IOT108 · IA na borda (Edge AI) e automação inteligente

Leve a inteligência para onde o dado nasce: prepare dados de sensores, treine e comprima pequenos modelos de machine learning para microcontroladores e combine-os com regras em respostas automáticas e seguras.

Avançar · 8 horas · 4 aulas, um laboratório, uma atividade avaliada e uma peça de portfólio

Para quem é

Quem já constrói sistemas de sensores conectados e quer dispositivos que reconheçam padrões e ajam localmente, sem depender da nuvem.

Pré-requisitos

IOT106 (plataformas de IoT) e Python básico; recomenda-se o IOT107 para implantação segura.

O que você será capaz de fazer

• Explicar quando a inferência na borda supera a inferência na nuvem considerando latência, banda, privacidade e custo.
• Preparar dados de sensores em janelas, extrair atributos e treinar um classificador ou detector de anomalias pequeno.
• Quantizar e dimensionar um modelo para microcontrolador e avaliar sua acurácia e taxa de falsos alarmes.
• Projetar uma automação inteligente que combine saída do modelo, regras, estados seguros e confirmação humana.

Aulas

• Aula 1 · Por que levar a IA para a borda
• Aula 2 · Do sinal do sensor a um modelo implantável
• Aula 3 · Automação inteligente: modelos, regras e segurança
• Aula 4 · Laboratório e atividade

Laboratório: Detecção de anomalias de vibração no motor de uma pequena oficina

Você gera e rotula janelas de acelerômetro de um motor funcionando normalmente, com desbalanceamento e com fixação solta, extrai atributos e treina um modelo compacto no Colab. Depois quantiza o modelo, compara tamanho e acurácia e implementa a lógica de decisão num ESP32 simulado que emite um alerta local e publica só eventos, não dados brutos.

Ferramentas gratuitas: Google Colab (gratuito) com scikit-learn e TensorFlow Lite, simulador ESP32 do Wokwi com acelerômetro MPU6050; plano gratuito de desenvolvedor do Edge Impulse opcional

Atividade avaliada

Envie o notebook do Colab, o projeto no Wokwi e uma nota de projeto de duas páginas para o dono da oficina. Informe acurácia, matriz de confusão, taxa de falsos alarmes e tamanho do modelo antes e depois da quantização. Descreva a lógica de automação: o que o dispositivo faz em cada estado, quais ações exigem confirmação humana e o que acontece se o sensor falhar. Compare a banda do envio só de eventos com o envio contínuo de dados brutos e explique como você detectaria o desvio do modelo ao longo do tempo.

Peça de portfólio

Um pipeline documentado de IA na borda, das janelas do sensor à classificação no dispositivo com envio só de eventos, que comprova habilidades aplicadas de TinyML.

No seu ritmo, com 12 meses de acesso. Dúvidas são respondidas por escrito pelo painel do aluno. Ao concluir o curso, você recebe um registro de conclusão.