- Ementa:
- Fundamentos de Edge AI, TinyML e Internet das Coisas aplicados à Engenharia de Produção. Arquitetura do Raspberry Pi como computador de placa única, uso do Raspberry Pi Pico como microcontrolador e integração com sensores, câmeras, atuadores e protocolos de comunicação. Preparação do ambiente de desenvolvimento em Raspberry Pi OS, Python, bibliotecas de aquisição de dados, GPIO, OpenCV, ferramentas de prototipagem e plataformas de apoio ao desenvolvimento de modelos leves. Coleta, organização, rotulagem e controle da qualidade dos dados para projetos embarcados. Construção de modelos de classificação, regressão, detecção simples e análise de séries temporais para aplicações como inspeção visual, manutenção preditiva, monitoramento ambiental, controle de qualidade, logística, contagem de objetos ou pessoas e agricultura inteligente. Conversão, quantização, compressão e implantação de modelos para inferência local com TensorFlow Lite, TensorFlow Lite Micro, LiteRT, Edge Impulse ou ferramentas equivalentes. Integração do protótipo com comunicação IoT, dashboards, registros locais, MQTT, Node-RED ou serviços web. Avaliação por métricas de acurácia, erro, latência, FPS, uso de CPU, memória, temperatura, consumo energético, robustez, custo e potencial de adoção. Desenvolvimento de projeto aplicado com documentação técnica, validação experimental, análise crítica e apresentação final.
- Bibliografia:
- DAVID, R.; DUKE, J.; JAIN, A.; REDDI, V. J.; JEFFRIES, N.; LI, J.; KREEGER, N.; NAPPIER, I.; NATRAJ, M.; REGEV, S.; RHODES, R.; WANG, T.; WARDEN, P. TensorFlow Lite Micro: embedded machine learning on TinyML systems. Proceedings of Machine Learning and Systems, [s. l.], v. 3, p. 800-811, 2021.
- GÉRON, A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: concepts, tools, and techniques to build intelligent systems. 3. ed. Sebastopol: O'Reilly Media, 2022.
- RAY, P. P. A review on TinyML: state-of-the-art and prospects. Journal of King Saud University - Computer and Information Sciences, [s. l.], v. 34, n. 4, p. 1595-1623, 2022. doi: 10.1016/j.jksuci.2021.11.019.
- RASPBERRY PI. Raspberry Pi documentation: computers and microcontrollers. Cambridge: Raspberry Pi Ltd, 2026. Disponível em: https://www.raspberrypi.com/documentation/. Acesso em: 21 maio 2026.
- WARDEN, P.; SITUNAYAKE, D. TinyML: machine learning with TensorFlow Lite on Arduino and ultra-low-power microcontrollers. Sebastopol: O'Reilly Media, 2019.
- Bibliografia Complementar
- BERTHOLD, M. R.; CEBRON, N.; DILL, F.; GABRIEL, T. R.; KÖTTER, T.; MEINL, T.; OHL, P.; THIEL, K.; WISWEDEL, B. KNIME: The Konstanz Information Miner: version 2.0 and beyond. SIGKDD Explorations Newsletter, New York, v. 11, n. 1, p. 26-31, 2009. doi: 10.1145/1656274.1656280.
- EDGE IMPULSE. Raspberry Pi 5: hardware documentation. San Jose: Edge Impulse, 2026. Disponível em: https://docs.edgeimpulse.com/hardware/boards/raspberry-pi-5. Acesso em: 21 maio 2026.
- GOOGLE. LiteRT for Microcontrollers. Mountain View: Google AI for Developers, 2026. Disponível em: https://ai.google.dev/edge/litert/microcontrollers/overview. Acesso em: 21 maio 2026.
- KUHN, M.; JOHNSON, K. Applied Predictive Modeling. New York: Springer, 2013. doi: 10.1007/978-1-4614-6849-3.
- PROVOST, F.; FAWCETT, T. Data Science for Business: what you need to know about data mining and data-analytic thinking. Sebastopol: O'Reilly Media, 2013.
- RASPBERRY PI. Raspberry Pi 5. Cambridge: Raspberry Pi Ltd, 2026. Disponível em: https://www.raspberrypi.com/products/raspberry-pi-5/. Acesso em: 21 maio 2026.
- RASPBERRY PI. AI software. Cambridge: Raspberry Pi Ltd, 2026. Disponível em: https://www.raspberrypi.com/documentation/computers/ai.html. Acesso em: 21 maio 2026.
- TENSORFLOW. TensorFlow Lite for Microcontrollers. [S. l.]: TensorFlow, 2026. Disponível em: https://github.com/tensorflow/tflite-micro. Acesso em: 21 maio 2026.
- WOO, M. The rise of no/low-code software development: no experience needed? Engineering, Amsterdam, v. 6, n. 9, p. 960-961, 2020. doi: 10.1016/j.eng.2020.07.007.