IoT, TinyML, Algoritmo Evolutivo, Compressão de Dados, OBD-II Edge
A Internet das Coisas (IoT) está revolucionando a forma como dispositivos interagem e compartilham dados, especialmente em aplicações como o monitoramento de veículos. No entanto, a transmissão de grandes volumes de dados em tempo real pode resultar em alta latência e consumo significativo de energia. Nesse contexto, o Tiny Machine Learning (TinyML) surge como uma solução promissora, permitindo a execução de modelos de aprendizado de máquina em dispositivos embarcados com recursos limitados. Este trabalho tem como objetivo desenvolver um algoritmo online de compressão multidimensional específico para TinyML, utilizando o Typicality and Eccentricity Data Analytics (TEDA). O algoritmo baseia-se na excentricidade dos dados e não requer modelos matemáticos previamente estabelecidos ou quaisquer suposições sobre a distribuição dos dados, contribuindo para minimizar a latência e o consumo de energia durante a transmissão de dados. A metodologia envolve a aplicação do algoritmo em um estudo de caso com o dispositivo OBD-II Freematics, focado no monitoramento de veículos. Os resultados preliminares indicam que o algoritmo proposto oferece uma melhoria significativa em termos de tempo de execução e precisão, quando comparado a métodos tradicionais de compressão. Esses resultados destacam o potencial do algoritmo para otimizar o desempenho de sistemas IoT embarcados, contribuindo para a eficiência e sustentabilidade das aplicações veiculares.