CLASSIFICAÇÃO DA POTABILIDADE DA ÁGUA: UMA ABORDAGEM UTILIZANDO APRENDIZAGEM DE MÁQUINA EM SISTEMA EMBARCADO
Aprendizagem de máquina, Sistemas Embarcados, Classificação, Qualidade da água
A água potável é um recurso vital e um direito humano reconhecido. Entretanto, ainda hoje bilhões de pessoas sofrem sem o acesso à água própria para o consumo, o que pode acarretar em diversos problemas de saúde. Um dos grandes problemas do monitoramento da qualidade da água está relacionado à coleta e análise de uma grande quantidade de dados. Modelos de Aprendizagem de Máquina têm sido amplamente aplicados no contexto de monitoramento da qualidade da água de modo a facilitar tomadas de decisão pelos gestores e impedir a contaminação das pessoas. Um sistema embarcado que integre sensores com um modelo de Aprendizagem de Máquina teria a capacidade de fornecer respostas em tempo real e seria viável para aplicação em qualquer lugar, independentemente da necessidade de conexão com a \textit{internet}. Esse tipo de sistema, no contexto de classificação da potabilidade da água, possibilitaria respostas mais ágeis diante de possíveis ameaças. No entanto, observa-se uma lacuna na literatura em relação à falta de trabalhos que explorem essa configuração específica, realizando a inferência sem depender da conexão com a nuvem. O objetivo deste estudo é criar um modelo de Aprendizagem de Máquina para classificação da água potável em um sistema embarcado, de modo a avaliar seu desempenho e viabilidade comparando com outros modelos descritos pela literatura. Neste trabalho, será adotado um modelo de referência e serão realizadas as adaptações necessárias para implantá-lo em uma placa ESP32. Além disso, serão analisados outros modelos diferentes encontrados na literatura, com potencial para serem implementados na mesma placa. Todos os modelos construídos serão testados, avaliados e comparados com base nas métricas de Accuracy, Precision, Recall, F1-Score, tempo de latência, tamanho ocupado em memória e consumo de energia.