با توجه به محدودیت‌های منابع محاسباتی موجود در دستگاه‌های تلفن همراه، این دستگاه‌ها در اجرای برخی وظایف روزمره با چالش مواجه هستند. یک راهحل برای این مشکل، برون‌سپاری است که در آن، دستگاه پردازش خود را برای اجرا روی ابر محاسباتی ارسال می‌کند. مقاله حاضر با تمرکز بر روی کاربرد تشخیص فعالیت انسانی، روشهایی برای کاهش حجم دادههای ارسالی وظایف به ابر، با تکیه بر نقاط مطلوب در معامله بین دقت استنتاج یادگیری و هزینه ارتباطات برون‌سپاری ارائه می‌کند. سه روش پیشنهادی کاهش تعداد نمونه‌های داده، کاهش دقت اعشار نمونه‌های داده و فشرده‌سازی نمونه‌های داده ارائه شده است که در روش اول نمونه‌های داده قبل از ارسال به صورت یکی در میان یا بیشتر حذف شده و در سمت ابر با تخمین درونیابی مجددا بازیابی می‌شوند. در روش کاهش دقت اعشار، نمونه‌های داده قبل از ارسال با یک نگاشت به عدد صحیح با تعداد بیت محدود تبدیل و در سمت ابر با نگاشت معکوس به صورت تخمینی بازیابی می‌شوند. در روش فشرده‌سازی، نمونه‌های داده قبل از ارسال، با یک الگوریتم فشرده‌سازی سبک دلتا به یکی از دو روش با اتلاف یا بدون اتلاف فشرده می‌شوند. نتایج عملی نشان میدهد اگر چه روشهای کاهش تعداد نمونه و کاهش دقت اعشار سبب کاهش حجم داده ارسالی بدون تأثیر قابل توجه بر روی دقت تشخیص می‌شوند، روش کاهش دقت اعشار به دلیل میزان کاهش بیشتر حجم داده نسبت به روش کاهش تعداد نمونهها برتری دارد. ضمناً روش فشرده‌سازی دلتا به اندازه دو روش دیگر موثر نمیباشد.