Onderzoekers presenteren op arXiv een modulaire AI-infrastructuur die indoor positionering op grote schaal aanzienlijk efficiënter maakt. Door lokale modellen te organiseren in een gebouw-vloer-ruimtehiërarchie en twee lichtgewicht pruning-strategieën toe te passen, wordt het aantal noodzakelijke modelberekeningen met 98,6% gereduceerd ten opzichte van exhaustieve evaluatie. De methode behoudt de positioneringsnauwkeurigheid terwijl het reken- en geheugenbelasting op high-performance platforms drastisch daalt. Ook voor Nederlandse facility-afdelingen die werken met digitale tweelingen of campusbrede WiFi-fingerprinting is dit relevant, omdat het schaalbare implementatie van indoor positioning mogelijk maakt zonder monolithische AI-modellen continu opnieuw te hoeven trainen.