Edge AI e MLOps na cafeicultura : desenvolvimento de um sistema IoT embarcado com ESP32-S3 para análise inteligente de dados.

Abstract

A cafeicultura enfrenta desafios no manejo eficiente da irrigação, especialmente em propriedades com infraestrutura tecnológica limitada, nas quais práticas manuais ainda podem gerar desperdício de água e baixa previsibilidade operacional; nesse contexto, este trabalho teve como objetivo desenvolver e validar tecnicamente um sistema inteligente de irrigação de baixo custo que integra aprendizado de máquina e hardware embarcado para apoiar a decisão de irrigar em cultivo de café. A metodologia combinou coleta e preparação de dados climáticos históricos em pipeline externo (Python), treinamento de um classificador de Regressão Logística, exportação determinística dos parâmetros para ia_params.h e execução de inferência local no ESP32-S3 com sensores ambientais, histerese e regras determinísticas de segurança. Como resultados, observou-se a viabilidade técnica da integração ponta a ponta entre treino, empacotamento e inferência embarcada, com acurácia de 0,9951 e F1 de 0,9970 no cenário controlado de validação funcional adotado. Como contribuição, o trabalho apresenta uma arquitetura replicável de Edge AI para irrigação inteligente na cafeicultura, unindo ML e sistema embarcado de baixo custo com operação local e reduzida dependência de conectividade contínua.