Aplicação de MLOps em sistemas embarcados para análise da qualidade do ar.

Abstract

O monitoramento da qualidade do ar é um desafio crescente em áreas urbanas, devido ao impacto direto na saúde pública e à limitação de estações oficiais de medição, que possuem alto custo e baixa cobertura geográfica. Nesse contexto, este trabalho propõe um sistema integrado de \textit{hardware} e \textit{software} que combina Internet das Coisas (IoT) e \textit{Machine Learning Operations} (MLOps), utilizando um protótipo baseado no microcontrolador ESP32 com sensores MQ-4 (metano), MQ-7 (monóxido de carbono) e DHT22 (temperatura e umidade). O sistema coletou dados ambientais contínuos por 30 dias em condições estáveis e processou-os em um pipeline MLOps automatizado, empregando o algoritmo K-means para análise. Os testes revelaram a capacidade do protótipo em identificar padrões de variabilidade nos gases e condições climáticas, embora a comparação com estações de referência públicas tenha evidenciado limitações na validação cruzada, devido a diferenças metodológicas e geográficas. Os resultados indicam que, mesmo com sensores de baixo custo, é possível obter agrupamentos consistentes para ambientes controlados. Como principais contribuições, destacam-se: (1) a aplicação de MLOps em dispositivos de baixo custo, (2) uma metodologia reprodutível para coleta e processamento de dados ambientais, e (3) uma arquitetura escalável que permite a integração de novos sensores. O trabalho abre perspectivas para sistemas de monitoramento ambiental distribuídos, de baixo custo, com inteligência artificial embarcada.