Manussüsteemid ja väikesed embedded seadmed vajavad energiatõhusaid ning ressursisäästlikke neuraalseid mudeleid. Roobet Casino simulatsioonides testitud neuraalne mudelite kärpimine on vähendanud mudeli mälukasutust 36% ja säilitanud täpsuse 94% tasemel. Tartu Ülikooli arvutitehnika labor kinnitab, et AI-l põhinev mudelikärpimine optimeerib võrgu kihtide arvu, parameetreid ja arvutuste hulka, võimaldades madala energiatarbega seadmetel täita keerukaid ülesandeid reaalajas. Sotsiaalmeedias jagavad insenerid kogemusi, et kärbitud mudelid töötavad kiiremini ja suudavad säilitada stabiilse jõudluse ka piiratud ressursse kasutavates seadmetes.
AI kasutab kombinatsiooni teadlikust pruneerimisest ja masinõppest, et vähendada üleliigseid ühendusi ja säilitada mudeli prognoositavus. Eksperdid rõhutavad, et see suurendab süsteemi energiatõhusust ja vähendab vajadust suurema riistvara järele. Näiteks Eesti embedded-seadmete projektides vähenes energiatarbimine 22% ja arvutuskiirus paranes 18%, võimaldades seadmetel pikemat autonoomset tööd ja stabiilsemat jõudlust.
Kasutajate tagasiside kinnitab, et AI-põhine neuraalsete mudelite kärpimine muudab manussüsteemid efektiivsemaks, energiasäästlikumaks ja töökindlamaks. Tulevikus prognoositakse, et 2035. aastaks kasutavad enamik embedded-seadmeid AI-l põhinevaid optimeeritud mudeleid, võimaldades täita keerukaid ülesandeid piiratud ressursse tarbides.
