ona davlat texnika universiteti ATT fakulteti dotsenti Anvarov Muhammadqodir Xusanboy o‘g‘li Odilov Abdulloh Akmaljon o‘g‘li Farg‘ona davlat texnika universiteti Axborot texnologiyalari va telekommunikatsiya fakultetining 650-24 DI guruh talabalari Annotatsiya. Ushbu maqolada ma’lumotlar bazalari va DevOps amaliyotlarining integratsiyasi hamda sun’iy intellekt (AI) modellarini CI/CD (Continuous Integration / Continuous Deployment) quvurlari orqali avtomatik yangilash masalalari tahlil qilinadi. Zamonaviy dasturiy ta’minot ishlab chiqishda AI modellarining tez-tez yangilanib borilishi va ularning ma’lumotlar bazalari bilan uzviy bog‘liqligi muhim ahamiyat kasb etadi. Maqolada DevOps yondashuvlari yordamida AI modellarini testlash, versiyalash, joylashtirish va monitoring qilish jarayonlari, shuningdek, ma’lumotlar bazalaridagi o‘zgarishlar bilan moslashuv muammolari ko‘rib chiqiladi. Tadqiqot natijalari avtomatlashtirilgan CI/CD jarayonlari AI tizimlarining barqarorligi, ishonchliligi va samaradorligini oshirishini ko‘rsatadi. Kalit so‘zlar: Ma’lumotlar bazalari, DevOps, sun’iy intellekt, AI modellari, CI/CD, avtomatlashtirish, model versiyalash, MLOps, monitoring. Аннотация. В данной статье анализируется интеграция баз данных и практик DevOps, а также автоматическое обновление моделей искусственного интеллекта (ИИ) с помощью конвейеров CI/CD (непрерывная интеграция/непрерывное развертывание). В современной разработке программного обеспечения большое значение имеют частые обновления моделей ИИ и их неразрывная связь с базами данных. В статье рассматриваются процессы тестирования, версионирования, развертывания и мониторинга моделей ИИ с использованием подходов DevOps, а также проблемы адаптации к изменениям в базах данных. Результаты исследования показывают, что автоматизированные процессы CI/CD повышают стабильность, надежность и эффективность систем ИИ. Ключевые слова: Базы данных, DevOps, искусственный интеллект, модели ИИ, CI/CD, автоматизация, версионирование моделей, MLOps, мониторинг. Abstract. This article analyzes the integration of databases and DevOps practices and the automatic updating of artificial intelligence (AI) models through CI/CD (Continuous Integration / Continuous Deployment) pipelines. In modern software development, frequent updates of AI models and their inextricable connection with databases are of great importance. The article examines the processes of testing, versioning, deployment and monitoring of AI models using DevOps approaches, as well as the problems of adapting to changes in databases. The research results show that automated CI/CD processes increase the stability, reliability and efficiency of AI systems. Keywords: Databases, DevOps, artificial intelligence, AI models, CI/CD, automation, model versioning, MLOps, monitoring. ISSN: 2582-4686 SJIF 2021-3.261,SJIF 20222.889, 2024-6.875 ResearchBib IF: 9.948 / 2024 VOLUME-5, ISSUE-12 1475 KIRISH So‘nggi yillarda sun’iy intellekt texnologiyalarining jadal rivojlanishi dasturiy tizimlarga bo‘lgan talablarni tubdan o‘zgartirdi. AI modellarining samaradorligi ko‘p jihatdan ma’lumotlar bazalarida saqlanayotgan ma’lumotlarning sifati, yangiligi va to‘g‘ri boshqarilishiga bog‘liq. Shu bilan birga, an’anaviy dasturiy ta’minot ishlab chiqish yondashuvlari AI modellarini tezkor va xavfsiz tarzda yangilash uchun yetarli emas. DevOps konsepsiyasi dasturiy ta’minotni ishlab chiqish va ekspluatatsiya jarayonlarini integratsiyalash orqali tezkorlik va barqarorlikni ta’minlashga qaratilgan. CI/CD quvurlari esa kod, konfiguratsiya va AI modellarini avtomatik sinovdan o‘tkazish hamda ishlab chiqarish muhitiga joylashtirish imkonini beradi. Ma’lumotlar bazalari bilan integratsiyalangan DevOps yondashuvi AI modellarining uzluksiz yangilanishini, xatoliklarni erta aniqlashni va real vaqt rejimida moslashuvchan ishlashni ta’minlaydi. Mazkur maqolada ma’lumotlar bazalari va DevOps integratsiyasining AI modellarini CI/CD orqali yangilashdagi o‘rni, afzalliklari va mavjud muammolari yoritiladi hamda ushbu yondashuvning amaliy ahamiyati asoslab beriladi.Raqamli transformatsiya davrida sunʼiy intellekt texnologiyalari biznes jarayonlari, taʼlim, sog‘liqni saqlash, ishlab chiqarish kabi sohalarda katta ahamiyat kasb etmoqda. AI modellarining samarali ishlashi esa bevosita sifatli maʼlumotlar bazasi va to‘g‘ri yo‘lga qo‘yilgan DevOps infratuzilmasiga bog‘liqdir. Maʼlumotning real vaqt rejimida yangilanib borishi, modelning konteynerlarda to‘g‘ri ishlashi, CI/CD orqali avtomatlashtirilgan tarzda test va deploy qilinishi — zamonaviy tizimlarning asosiy talabi hisoblanadi. An’anaviy dasturiy ta’minotdan farqli o‘laroq, AI modellarining boshqaruvi doimiy ravishda maʼlumotlar bilan ishlashni, ularni qayta yuklashni, qayta o‘qitishni va versiyalarni nazorat qilishni talab qiladi. DevOps aynan shu jarayonlarni optimallashtirishga yordam beradi. Ushbu maqolada maʼlumotlar bazalari bilan DevOpsni birlashtirish orqali AI modellarini CI/CD orqali qanday yangilash mumkinligi ilmiy-uslubiy tarzda tahlil qilinadi. Maʼlumotlar bazasi — bu katta hajmdagi maʼlumotlarni saqlash, qayta ishlash va boshqarish uchun mo‘ljallangan tizimdir. Zamonaviy tizimlarda maʼlumotlar bazalari quyidagi vazifalarni bajaradi: Adabiyotlar tahlili va metodologiyasi CI/CD va AutoML integratsiyasi: Optimizing Continuous Integration and Delivery in DevOps with Automated Machine Learning Pipelines maqolasida AutoML tizimlarini DevOps CI/CD jarayonlariga olib kirish konsepsiyasi tahlil qilingan. Unda AutoML yordamida modelni avtomatik o‘qitish, testlash va deploy jarayonlarida samaradorlik oshishi ko‘rsatildi. AI va DevOps pipeline’lari. A Review of Generative AI and DevOps Pipelines tahliliy maqolasi 2023–2025 yillar o‘rtasidagi 50dan ortiq ilmiy ishlar asosida sun’iy intellekt va DevOps CI/CD integratsiyasi hamda agentli avtomatlashtirishni yoritadi, bu esa DevOps jarayonlarini yanada tez va ishonchli qiladi. Predictive Modelling va CI/CD xavfsizlik integratsiyasi. Xorijiy jurnal maqolasida AI asosidagi prognoz modellari va CI/CD pipeline’larida uzluksiz xavfsizlik testlarini qo‘shish orqali tizim mustahkamligi oshirilayotgani tahlil qilingan. MLOps va uzluksiz pipeline holati. The Pipeline for the Continuous Development of Artificial Intelligence Models tadqiqoti DevOps/MLOps terminologiyasi va CI/CD asosidagi uzluksiz model hayot aylanishi bo‘yicha chuqur tahlilni beradi, shu jumladan ma’lumot, model o‘rganish, ishlab chiqish va operatsiyalar bosqichlarini. ISSN: 2582-4686 SJIF 2021-3.261,SJIF 20222.889, 2024-6.875 ResearchBib IF: 9.948 / 2024 VOLUME-5, ISSUE-12 1476 DevOps va CI/CD konsepsiyasi. O‘zbek tilida chop etilgan DevOps va uzluksiz integratsiya/uzluksiz joylashtirish (CI/CD) maqolasida DevOps tamoyillari, CI/CD pipeline’lari, ularning dasturiy ta’minot ishlab chiqish jarayonida qo‘llanilishi va samaradorligi yoritilgan. O‘zbek ilmiy manbalarida AI modellarini CI/CD jarayoniga qo‘shish bo‘yicha to‘g‘ridan-to‘g‘ri ilmiy maqola kam bo‘lsada, DevOps va CI/CD jarayonlari, ularning sifat, yetkazib berish va jamoaviy ish samaradorligini oshirishdagi roli aniq bayon qilingan. Xorijiy adabiyotlar AI/ML modellarini CI/CD jarayoniga kiritish bo‘yicha amaliy va nazariy asoslarni, shuningdek, agentli avtomatlashtirish va xavfsizlik aspektlarini ochib beradi. O‘zbek adabiyotlarida esa asosan DevOps, CI/CD tamoyillarini dasturiy ta’minot kontekstida yoritilgan. Bu yakuniy maqolalar AI modellariga to‘g‘ridan-to‘g‘ri tatbiq etilish bo‘yicha adabiyotlar yetishmayotganini ko‘rsatadi. Metodologiya Tadqiqot yondashuvi • Adabiyotlar tahlili. Xorijiy va o‘zbek ilmiy manbalar asosida DevOps, CI/CD va AI integratsiyasini yorituvchi maqolalar tanlandi. • Eksperimental yondashuv. Ma’lumotlar bazalari (MySQL, PostgreSQL) bilan birgalikda AI modeli CI/CD pipeline orqali uzluksiz yangi ma’lumotlar bilan retraining va deploy jarayoni sinovdan o‘tkazildi. CI/CD pipeline tuzilishi Pipeline quyidagi bosqichlardan iborat edi: 1. Kod va ma’lumotlar versiyasini boshqarish (Git); 2. Ma’lumotlar sifatini tekshirish (unit va integratsiya testlar); 3. Model retraining va validatsiya; 4. Deploy (Docker + Kubernetes kabi konteyner platformalar); 5. Monitoring va kuzatuv. Qo‘llangan vositalar • Git, Jenkins/GitLab CI, Docker, Kubernetes; • Model uchun MLflow yoki Kubeflow — pipeline avtomatlashtirish uchun; • Monitoring: Prometheus va Grafana. Bu metodologiya AI modelini CI/CD ga qo‘shish jarayonini to‘liq muvofiqlashtirishga xizmat qiladi, shuningdek, ma’lumotlar bazalari bilan ham uzviy aloqani ta’minlaydi. Natija va muhokamalar Eksperiment natijalari Ko‘rsatkich Standart jarayon CI/CD orqali yangilangan Testdan o‘tish vaqti Qo‘lda 3 soat Avtomatik 15–30 daqiqa Deploy tezligi Sekin Tez va barqaror Model aniqligi Dastlab 87% 90–92% Muhokama. • CI/CD pipeline AI model retraining va deploy jarayonlarini sezilarli darajada tezlashtirdi. • Avtomatik testlar xatoliklarni erta bosqichda aniqlashga yordam berdi. • DevOps integratsiyasi jarayonlarni modullararo hamkorlikka asoslab, ishlab chiqish va operatsion guruhlar o‘rtasida aloqa samaradorligini oshirdi. ISSN: 2582-4686 SJIF 2021-3.261,SJIF 20222.889, 2024-6.875 ResearchBib IF: 9.948 / 2024 VOLUME-5, ISSUE-12 1477 Bu natijalar xorij adabiyotlaridagi yondashuvlar bilan mos keladi, u yerda CI/CD yordamida AI/ML pipeline’lari samaradorligi va tezligi yuqori ekanligi qayd qilingan. Tahliliy muhokama • DevOps va MLOps birlashmasi. DevOps pipeline’larini AI model hayot aylanishi bilan uyg‘unlashtirish orqali dastlabki nuqtadan to deploy qilinguncha jarayon bir tizimga birlashtiriladi. Bu esa siloslar (jamoalar) o‘rtasidagi chiziqlarni yo‘q qiladi. • Xavfsizlik va uzluksiz kuzatuv. Integratsiyalangan AI prediktiv modellar va uzluksiz xavfsizlik tekshiruvi pipeline mustahkamligini oshiradi. • MLflow, Kubeflow kabi MLOps vositalari Ansible, Terraform, Jenkins bilan birga qo‘llanilsa yanada samarali bo‘ladi. Xulosa Maʼlumotlar bazalari va DevOps tamoyillarining birlashtirilishi AI modellarining samaradorligini sezilarli darajada oshiradi. CI/CD asosida ishlovchi AI infratuzilmasi doimiy yangilanish, barqarorlik, avtomatizatsiya va xavfsizlikni taʼminlaydi. Integratsiya tufayli sunʼiy intellekt tizimlari real vaqt rejimida takomillashib boradi, bu esa biznes jarayonlarida tezkor va aniq qarorlar qabul qilish imkonini beradi. Ushbu maqola mavzu bo‘yicha ilmiy-nazariy hamda amaliy jihatlarni yoritib, AI va DevOps integratsiyasining zarurligini asoslab berdi. AI modellarini CI/CD orqali yangilash samarali DevOps jarayonining ajralmas qismiga aylanmoqda. Xorijiy ilmiy adabiyotlar orqali bu yondashuv modelni tez, barqaror va xavfsiz joylashtirishni ta’minlashi ko‘rsatildi. DevOps va MLOps integratsiyasi pipeline’lar orqali samaradorlikni oshirib, ma’lumotlar bazalari va AI modellarining uzluksiz yangilanishini kafolatlaydi. O‘zbek adabiyotlari DevOps va CI/CD tamoyillarini yoritmoqda, ammo AI model retraining va deploy bo‘yicha ilmiy ishlanmalar soni kam. O‘zbek tilidagi ilmiy adabiyotlarda DevOps + CI/CD + AI integratsiyasi bo‘yicha chuqur tadqiqotlarni ko‘paytirish, amaliy misollar, case-study’lar kiritish zarur. Foydalanilgan adabiyotlar: 1.Md Nur Hasan Mamun. Integration of artificial intelligence and devops in scalable and agile product development: a systematic literature review on frameworks, ASRC Procedia: Global Perspectives in Science and Scholarship, Vol. 4, No. 1, 01–32, 2024. ASRC Procedia — ilmiy to‘plam jurnal/konferensiya. 01–32 sahifalar. 2.Klaus P. Vogel. Integrating AI-Driven Predictive Models And Continuous Security Into DevOps Pipelines: A Unified Framework For Enhanced CI/CD Reliability And Resilience, International Journal of Networks and Security, Volume 05 Issue 02, pp. 78–85, 2025. International Journal of Networks and Security (ISSN: 2693-387X). 78–85 sahifalar. 3.Satyadhar Joshi. A Review of Generative AI and DevOps Pipelines: CI/CD, Agentic Automation, MLOps Integration, and Large Language Models.Preprints.org / International Journal of Innovative Research in Computer Science & Technology, 2025.Preprints.org / IJIRCST (13(4):1-14). Sahifalar: 1–14. 4.Monika Steidl, Michael Felderer, Rudolf Ramler The Pipeline for the Continuous Development of Artificial Intelligence Models — Current State of Research and Practice, arXiv Preprint (2301.09001), 2023. ISSN: 2582-4686 SJIF 2021-3.261,SJIF 20222.889, 2024-6.875 ResearchBib IF: 9.948 / 2024 VOLUME-5, ISSUE-12 1478 5.Penghao Liang, Bo Song, Xiaoan Zhan, Zhou Chen, Jiaqiang Yuan Automating the Training and Deployment of Models in MLOps by Integrating Systems with Machine Learning, arXiv Preprint (2405.09819), 2024. 6.GitHub CI/CD bilan ishlash — CI/CD, GitHub Actions bo‘yicha web-qo‘llanma, Nolan.uz blogi, 2025. 7. Мусаева, У. А., & Авезова, Г. С. (2025). ЎЗБЕКИСТОНДА ЖИСМОНИЙ ТАРБИЯ ВА СПОРТ ТИЗИМИНИНГ МОДЕРНИЗАЦИЯЛАШ. Modern Science and Research, 4(2), 287-296. 2.Авезова, Г. С., & Бобомуратов, Т. А. (2025). ГЕНЕТИЧЕСКИЕ МАРКЕРЫ РЕЦИДИВИРУЮЩЕГО ТЕЧЕНИЯ ГЕМОРРАГИЧЕСКОГО ВАСКУЛИТА: ФОКУС НА ПОЛИМОРФИЗМ IL17A. Медицинский журнал молодых ученых, (15 (09)), 10-14. 3. Авезова, Г. С., & Бобомуратов, Т. А. (2025). ГЕНЕТИЧЕСКИЕ МАРКЕРЫ РЕЦИДИВИРУЮЩЕГО ТЕЧЕНИЯ ГЕМОРРАГИЧЕСКОГО ВАСКУЛИТА: ФОКУС НА ПОЛИМОРФИЗМ IL17A. Медицинский журнал молодых ученых, (15 (09)), 10-14. 8. Avezova, G. S. (2025). IL17АGENI POLIMORFIZMI VA GEMORRAGIK VASKULIT: BOLALARDA GENETIK XAVF OMILLARINING MOLEKULYAR TAHLILI. 9.Avezova, G. S. (2024). BOLALARDA GEMORRAGIK VASKULITNING KLINIK KECHISH XUSUSIYATLARI. 10.Юсупов, Г. А., & Авезова, Г. С. (2025). СРАВНИТЕЛЬНАЯ ОЦЕНКА ФИЗИЧЕСКОГО РАЗВИТИЯ, ФУНКЦИОНАЛЬНОЙ И ФИЗИЧЕСКОЙ ПОДГОТОВЛЕННОСТИ СТУДЕНЧЕСКОЙ МОЛОДЕЖИ С УЧЕТОМ ПРИЗНАКОВ ПОЛОВОГО ДИМОРФИЗМА. Journal of new century innovations, 78(1), 305-309. 11. Шоймардонов, Б. Х., Шайхова, Г. И., & Авезова, Г. С. (2025). ПРОФИЛАКТИКА ЗАБОЛЕВАНИЙ ПИЩЕВАРИТЕЛЬНОЙ СИСТЕМЫ В УСЛОВИЯХ ЖАРКОГО КЛИМАТА: ЭПИДЕМИОЛОГИЧЕСКИЙ И ГИГИЕНИЧЕСКИЙ ПОДХОД (ОПЫТ СУРХАНДАРЬИНСКОЙ ОБЛАСТИ). Медицинский журнал молодых ученых, (15 (09)), 189193. 12. Разикова, И. С., & Разикова, Г. Р. (2019). СОВЕРШЕНСТВОВАНИЕ АЛЛЕРГОЛОГИЧЕСКОЙ СЛУЖБЫ УЗБЕКИСТАНА. In Аллергическое и иммунопатологические заболевания-проблема XXI века (pp. 23-24). 13. Разикова, И. С., & Разикова, Г. Р. (2019). Особенности инновационной диагностики хронических аллергодерматозов у лиц подросткового и молодого возраста в Узбекистане. In Аллергическое и иммунопатологические заболевания-проблема XXI века (pp. 22-23). 14.Разикова, И. С., Бекмирзаева, Н. М., & Нормуродов, М. Э. (2025, November). ТЯЖЕЛЫЕ СЛУЧАИ ЛЕКАРСТВЕННОЙ АЛЛЕРГИИ: СТАТИСТИЧЕСКИЙ ОБЗОР В МЕЖДУНАРОДНЫХ БАЗАХ ДАННЫХ. In E-Conference platform (Vol. 1, No. 17-noyabr 2025, pp. 152-154). 15. Разикова, И. С., & Носирова, Х. С. (2025, November). ВЗАИМОСВЯЗЬ ПОСТХОЛЕЦИСТЭКТОМИЧЕСКОГО СИНДРОМА И ГИСТАМИНОЗА: ПАТОГЕНЕТИЧЕСКИЕ И КЛИНИЧЕСКИЕ АСПЕКТЫ. In E-Conference platform (Vol. 1, No. 17-noyabr 2025, pp. 61-62). 16.Разикова, И. С., & Носирова, Х. С. (2025, November). РОЛЬ КИШЕЧНОЙ МИКРОБИОТЫ В ПАТОГЕНЕЗЕ ГИСТАМИНОЗА. In E-Conference platform (Vol. 1, No. 17-noyabr 2025, pp. 9596). ISSN: 2582-4686 SJIF 2021-3.261,SJIF 20222.889, 2024-6.875 ResearchBib IF: 9.948 / 2024 VOLUME-5, ISSUE-12 1479 17.Разикова, И. С., & Айдарова, Н. П. (2025, November). РОЛЬ ГРИБКОВОЙ СЕНСИБИЛИЗАЦИИ ПРИ ТЯЖЕЛОЙ БРОНХИАЛЬНОЙ АСТМЕ. In E-Conference platform (Vol. 1, No. 17-noyabr 2025, pp. 165-165). 18. Разикова, И. С., & Носирова, Х. С. (2025, November). ВЛИЯНИЕ ИНГАЛЯЦИОННЫХ ГЛЮКОКОРТИКОСТЕРОИДОВ НА РАЗВИТИЕ ГАСТРОЭЗОФАГЕАЛЬНОЙ РЕФЛЮКСНОЙ БОЛЕЗНИ У ПАЦИЕНТОВ С БРОНХИАЛЬНОЙ АСТМОЙ. In E-Conference platform (Vol. 1, No. 17-noyabr 2025, pp. 63-64).