تتكوَّن شبكات المستشعرات اللاسلكية (WSNs) من مجموعةٍ من المستشعرات الذكية محدودة الذاكرة وقدرات الاتصال اللاسلكي. تجمع هذه المستشعرات البيانات من البيئة المحيطة وترسلها إلى مركز تطبيقاتٍ مركزي، لكن فقدان البيانات يحدث بسبب خصائص العتاد، ما يؤثر سلبًا في دقة التطبيقات. لمعالجة هذه المشكلة، لابد من تقدير البيانات المفقودة في التطبيقات التي تعتمد على جمع بياناتٍ دقيقة. في هذه الدراسة، نعرض خوارزميةً تستفيد من أكثر البيانات التاريخية أهمية لتقدير القيم المفقودة بالاعتماد على الترابطين المكاني والزماني. تدمج الخوارزمية المقترحة الترابط المكاني باستعمال بيانات أقرب مستشعر وفقًا لنمط الفقد، والترابط الزماني بالرجوع إلى أقرب البيانات السابقة للحظة الفقد. تُبيّن النتائج التجريبية أن الخوارزمية المقترحة تقلِّل أخطاء التقدير مقارنةً بالخوارزميات الحالية لمجموعةٍ متنوعةٍ من أنماط فقد البيانات.

تتطلّب الأساليب الزراعية المثلى مراقبة دقيقة لصحّة المحاصيل والتعرّض للضغوط البيئية. تقترح هذه الدراسة إستراتيجيةً مبتكرةً في علم البيانات لتحسين التنبؤ بصحّة المحصول وتقييم الإجهاد. يُعدُّ ResXceNet-HBA نموذجَ تصنيفٍ متقدّمًا يجمع بين كُتَل ResNet ووحدات Xception المزودة بعمليات التفاف عمودية قابلـة للتكيّف (Adaptive Depthwise Separable Convolutions) ومعايير محسَّنة بخوارزمية HBA. يعتمد النموذج على موازنة ديناميكية متوازنة بين الاستكشاف والاستغلال لضبط إعادة معايرة السمات ديناميكيًا، إلى جانب عمليات التفافٍ تكيّفية. لمعالجة مشكلات البيانات، يستخدم النظام أوزان تعويض تصنيفات المحاصيل (WICL) لملء القيم المفقودة بدقة، وقياس السمات محليًا (LFS) وتقطيع السمات تكيّفيًا (AFD) لتوحيدها وتصنيفها، إضافةً إلى عامل الإجهاد البيئي (ESF) لتقييم إجهاد المحاصيل. كما تُحسِّن آلية الترجيح حسب تأثير المحصول على البيئة (ASRFS) والترجيح البيئي النوعي (Crop-Specific Environmental Impact Weighting) من أداء النموذج. ويستعين النظام أيضًا بإعادة العيّنة الاصطناعية التكيّفية المربوطة بالسياق البيئي. باستخدام مقاييس مبتكرة مثل درجة التعميم حسب نوع المحصول (CTGS) ومؤشر الحساسية البيئية (ESI)، حقَّق نموذج ResXceNet-HBA دقّةً قدرها 98.5%، ودقّة إيجابية (Precision) 98.2%، واستدعاء (Recall) 98.7%، ومتوسّط توازُن (F1-Score) 98.4%. وتفوَّق بذلك على نماذج ResNet و CNN و Inception V2، كما نفَّذ التنبؤ في 50.9 ثانية، وهي فترة أسرع من البدائل المنافسة. تُظهر مصفوفة الالتباس عددًا ضئيلًا من الإيجابيات الكاذبة والسلبيات الكاذبة، ما يؤكد دقّة التنبؤ العالية. وعبر هذه الإحصاءات وتحسين استهلاك الموارد، يبرز نموذج ResXceNet-HBA كحلٍّ ذي قيمةٍ في الزراعة الدقيقة والزراعة المستدامة، بفضل تقييمه الفعّال للإجهاد البيئي وصحّة المحاصيل.

شهد البحثُ والسوقُ في مجال الذكاء الاصطناعي نموّاً سريعاً في السنوات الأخيرة، ومن المتوقَّع أن يستمر هذا المنحى مع ما يحمله من ابتكارات وتقدُّم تقني. ومن الاتجاهات البحثية الصاعدة الذكاء الاصطناعي المُوزَّع (DAI)، الذي تدعمه تطوُّرات الاتصالات والشبكات والعتاد، فضلاً عن الطبيعة الموزَّعة والمتنوِّعة للبيانات المتولِّدة من كائنات متصلة. يُرتقب أن يهيِّئ DAI بيئةً خصبة لأساليب ذكية مبتكِرة وقابلة للتوسّع تُسهم في تحقيق رؤى المجتمعات الذكية. تستعرض هذه الورقة أحدث ما نُشر في مجال DAI، وتحدِّد الفرص والتحديات المتعلقة بتقديم الذكاء الاصطناعي الموزَّع كخدمة (DAI-as-a-Service, DAIaaS). وقد أُنجِز تصنيفٌ شاملٌ ومراجعةٌ للأدبيات من 2016 إلى 2022 تغطي سير عمل AI، وأنماط التوزيع، والبنية التحتية الداعمة، وأساليب الإدارة، والتطبيقات. استناداً إلى هذه الرؤى، يقترح المؤلفون إطار (Imtidad) لتوفير DAIaaS عبر طبقات السحابة والضباب والحافة، ثم يُصقَل هذا الإطار ليُقدَّم معمار مرجعي برمجي (Reference Architecture, RA) لتصميم خدمات DAI ونشرها. كذلك جرى توسيع الإطار بإطار تحوُّل للبنية التحتية الشبكية المستقبلية بوصفها أحد الممكنات الرئيسة لـ DAI. يمكن للإطار والمعمارية المرجعية مساعدة الجهات المعنية على الانتقال إلى مستقبل تُفصل فيه خدمة DAI عن تصميم وتطوير التطبيقات الذكية، مما يُتوقَّع أن يُسَرِّع الابتكار في هذا المجال.