Dashboard ao vivo
// PROTÓTIPO FUNCIONAL · AO VIVO
Monitoramento preditivo de ativos de refrigeração (resfriadores, freezers de sorvete, câmaras frias) distribuídos pela América Latina: telemetria de IoT, dois modelos de Machine Learning genuinamente treinados e dois agentes de IA — diagnóstico e despacho de técnicos — transmitidos ao vivo por WebSocket.
Equipamento de refrigeração falha de forma silenciosa: quando alguém percebe que a temperatura subiu, o produto já pode estar perdido. Detectar sinais de degradação antes da falha completa — e já acionar o técnico certo, na região certa — é um problema que só faz sentido resolver combinando IoT, ML e automação de decisão, não com qualquer uma dessas peças isolada.
Este projeto é um protótipo funcional (não conceitual), construído do zero: dados sintéticos completos, frota fictícia sem nome de marca ou cliente, distribuída pela América Latina, para demonstrar de ponta a ponta como o padrão IoT → ML → Agentes de IA → Dashboard funciona na prática.
// ARCHITECTURE
Cada leitura de telemetria passa por engenharia de features (normalizada pela faixa de operação de cada tipo de ativo), é pontuada por dois modelos de ML treinados especificamente para este projeto e, quando o risco de falha ultrapassa um limite, aciona um agente de diagnóstico e, em seguida, um agente de despacho de técnicos — tudo transmitido por WebSocket assim que acontece.
36 ativos (resfriadores de bebida, freezers de sorvete, câmaras frias) e 18 técnicos espalhados por 6 cidades da América Latina — sem nome de marca ou cliente por trás.
Um simulador gera temperatura, corrente elétrica, ciclo do compressor e aberturas de porta, com uma fração dos ativos entrando em degradação gradual até a falha.
O mesmo módulo calcula as 9 features tanto no treino quanto em produção, evitando distorção entre os dois — a causa mais comum de modelo que funciona no notebook e falha em produção.
IsolationForest treinado apenas com sequências normais, sem nenhuma noção prévia de "falha" — aprende o formato do normal e sinaliza o que foge dele.
Gradient Boosting treinado com sequências rotuladas (normal/falha), retornando uma probabilidade calibrada de falha.
Traduz os números do ML em um diagnóstico técnico em linguagem simples e uma categoria de alerta, com fallback por regra explícita quando a IA está indisponível.
Escolhe o técnico certo por especialidade e proximidade, nunca cruzando países — raio máximo de despacho de 150km, mesmo no modo de contingência.
Mapa da América Latina, feed de alertas e painel de métricas dos modelos de ML, tudo via WebSocket, sem polling do navegador.