البحث و الابتكار

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.

تُثبت النماذج القائمة على آلية الانتباه فاعليتها الكبيرة في تحديد المتغيّرات المتأخّرة ذات التأثير الأهم في توقع السلاسل الزمنية متعددة المتغيرات. غير أنّ النماذج الحالية توظّف أوزاناً ثابتة ولا تأخذ في الحسبان الطبيعة الديناميكية للتنبؤات عند التوقع لعدّة خطوات مستقبليّة في سلاسل زمنية غير متجانسة. لمعالجة هذا القصور، تقترح هذه الورقة نموذج الانتباه الديناميكي متعدّد الأبعاد (MDA) الذي يحسب أهمية المتغيّرات المتأخّرة بصورة متكيّفة. يدمج النموذج: -وحدة تعلّم تمثيل ديناميكي Dynamic Representation Learner -حسابات انتباه متعددة تراعي ديناميكيات التنبؤ، والمعلومات الزمنية، وعلاقات الاعتماد بين المتغيرات. أُجريت تجارب موسَّعة على بيانات تركيبية وبيانات حقيقية، فأظهرت أنّ MDA يتفوّق على الأساليب الحديثة في توقع السلاسل الزمنية غير المتجانسة بنمط تسلسل-إلى-تسلسل (seq-to-seq) في معظم الحالات، مع تحسينات تصل إلى 33 ٪ في بعض مجموعات البيانات الواقعية. كذلك يحدّد النموذج الميزات الرئيسة بدقّة، ما يبرز جدواه ليس للتنبؤ فقط، بل أيضاً لمهام تحليل سلاسل زمنية أخرى تتطلب تفسيراً أفضل للأهمية المتغيرة-زمنياً. تؤكّد النتائج أنّ آلية الانتباه المقترحة تُعدّ نهجاً واعداً لتعزيز الدقة وقابلية التفسير في تطبيقات السلاسل الزمنية متعددة المتغيرات، ويمكن توسيعها لتدعم مهاماً تحليلية إضافية تتجاوز التنبؤ.

تتسبب أخطاء القطاعات الكامنة (LSEs) في محركات الأقراص الصلبة في حدوث انقطاعاتٍ كبيرةٍ، وفقدان للبيانات، وانخفاض في موثوقية أنظمة التخزين السحابي واسعة النطاق، مما يُشكِّل تحدياتٍ تقنيةً ويثير مخاوف بيئيةً في سياق إعادة تدوير الكربون. يساعد التنبؤ بـ LSEs على تجنُّب هذه المشكلات والارتقاء بموثوقية السحابة، مع الإسهام في بُنية تحتية سحابية أكثر استدامة. تتفوق المُصنِّفات التجميعية عادةً على المُصنِّفات الفردية في التنبؤ بـ LSE، لكنها قد تؤدي إلى نقص التعميم (underfitting) وترفع من تكلفة الحوسبة واستهلاك الوقت والذاكرة. تعالج هذه الدراسة هذا التحدي من خلال حلٍّ ثنائي المسار: أولًا، تحسين تنوع التجميع (ensemble) في مُصنِّف الغابة العشوائية (RF) الناتج من خلال طريقة تقليم التجميع المعتمدة على نافذة انزلاق الدقة (SWEP-RF)، وثانيًا، استخدام هذا التجميع المُقلَّم للتنبؤ بـ LSEs في التخزين السحابي. ومن خلال التنبؤ الفعّال والحدّ من LSEs، يُقلِّل هذا النهج استهلاك الطاقة غير الضروري وانبعاثات الكربون المُرتبطة باستعادة البيانات وإعادة معالجتها، متوافقًا مع أهداف إعادة تدوير الكربون. يُعظِّم SWEP-RF توزيع الهوامش الدنيا لضبط أداء تنبؤ RF وإنتاج تجميعٍ فرعيٍّ قويٍّ وعالي الكفاءة، مما يعزِّز كفاءة الطاقة العامة للنظم السحابية. كما يُقلِّل نهجُنا حجمَ التجميع مع الحفاظ على دقة التنبؤ العالية، مما يؤدي إلى استخدامٍ أكثر استدامةً للموارد. قمنا بتقييم خوارزميتنا باستخدام مجموعات بياناتٍ من مراكز بيانات Baidu Inc و Backblaze. وأظهرت النتائج التجريبية أنَّ نهجنا يُحقق دقة تنبؤ تتجاوز 98.6%، ومعدل إنذار كاذب (FAR) منخفض يبلغ 0.003%، ومتوسط زمنٍ أطول حتى فقدان البيانات (MTTDL) مع زمن إنذار مسبق (LTA) يصل إلى 383.4 ساعة و 474.3 ساعة على التوالي. يتفوق SWEP-RF على النماذج الكلاسيكية وأحدث التقنيات في دقة التنبؤ و FAR و MTTDL وزمن المعالجة واستهلاك الذاكرة وتوافرية السحابة، مما يبرز أهميته في تعزيز موثوقية التخزين السحابي وتقليل البصمة الكربونية لخدمات السحابة. يُعَدُّ أسلوبُنا حلًا واعدًا لتحسين موثوقية التخزين السحابي من خلال التنبؤ الاستباقي بـ LSE، مع معالجة الحاجة الملحّة إلى ممارساتٍ مستدامةٍ وإعادة تدوير الكربون في الحوسبة السحابية.

تشمل لوجستيات موانئ النفط جهاتٍ عدة، مثل مالكي ناقلات النفط، وسلطات الموانئ، والجمارك، ومورِّدي النفط، وشركات الشحن. ويتعيَّن على هذه الأطراف تبادلُ كميّاتٍ كبيرةٍ من البيانات والوثائق المتعلِّقة بالشحنات—كأوامر الشحن، والتصاريح الجمركية، وكشوف الحمولات—وهو ما يفتح الباب واسِعًا أمام التلاعب والفساد، في حين تُعدّ المستندات الورقية بطيئةً وعُرضةً للأخطاء والتزييف. ويمكن تخزين هذه البيانات ومشاركتها بصورةٍ آمنة وغير قابلة للعبث وبشفافية عالية عبر تقنية سلسلة الكتل (البلوك تشين)، وهي تقنيةٌ لا مركزيّة تعتمد على التجزئة الآمنة وخوارزميّات الإجماع القادرة على اكتشاف أي تعديلٍ في البيانات. لذلك، تقترح هذه الدراسة إطارَ عملٍ قائمًا على البلوك تشين يتميّز بالثبات والكفاءة لإدارة وثائق التجارة في لوجستيات موانئ النفط. ويُوفّر الإطار المقترَح معالجةً فوريةً لوثائق تجارة النفط ويضمن عدم قابليتها للتلاعب، مما يُعزّز الثقة بين الكيانات التجارية. علاوةً على ذلك، يُنفَّذ في هذا العمل بلوك تشين خاص لتنفيذ العقود الذكية، بما يضمن امتثال جميع الأطراف المشاركة للقواعد واللوائح المتَّفق عليها مسبقًا. وتؤكِّد نتائج المحاكاة فاعلية الإطار المقترح من حيث الشفافية، وعدم القابلية للتغيير، وزمن استجابة الشبكة، ومعدل نقل البيانات، وكفاءة استخدام الموارد.