TinyHub.AI: Plataforma para Treinamento, Quantização e Implantação de Modelos de Aprendizado de Máquina em Sistemas Embarcados

Descrição

A demanda por sistemas embarcados com capacidade de inferência autônoma e em tempo real é um dos desafios centrais da computação contemporânea. Dispositivos presentes em equipamentos industriais, sensores agrícolas, sistemas de saúde portáteis e infraestruturas de cidades inteligentes necessitam de tomada de decisão local baseada em modelos de Machine Learning (ML), operando em plataformas com memória e processamento restritos. O processo atual de levar um modelo de ML até um microcontrolador é fragmentado em ferramentas heterogêneas, exigindo conhecimento especializado em múltiplas áreas e sem uma abordagem sistemática e reprodutível. Este projeto propõe o desenvolvimento do TinyHub.AI, uma plataforma de software livre que unifica, em um único pipeline, as etapas de ingestão de dados, análise exploratória, treinamento de uma biblioteca de algoritmos de ML, otimização por quantização e geração automática de código C++ portável para implantação direta em microcontroladores. A plataforma abrange todas as classes de modelos: clássicos (regressão, árvores), redes neurais profundas (MLPs, CNNs, LSTMs) e pequenos modelos de linguagem, do inglês Small Language Model (SLM), com suporte a tarefas de classificação, regressão e processamento de linguagem natural na borda. A validação experimental será conduzida em microcontroladores de baixo custo. Os produtos incluem o artefato tecnológico TinyHub.AI com documentação completa e exemplos reprodutíveis, o registro do programa de computador no INPI e a publicação científica associada.