Naukowcy z projektu badawczego przeprowadzili systematyczne porównanie czterech technik kompresji modeli dla sieci neuronowych na dziewięciu różnych platformach sprzętowych, symulując rzeczywiste warunki przemysłowe Industry 5.0. Focus zapoczytkowany na diagnostyce predykcyjnej maszyn obracających się - kluczowego zagadnienia dla utrzymania ruchu produkcji i zmniejszenia przestojów.
Głównym wyzwaniem było to, że rzeczywiste środowiska przemysłowe używają bardzo różnorodnego sprzętu - od oszczędnych urządzeń brzegowych (edge devices) po zaawansowane procesory. Przesyłanie danych do chmury dla analizy jest niepraktyczne ze względów na latencję i bezpieczeństwo, więc modele muszą działać lokalnie. Zastosowanie pełnowartościowych modeli głębokich na takim sprzęcie tradycyjnie oznacza znaczną utratę wydajności.
Badanie wykazało, że knowledge distillation - technika polegająca na przeniesieniu wiedzy z dużego modelu do mniejszego - była najbardziej efektywna. Przetestowane modele uzyskały ponad 90% przyspieszenie na wszystkich dziewięciu platformach jednocześnie utrzymując wysoką dokładność klasyfikacji. To oznacza praktyczną drogę do wdrażania zaawansowanej diagnostyki w rzeczywistych fabrykach bez czekania na przepompowywanie danych do chmury i z tolerancyjną wydajnością.