🤖 machine learning

What changes after deployment? A survey on On-device Learning in TinyML

यह शोध पत्र TinyML के लिए ऑन-डिवाइस लर्निंग (ODL) पर लगभग 70 कार्यों का सर्वेक्षण करता है, जो वितरण परिवर्तन व्यवस्थाओं (distribution change regimes) के आधार पर उन्हें वर्गीकृत करता है ताकि यह विश्लेषण किया जा सके कि विभिन्न परिवर्तन प्रकार लागू परिदृश्यों, हार्डवेयर विकल्पों और समाधान संरचनाओं को कैसे प्रभावित करते हैं, साथ ही पद्धतिगत बेंचमार्क और वास्तविक दुनिया की तैनाती के बीच निरंतर अंतराल को भी उजागर करता है।

मूल लेखक: Massimo Pavan, Luca Pezzarossa, Fabrizio Pittorino, Manuel Roveri, Xenofon Fafoutis

प्रकाशित 2026-06-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Massimo Pavan, Luca Pezzarossa, Fabrizio Pittorino, Manuel Roveri, Xenofon Fafoutis

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास एक छोटा, सुपर-स्मार्ट रोबोट सहायक है जो एक छोटे से उपकरण के अंदर रहता है, जैसे कि एक स्मार्टवॉच या कोई फैक्ट्री सेंसर। इस रोबोट को चीजों को पहचानने के लिए (जैसे आपकी आवाज़, एक विशिष्ट ध्वनि, या किसी प्रकार की गति) एक बड़े, शानदार स्कूल (एक शक्तिशाली कंप्यूटर) में प्रशिक्षित किया गया है। एक बार प्रशिक्षण पूरा हो जाने के बाद, रोबोट को उसके नए घर (छोटे उपकरण) में भेजा जाता है ताकि वह अपना काम कर सके।

समस्या: "नया मोहल्ला" का झटका
यह पेपर तर्क देता है कि इस सेटअप में एक बड़ी समस्या है। जिस स्कूल में रोबोट ने सीखा था, वह एकदम सही और साफ-सुथरा था। लेकिन असली दुनिया अव्यवस्थित है। परिवेश बदल जाता है। शायद बैकग्राउंड का शोर बढ़ जाए, आपकी आवाज़ थकावट के कारण अलग सुनाई दे, या कोई मशीन एक नए तरीके से कंपन करने लगे।

पुराने दिनों में, रोबोट वही करता रहता था जो उसे सिखाया गया था, भले ही वह गलत हो। यह उस छात्र की तरह है जिसने परीक्षा के लिए उत्तर कुंजी (answer key) रट ली थी, लेकिन जब शिक्षक थोड़ा अलग सवाल पूछता है, तो वह भ्रमित हो जाता है। पेपर इसे "डिस्ट्रीब्यूशन चेंज" (distribution change) कहता है। मूल रूप से, तैनाती के बाद रोबोट जो डेटा देखता है, वह उस डेटा से अलग होता है जो उसने स्कूल में देखा था।

समाधान: रोबोट काम करते-करते सीखता है
इसे ठीक करने के लिए, लेखकों ने लगभग 70 अलग-अलग परियोजनाओं का सर्वेक्षण किया जहाँ इन छोटे रोबोटों को काम करते समय सीखने (learn while they work) के लिए प्रशिक्षित किया जाता है। इसे "ऑन-डिवाइस लर्निंग" (On-Device Learning) कहा जाता है। स्थिर रहने के बजाय, रोबोट अपने नए मोहल्ले के अनुसार वास्तविक समय (real-time) में खुद को ढाल लेता है।

हालाँकि, पेपर बताता है कि सभी "नए मोहल्ले" एक जैसे नहीं होते। वे परिवर्तनों को तीन अलग-अलग परिदृश्यों में वर्गीकृत करते हैं, जैसे कि चलने के तीन अलग-अलग अनुभव:

"एक बार का स्थानांतरण" (Single-Change Regime):
कल्पना कीजिए कि आप एक नए घर में जाते हैं, और फर्नीचर को अलग तरह से व्यवस्थित किया गया है, लेकिन फिर वह हमेशा के लिए वैसा ही रहता है। रोबोट को बस इस नए लेआउट को एक बार, जल्दी से सीखना होता है, और फिर उसका काम खत्म हो जाता है। उसे हमेशा के लिए सीखने की आवश्यकता नहीं है।

उदाहरण: एक स्मार्ट स्पीकर को आपकी विशिष्ट आवाज़ या आपके द्वारा कहे गए एक नए कीवर्ड को पहचानना सिखाना।

"लगातार मौसम का बदलाव" (Concept Drift Regime):
कल्पना कीजिए कि आप एक कार चला रहे हैं जहाँ सड़क की स्थितियाँ हर कुछ मिनटों में बदलती हैं—बारिश, फिर धूप, फिर कोहरा, फिर बर्फ। रोबोट को लगातार अपनी ड्राइविंग शैली को समायोजित करना होगा, पुराने नियमों को भूलना होगा (जैसे "सूखी सड़कों पर तेज़ चलाएं") और तुरंत नए नियमों को सीखना होगा। यह अनुकूलन का एक कभी न खत्म होने वाला चक्र है।

उदाहरण: फैक्ट्री में लगा एक प्रेशर सेंसर जो गर्मी या उम्र के कारण धीरे-धीरे बदलता रहता है और जिसे निरंतर पुन: अंशांकन (recalibration) की आवश्यकता होती है।

"बढ़ता हुआ पुस्तकालय" (Continual Learning Regime):
कल्पना कीजिए कि आप एक लाइब्रेरियन हैं जिन्हें हर सप्ताह नई किताबें मिलती हैं, लेकिन आपके पास एक बहुत छोटी शेल्फ है। आपको नई किताबों के बारे में सीखना है बिना उन पुरानी किताबों को फेंके जिन्हें आप पहले से जानते हैं। यदि आप नई जगह बनाने के लिए पुरानी किताबों को भूल जाते हैं, तो इसे "कैटस्ट्रोफिक फॉरगेटिंग" (catastrophic forgetting) कहा जाता है। रोबोट को पुरानी जानकारी खोए बिना नया ज्ञान जोड़ना जारी रखना चाहिए।

उदाहरण: एक ब्रेन-कंप्यूटर इंटरफेस जो उपयोगकर्ता के नए कमांड को पुराने कमांडों को याद रखते हुए समय के साथ सीखता है।

हार्डवेयर की वास्तविकता
पेपर उन "मस्तिष्क" (हार्डवेयर) को भी देखता है जिनमें ये रोबोट रहते हैं। ये शक्तिशाली लैपटॉप नहीं हैं; ये बहुत कम मेमोरी और बैटरी वाले छोटे माइक्रोचिप्स हैं।

नन्हे चिप्स (Ultra-Constrained): ये पॉकेट कैलकुलेटर की तरह हैं। ये केवल "एक बार के स्थानांतरण" वाले परिदृश्य को संभाल सकते हैं। ये लगातार सीखने के लिए बहुत कमजोर हैं।
मानक चिप्स (Standard MCUs): ये बेसिक स्मार्टफोन की तरह हैं। ये तीनों परिदृश्यों को संभाल सकते हैं, लेकिन वे "बढ़ते हुए पुस्तकालय" के साथ संघर्ष करते हैं क्योंकि सब कुछ याद रखने की कोशिश में उनकी मेमोरी खत्म हो जाती है।
सुपर चिप्स (PULP Platforms): ये मिनी-सुपरकंप्यूटर की तरह हैं। ये एकमात्र ऐसे चिप हैं जो "बढ़ते हुए पुस्तकालय" के परिदृश्य को प्रभावी ढंग से संभालने के लिए पर्याप्त शक्तिशाली हैं, लेकिन ये महंगे और प्रोग्राम करने में कठिन होते हैं।

बड़ा अंतर (The Big Disconnect)
लेखकों ने शोध की दुनिया में एक अजीब अंतर पाया है:

"लैब वैज्ञानिक" (The Lab Scientists): वे मुख्य रूप से अपने रोबोटों का परीक्षण छवियों के परफेक्ट, अव्यवस्थित डेटासेट (जैसे बिल्ली और कुत्ते की तस्वीरें) पर करते हैं जो वास्तविक छोटे उपकरणों के लिए बहुत भारी होते हैं। वे एक शून्य में अपने सीखने के एल्गोरिदम को परफेक्ट बनाने पर ध्यान केंद्रित करते हैं।
"वास्तविक दुनिया के निर्माता" (The Real-World Builders): वे सेंसर को ठीक करने या जेस्चर (gestures) को पहचानने जैसी वास्तविक समस्याओं पर काम कर रहे हैं, लेकिन अक्सर उनके पास अपने काम की तुलना करने के लिए मानक परीक्षण नहीं होते हैं।

इस कारण से, "लैब वैज्ञानिक" ऐसे फैंसी इंजन बना रहे हैं जो "वास्तविक दुनिया के निर्माताओं" की कारों में फिट नहीं बैठते। पेपर सुझाव देता है कि हमें इन रोबोटों को एक साथ टेस्ट करने के बेहतर तरीके चाहिए, जिसमें पूरे सिस्टम (मस्तिष्क, मेमोरी और लर्निंग मेथड) को ध्यान में रखा जाए, न कि केवल एक हिस्से को।

सारांश
यह पेपर "लर्निंग रोबोट्स" के वर्तमान परिदृश्य का एक मानचित्र है। यह हमें बताता है कि इन रोबोटों को वास्तविक दुनिया में उपयोगी बनाने के लिए, हमें उन्हें स्थिर मशीन के रूप में मानना बंद करना होगा। हमें उन्हें तीन विशिष्ट प्रकार के बदलावों (एक बार का, निरंतर, या बढ़ता हुआ) को संभालने के लिए डिज़ाइन करना होगा, उन्हें सही आकार के "मस्तिष्क" (हार्डवेयर) के साथ मिलाना होगा, और उन्हें अलग-थलग टेस्ट करना बंद करना होगा। हमें इंजीनियरों को पूरे रोब "एक साथ" डिजाइन करने में मदद करने के लिए बेहतर उपकरण बनाने की आवश्यकता है, न कि एक-एक करके।

तकनीकी सारांश: परिनियोजन (Deployment) के बाद क्या बदलता है? ऑन-डिवाइस लर्निंग इन टाइनीएमएल (TinyML) पर एक सर्वेक्षण

1. समस्या विवरण

माइक्रोकंट्रोलर-श्रेणी के उपकरणों (TinyML) पर तैनात मशीन लर्निंग मॉडल एक मौलिक चुनौती का सामना करते हैं: परिनियोजन के बाद वितरण परिवर्तन (post-deployment distribution change)। क्यूरेटेड डेटासेट पर ऑफलाइन प्रशिक्षित मॉडल अक्सर वास्तविक दुनिया की स्थितियों में खराब प्रदर्शन करते हैं जहाँ परिनियोजन के बाद डेटा वितरण बदल जाता है। जबकि ऑन-डिवाइस लर्निंग (ODL) इसे सीधे डिवाइस पर सीखने की प्रक्रिया को निष्पादित करके संबोधित करता है, मौजूदा साहित्य इस बात का एक एकीकृत लक्षण वर्णन करने में विफल रहा है कि वितरण परिवर्तन कैसे होते हैं। पूर्ववर्ती सर्वेक्षणों ने वितरण परिवर्तन के विभिन्न प्रकार के शासन (regimes) के बीच स्पष्ट अंतर नहीं किया है, जिससे उन समाधानों का मिश्रण हो गया है जो मौलिक रूप से भिन्न बाधाओं और धारणाओं के तहत कार्य करते हैं। इसके अलावा, पद्धतिगत बेंचमार्क (जो अक्सर इमेज-केंद्रित होते हैं) और वास्तविक दुनिया के परिनियोजन परिदृश्यों (जो अक्सर सेंसर-केंद्रित होते हैं) के बीच एक निरंतर अंतराल मौजूद है, जो व्यावहारिक अनुप्रयोगों में एल्गोरिदम की प्रगति के हस्तांतरण में बाधा डालता है।

2. कार्यप्रणाली (Methodology)

यह शोध पत्र टाइनीएमएल डोमेन में लगभग 70 ODL कार्यों का एक व्यापक सर्वेक्षण प्रस्तुत करता है। यह सर्वेक्षण एक प्राथमिक संगठनात्मक सिद्धांत के इर्द-गिर्द संरचित है: वितरण परिवर्तन शासन (distribution change regime)। लेखक साहित्य को परिनियोजन समय $T$ के बाद डेटा-जनरेटिंग प्रक्रिया ( $P$ ) की प्रकृति के आधार पर तीन अलग-अलग शासनों में वर्गीकृत करते हैं:

सिंगल-चेंज शासन (Single-Change Regime): वितरण परिनियोजन के समय ठीक एक बार बदलता है ( $p_{T-1} \neq p_T$ ) और उसके बाद स्थिर रहता है। चुनौती डिवाइस के शेष जीवन के लिए नई स्थितियों के प्रति तीव्र, कुशल अनुकूलन है।
कॉन्सेप्ट ड्रिफ्ट शासन (Concept Drift Regime): वितरण कई बार निरंतर और अप्रत्याशित रूप से बदलता है ( $p_{t-1} \neq p_t$ )। ध्यान नई स्थितियों के प्रति तेजी से अनुकूल होने और अप्रासंगिक पिछले ज्ञान को त्यागने या कम महत्व देने पर है।
कंटीन्यूअल लर्निंग शासन (Continual Learning Regime): नए कॉन्सेप्ट्स समय के साथ क्रमिक रूप से पेश किए जाते हैं। समाधान को पहले से सीखे गए सूचना को भूले बिना (कैटास्ट्रोफिक फॉरगेटिंग को संबोधित करते हुए) नए ज्ञान को संचित करना चाहिए। हालांकि यह वितरण परिवर्तन के मामले में कॉन्सेप्ट ड्रिफ्ट के समान है, लेकिन पिछले ज्ञान की प्रासंगिकता और मूल्यांकन मानदंडों के संबंध में धारणा काफी भिन्न है।

प्रत्येक शासन के लिए, सर्वेक्षण तीन पूरक दृष्टिकोणों के माध्यम से साहित्य का विश्लेषण करता है:

एप्लीकेशन लेंस (Application Lens): वास्तविक दुनिया के संदर्भ और कार्य (जैसे, कीवर्ड स्पॉटिंग, सेंसर कैलिब्रेशन, ब्रेन-मशीन इंटरफेस)।
हार्डवेयर लेंस (Hardware Lens): लक्षित उपकरण, जो अत्यंत सीमित प्रोसेसर (जैसे, Cortex-M0, ISPU) से लेकर मानक MCUs (Cortex-M4/M7) और समानांतर अल्ट्रा-लो-पावर (PULP) प्लेटफॉर्म तक विस्तृत हैं।
सॉल्यूशन लेंस (Solution Lens): ODL समाधानों की तकनीकी संरचना, जिसे चार घटकों में विभाजित किया गया है:
- $R(\cdot)$ : आयामी कमी (Dimensionality reduction) (जैसे, फ्रोजन CNNs, सांख्यिकीय फीचर एक्सट्रैक्टर्स)।
- $B$ : डेटा प्रबंधन (बफरिंग रणनीतियाँ, प्रवेश/ट्रिगर स्थितियाँ)।
- $f_t(\cdot)$ : ML एल्गोरिदम (जैसे, DNNs, SVMs, KNN)।
- $L$ : लर्निंग मैकेनिज्म (जैसे, बैकप्रोपैगेशन, फॉरवर्ड-ओनली अपडेट्स, प्रोटोटाइप जनरेशन)।

सर्वेक्षण ODL समस्या को औपचारिक रूप रूप देता है, मेमोरी ( $M_D$ ), क्लॉक फ्रीक्वेंसी ( $F_D$ ), पावर, और निष्पादन समय ( $E$ ) पर बाधाओं को परिभाषित करता है, और प्रत्येक शासन के लिए विशिष्ट मूल्यांकन प्रोटोकॉल स्थापित करता है (जैसे, कॉन्सेप्ट ड्रिफ्ट के लिए प्रिक्वेंशियल मूल्यांकन, कंटीन्यूअल लर्निंग के लिए लोंगिट्यूडिनल मूल्यांकन)।

3. मुख्य योगदान

शासन-केंद्रित वर्गीकरण (Regime-Centric Taxonomy): यह पूरे ODL साहित्य को वितरण परिवर्तन शासन (सिंगल-चेंज, कॉन्सेप्ट ड्रिफ्ट, कंटीन्यूअल लर्निंग) के इर्द-गिर्द व्यवस्थित करने वाला पहला सर्वेक्षण है, जो यह तर्क देता है कि एक शासन के लिए डिज़ाइन किए गए समाधान दूसरे के साथ सीधे तुलनीय नहीं हैं क्योंकि उनकी पिछले ज्ञान और अनुकूलन लक्ष्यों के बारे में धारणाएं भिन्न हैं।
व्यापक दायरा: यह सर्वेक्षण ~70 कार्यों को कवर करता है, जो पिछले प्रयासों (जिन्होंने ~10 कार्यों का सर्वेक्षण किया था) का विस्तार करता है और 2023 के बाद प्रकाशित शोध के पर्याप्त निकाय को कैप्चर करता है।
बहु-लेंस विश्लेषण: कार्य का एप्लीकेशन, हार्डवेयर और सॉल्यूशन लेंस के माध्यम से एक साथ विश्लेषण करके, सर्वेक्षण क्रॉस-कटिंग पैटर्न को प्रकट करता है, जैसे कि हार्डवेयर क्षमता और शासन जटिलता के बीच सहसंबंध, और पद्धति-उन्मुख और अनुप्रयोग-उन्मुख अनुसंधान के बीच मिसअलाइनमेंट।
संरचनात्मक अंतराल की पहचान: शोध पत्र पद्धतिगत योगदानों (जो अक्सर मानक बेंचमार्क पर बैकप्रोपैगेशन अनुकूलन पर केंद्रित होते हैं) और अनुप्रयोग-उन्मुख कार्यों (जो लेबल दक्षता और वास्तविक दुनिया की बाधाओं को प्राथमिकता देते हैं) के बीच एक विच्छेद की पहचान करता है। यह रेखांकित करता है कि पद्धतिगत कार्य शायद ही कभी लेबल की कमी या पूर्ण पाइपलाइन बाधाओं (मेमोरी, लेटेंसी, पावर) को एक साथ संबोधित करते हैं।

4. मुख्य परिणाम और निष्कर्ष

एप्लीकेशन निष्कर्ष

कार्यों का मिसअलाइनमेंट: पद्धति-उन्मुख कार्य मुख्य रूप से इमेज क्लासिफिकेशन बेंचमार्क (CIFAR, MNIST) का उपयोग करते हैं जो अक्सर वास्तविक दुनिया के TinyML के लिए बहुत अधिक कम्प्यूटेशनल रूप से मांग वाले होते हैं। इसके विपरीत, एप्लीकेशन-उन्मुख कार्य कीवर्ड स्पॉटिंग (KWS), ह्यूमन एक्टिविटी रिकग्निशन (HAR), और सेंसर कैलिब्रेशन जैसे कार्यों पर ध्यान केंद्रित करते हैं, जिनमें मानकीकृत बेंचमार्क की कमी है।
लेबल अधिग्रहण रणनीतियाँ: सफल एप्लीकेशन-उन्मुख कार्य लेबल अधिग्रहण को एक प्रथम-श्रेणी की डिज़ाइन आवश्यकता के रूप में देखते हैं। रणनीतियों में फ्यू-शॉट लर्निंग, सेल्फ-सुपरवाइज्ड लर्निंग (सहायक सेंसर का उपयोग करके), अनसुपरवाइज्ड लर्निंग (विसंगति का पता लगाने के लिए), और संरचित उद्दीपनों (stimuli) के माध्यम से इम्प्लिसिट लेबलिंग शामिल हैं।
शासन वितरण: एप्लीकेशन-उन्मुख कार्य सिंगल-चेंज शासन (जैसे, KWS पर्सनलाइजेशन, सेंसर कैलिब्रेशन) में अत्यधिक केंद्रित हैं। कॉन्सेप्ट ड्रिफ्ट और कंटीन्यूअल लर्निंग शासन पद्धति-उन्मुख कार्यों द्वारा हावी हैं, जिसमें बहुत कम वास्तविक दुनिया के अनुप्रयोग परिनियोजन रिपोर्ट किए गए हैं।

हार्डवेयर निष्कर्ष

हार्डवेयर-शासन सहसंबंध: हार्डवेयर क्षमता और शासन जटिलता के बीच एक मोनोटोनिक संबंध है।
- अत्यंत सीमित प्रोसेसर (Cortex-M0, ISPU) सख्त मेमोरी/कंप्यूट सीमाओं के कारण लगभग विशेष रूप रूप से सिंगल-चेंज शासन में दिखाई देते हैं।
- मानक MCUs (Cortex-M4/M7) तीनों शासनों में फैले हुए हैं लेकिन मेमोरी बाधाओं के कारण कंटीन्यूअल लर्निंग में कम प्रतिनिधित्व पाते हैं।
- PULP प्लेटफॉर्म (मल्टी-कोर, जैसे, GAP9), कंटीन्यूअल लर्निंग शासन में हावी हैं, क्योंकि वे वर्तमान में कंटीन्यूअल लर्निंग एल्गोरिदम की उच्च मेमोरी और कम्प्यूटेशनल मांगों को संभालने में सक्षम एकमात्र श्रेणी हैं।
रिपोर्टिंग अंतराल: हार्डवेयर रिपोर्टिंग असंगत है। मेट्रिक्स जैसे पीक RAM और ऊर्जा को अक्सर प्रति-इंस्टेंस, प्रति-बैच, या प्रति-एपॉक के रूप में रिपोर्ट किया जाता है बिना मानकीकरण के, जिससे क्रॉस-वर्क तुलना करना कठिन हो जाता है।

सॉल्यूशन निष्कर्ष

घटक पैटर्न:
- आयामी कमी ( $R$ ): इमेज/ऑडियो इनपुट के लिए फ्रोजन प्री-ट्रेन्ड CNNs प्रमुख विकल्प हैं, जबकि लो-डायमेंशनल सेंसर डेटा के लिए आइडेंटिटी फंक्शन्स या सांख्यिकीय एक्सट्रैक्टर्स का उपयोग किया जाता है।
- डेटा प्रबंधन ( $B$ ): सिंगल-चेंज और कॉन्सेप्ट ड्रिफ्ट शासन में पूरी तरह से ऑनलाइन ऑपरेशन ( $|\Delta|=1$ ) का प्रभुत्व है। कंटीन्यूअल लर्निंग में कैटास्ट्रोफिक फॉरगेटिंग को रोकने के लिए स्पष्ट बफरिंग संरचनात्मक रूप से आवश्यक है।
- लर्निंग मैकेनिज्म ( $L$ ): फुल बैकप्रोपैगेशन कंटीन्यूअल लर्निंग के लिए मानक है (रीप्ले बफर्स द्वारा समर्थित)। सिंगल-चेंज और कॉन्सेप्ट ड्रिफ्ट में, हल्के विकल्प (फॉरवर्ड-ओनली अपडेट्स, प्रोटोटाइप-आधारित क्लासिफायर, KNN) प्रचलित हैं।
ऑप्टिमाइजेशन गैप: पद्धतिगत कार्य बैकप्रोपैगेशन (स्पारसिफिकेशन, क्वांटाइजेशन) को भारी रूप से अनुकूलित करते हैं, फिर भी ये अनुकूलन शायद ही कभी एप्लीकेशन-उन्मुख परिनियोजनों में अपनाए जाते हैं। यह एक विच्छेद का सुझाव देता है जहाँ एल्गोरिथम सुधारों को पूर्ण पाइपलाइन बाधाओं (जैसे, लेबलिंग रणनीति, डेटा बफरिंग लागत) के विरुद्ध सत्यापित नहीं किया जाता है।

5. महत्व और दावे

शोध पत्र का दावा है कि वितरण परिवर्तन शासन वह महत्वपूर्ण, फिर भी पहले अनदेखा किया गया कारक है जो ODL समाधानों की व्यवहार्यता और डिजाइन को निर्धारित करता है। सिंगल-चेंज, कॉन्सेप्ट ड्रिफ्ट और कंटीन्यूअल लर्निंग के बीच स्पष्ट अंतर करके, यह सर्वेक्षण एक अर्थपूर्ण तुलना के लिए एक ढांचा प्रदान करता है जिसकी पिछले साहित्य में कमी थी।

लेखक विनम्रतापूर्वक दावा करते हैं कि उनका कार्य क्षेत्र में एक संरचनात्मक अंतराल को उजागर करता है: एल्गोरिथम प्रगति और अनुप्रयोग विकास सीमित क्रॉस-फर्टिलाइजेशन के साथ समानांतर रूप से आगे बढ़ रहे हैं। वे तर्क देते हैं कि क्षेत्र को आवश्यकता है:

मानकीकृत मूल्यांकन ढांचे: ऐसे बेंचमार्क जो निष्पक्ष तुलना सक्षम करने के लिए हार्डवेयर बजट, समाधान घटक और परिनियोजन बाधाओं (लेबल की कमी सहित) को फिक्स करते हैं।
एंड-टू-एंड डिज़ाइन टूल्स: ऐसे सॉफ्टवेयर फ्रेमवर्क जो संपूर्ण ODL पाइपलाइन ( $R, B, f, L$ ) को अलग-थलग घटकों को अनुकूलित करने के बजाय संयुक्त रूप से अनुकूलित ऑब्जेक्ट्स के रूप में देखते हैं।
ODL के लिए हार्डवेयर: क्लाउड-ट्रेनिंग आर्किटेक्चर को अनुकूलित करने के बजाय विशेष रूप से ODL बाधाओं (दुर्लभ लेबल, ऑन-डिवाइस वैलिडेशन का अभाव, सख्त पावर बजट) के लिए डिज़ाइन किए गए हार्डवेयर के लिए एक बदलाव।

सर्वेक्षण इस निष्कर्ष के साथ समाप्त होता है कि जबकि ODL टाइनीएमएल अनुप्रयोगों के दायरे को बढ़ाता है, इस विजन को साकार करने के लिए पद्धतिगत बेंचमार्क और वास्तविक दुनिया के अनुप्रयोग परिदृश्यों, विशेष रूप से लेबल दक्षता और गैर-स्थिर लर्निंग शासनों की विशिष्ट मांगों के बीच मिसअलाइनमेंट को संबोधित करने की आवश्यकता है।