In een studie op arXiv presenteren onderzoekers een nieuw framework voor tijdsgebonden AI op randapparatuur (edge intelligence), getest op real-world data van slimme gebouwen. De voorgestelde methode, TeRR-SAtt, combineert vaste reservoirrepresentaties met een lichtgewicht studentmodel en persoonlijke outputmodules. Op basis van de metingen daalt de trainingslatentie op de randapparatuur met 65,50%, de inferentietijd met 44,70% en het geheugengebruik met 18,40%. Tegelijkertijd verbetert de anticipatieve fusiemethode AMGF de lokale leerprestaties tot 35,31% in RMSE ten opzichte van globale updates. Voor Nederlandse facility-afdelingen die IoT-sensoren en AI-planning inzetten, biedt dit inzicht in hoe modelpersonalisatie en edge-computing de responsiviteit en kosten van gebouwautomatisering kunnen verbeteren.