في ظل التقدم التكنولوجي المستمر، يظل تطوير خوارزميات تعلم الآلة (Machine Learning) المثلى لأجهزة الحافة منخفضة الموارد تحدياً كبيراً. ولقد تمكن باحثون من تسريع سير عمل تعلم الآلة لتسهيل عملية تطوير، تحسين، ونشر نماذج تعلم الآلة مباشرةً على جهاز WeBe Band. هذا الجهاز القابل للارتداء مصمم لمراقبة البيانات الفسيولوجية المتعددة الأوجه.

النظام المقترح يتضمن توليد نماذج تعلم الآلة بكفاءة عالية مما يسهل دمجها في البرنامج الثابت لجهاز WeBe، ويعتمد على تقنيات مثل AutoML والتكميم المستند إلى العتاد التي تضمن أداءً يفي بمتطلبات زمن الاستجابة مع التوافق مع قيود الذاكرة والطاقة.

كما يتضمن الإطار المعتمد تكنولوجيا Piccolo AI مفتوحة المصدر، وتم تصميمه ليكون أسهل في الاستخدام. هذا النظام يدعم نشر الملفات القابلة للتشغيل ويقوم بإجراء تجميع نماذج مع مراعاة العتاد، مما يسهل نشر التحديثات عبر الهواء (OTA).

يُظهر النظام قوة التعامل مع نماذج خفيفة الوزن، بما في ذلك الخوارزميات الكلاسيكية والشبكات العصبية. وتوجد أدوات تقييم مدمجة على الجهاز لتقييم زمن الاستنتاج ووزن الذاكرة في ظروف التشغيل الواقعية.

النتائج التجريبية تُظهر وجود علاقة واضحة بين تعقيد النموذج وقابلية نشره على وحدات التحكم الدقيقة. حيث تُظهر النماذج الكلاسيكية أداءً قوياً في الزمن الحقيقي، بينما تتطلب الشبكات العصبية الخفيفة إدارة دقيقة للموارد.

بدلاً من اقتراح هياكل تعلم جديدة، تركز هذه الدراسة بشكل أساسي على الأتمتة على مستوى النظام وقابلية النشر، مما يمكّن الباحثين والمطورين من تعديل النماذج بسرعة وتقييمها مباشرةً على الأجهزة المستهدفة. ورغم أن المشروع تم إثباته على منصة WeBe Band، إلّا أن سير العمل مصمم ليكون قابلاً للتوسيع على أجهزة الحافة الأخرى المدعومة بتعلم الآلة.