في عصر الذكاء الاصطناعي (Artificial Intelligence)، تلعب محركات Datalog دورًا متزايد الأهمية في تمثيل المعرفة واستنتاجها. تعتمد كفاءتها بشكل كبير على ما يُعرف بالتجسيد (materialization)، وهو عملية تقييم برنامج Datalog وإدماجه في قاعدة البيانات. ولكن، ماذا يحدث عندما تكون البيانات ديناميكية للغاية، كما هو الحال في البيئات الموزعة؟ هنا تصبح الأمور أكثر تعقيدًا واحتياجًا للموارد.

عادةً، يتم استخدام التجسيد التبادلي (incremental materialization)، حيث يتم تعديل الحسابات استناداً إلى البيانات الجديدة بدلاً من إعادة البداية. ومع ذلك، فإن التعامل مع حذف البيانات يظل أكثر تعقيدًا من الإضافة بسبب التأثيرات المتسلسلة.

تقدم الدراسة منتج Differential Dataflow كنموذج حسابي فعال يعالج هذه القضايا، مما يضمن أداءً متسقًا أثناء إضافة أو حذف البيانات. من خلال فحص ثلاثة تطبيقات Datalog مختلفة، يوفر الباحثون خريطة طريق لتعزيز حسابات Datalog، خاصة في البيئات الديناميكية مثل السحابة (cloud). يفتح هذا البحث آفاق جديدة لتحسين إدارة البيانات في مشاريع الذكاء الاصطناعي.