بينما أدى انتشار الشبكات العصبية العميقة (DNNs) إلى تحول جوهري في النماذج الحاسوبية، ظلت متطلباتها الحسابية الهائلة عائقًا دائمًا أمام تطبيقها على الحافة، مثل الأجهزة القابلة للارتداء والأجهزة الذكية. ولهذا السبب، تم اقتراح إطار حسابي هجين يجمع بين الحافة والسحابة، ينقل جزءًا من العمليات الحسابية إلى السحابة من خلال تقسيم بسيط لعمليات DNN بافتراض ثبات حالة الشبكة. لكن في الواقع، تتغير حالة الشبكة بشكل كبير حسب السياق، كما أن استراتيجيات تقسيم DNN محدودة جدًا. في هذه الورقة، نستكشف المرونة البنائية للشبكات العصبية العميقة بهدف تكييف النموذج الحافة مع سياقات الشبكة المتغيرة ومنصات التنفيذ المختلفة. بشكل خاص، صممنا محركًا قائمًا على التعلم المعزز لاستكشاف استراتيجيات تحويل النموذج استجابةً لهدف مركب يتمثل في دقة النموذج وتأخير الحساب. ويُنشئ هذا المحرك شجرة نموذج واعية بالسياق، بحيث يمكن للنماذج العصبية العميقة اتخاذ قرار بتبديل الفرع المناسب أثناء التنفيذ الفعلي. وبناءً على نتائج المحاكاة والتجارب الميدانية، يحقق نهجنا تقليلًا بنسبة 30% إلى 50% في زمن التأخير مع الحفاظ على دقة النموذج.