온디바이스 AI와 클라우드 AI 모두 배터리 수명과 효율성 측면에서 타당해 보일 수 있지만, 이는 측정된 주장이 아닙니다. AI 배치를 결정할 때 네 가지 별도의 예산을 고려해야 합니다. 사용자 대기 시간, 네트워크 전송 비용, 제공업체 비용, 기기 에너지 소비입니다. 이 각각은 자체적인 특정 측정과 증거를 요구합니다.정확한 비교를 위해서는 실행 경로가 명확하게 식별되어야 합니다. 예를 들어, 검토된 MonkeyCode 모바일 코드는 작업 및 음성-텍스트 변환을 위해 서버 지원 스트리밍을 사용하며, 이는 온디바이스가 아닌 클라우드 기반 추론을 나타냅니다. 공정한 연구는 원격 서비스를 사용하는 모바일 클라이언트와 온디바이스 기능을 시연하는 별도의 프로토타입을 비교해야 합니다.포괄적인 측정 봉투에는 샘플 ID, 유형, 배치, 기기, OS, 프레임워크, 모델, 네트워크 유형, 토큰 수, 지연 시간, 바이트 단위 데이터 전송, 줄 단위 에너지, USD 단위 비용과 같은 필드가 포함되어야 합니다. 이러한 세부 정보는 결과를 해석하고 워크로드 크기 및 네트워크 동작을 이해하는 데 중요합니다. 배터리 백분율은 수많은 외부 영향으로 인해 짧은 실행에는 불충분한 지표입니다.비교는 일치하는 사용자 흐름을 활용하여 서로 다른 배치에서 동일한 작업이 테스트되도록 해야 합니다. 여기에는 짧은 프롬프트, 음성 턴, 오프라인 시나리오, 백그라운드/재개 동작 및 열 루프가 포함됩니다. 워밍업 기간은 별도로 보고해야 하며, 테스트는 무작위로 수행되고 반복되며 실패는 기록되어야 합니다.분석기는 각 데이터 포인트에 대해 측정된 줄을 요구함으로써 잘못된 에너지 결론을 방지해야 합니다. 합성 데이터는 파싱 테스트에 유용하지만 실제 성능을 나타내지는 않습니다. 실제 파이프라인에서는 프로파일러 내보내기 및 원시 파일 보존을 포함하여 데이터 출처가 강력해야 합니다.릴리스 결정은 P95 상호 작용 지연 시간, 네트워크 바이트, 제공업체 지출, 에너지 및 열 동작, 개인 정보 보호 및 품질에 대한 목표 충족을 기반으로 명시적이어야 합니다. 온디바이스 AI는 다운로드 크기와 RAM 압력을 도입하는 반면, 클라우드 AI는 네트워크 연결 및 서비스 종속성에 의존합니다. 명확한 단위를 사용하면 이러한 절충안에 대한 정직한 평가를 보장할 수 있습니다.