Le cascate di modelli mostrano robustezza e riduzione di 10 volte delle emissioni di CO2 sotto perturbazioni dei dati

Le cascate di previsione, che instradano gli input facili attraverso piccoli modelli di IA e rinviano i casi difficili a modelli più grandi, riducono il consumo energetico mantenendo le prestazioni. Tuttavia, la loro efficacia si basa sul routing basato sulla confidenza, che può essere compromesso da degradazioni degli input come corruzioni statiche e perturbazioni sequenziali. Questo articolo studia tali cascate per la classificazione delle immagini, selezionando un modello al Pareto-ottimo di accuratezza, qualità del routing ed efficienza energetica. Tale cascata raggiunge prestazioni predittive competitive con una riduzione fino a 10 volte delle emissioni di CO2. I risultati evidenziano la sensibilità del rinvio basato sulla confidenza sotto perturbazioni dei dati, informando un'implementazione dell'IA robusta e sostenibile.