تتزايد أهمية البيانات المستندة إلى السينسورات (Sensors) في مجالات متنوعة مثل مراقبة جودة الهواء، والكشف عن الزلازل، ورصد رطوبة التربة. ومع ذلك، فإن تحويل مجاري البيانات الخام إلى رؤى قابلة للاستخدام عبر نطاق السحابة والحافة لا يزال يمثل تحديًا كبيرًا بسبب الحاجة إلى تنسيق واسع للخبرات المطلوبة.

في هذا السياق، يُقدم الباحثون منهجية قائمة على الأنماط (Pattern-Based) ومدعومة بالذكاء الاصطناعي (AI) لتسريع تطوير التطبيقات المدفوعة بالسينسورات. من خلال الاستفادة من سير العمل (Workflows) على منصة FABRIC، يشرحون حلقة تطوير تتكون من خمس خطوات، تساهم في نقل عملية بناء ونشر سير العمل من التصميم القائم على الكود إلى التصميم القائم على النية.

انطلاقًا من نموذج سير العمل الخاص بالهيدروفون Orcasound، يتم توليد وتعديل سير العمل لتطبيقات مراقبة جودة الهواء، والكشف عن الزلازل، ورصد رطوبة التربة. يتم توسيع نطاق هذه السير إلى موارد الحافة، بما في ذلك BlueField-3 DPUs و Raspberry Pis، من خلال التكوين والتوزيع بدلاً من إعادة تصميم سير العمل.

تشير التقييمات التي أجراها المستخدمون المبتدئون في Pegasus إلى أن إعادة استخدام الأنماط المدعومة بالذكاء الاصطناعي يضغط تطوير سير العمل المتعدد المراحل ليصبح في حدود يوم إلى يوم ونصف لكل سير عمل، مع المحافظة على صرامة وقابلية تنقل التنفيذ القائم على سير العمل.

هذه المنهجية تعكس كيف يمكن للذكاء الاصطناعي أن يحدث ثورة في تطوير تطبيقات تعتمد على البيانات، مما يمكّن الشركات والعلماء من توليد رؤى قيمة بشكل أسرع وأكثر كفاءة.