Estudo da aplicabilidade de ML no âmbito de smart homes

Abstract

As técnicas de aprendizagem automática são amplamente empregadas em Smart Homes, em combinação com dispositivos IoT. A combinação entre ambas as tecnologias permite a coleta e análise de dados de sensores e outros dispositivos para a aprendizagem e automatização de tarefas domésticas, como regulação de temperatura, controle de iluminação e segurança. Algumas técnicas comuns de ML aplicadas incluem aprendizagem por reforço, aprendizagem supervisionada e aprendizagem não supervisionada. Essas tecnologias permitem que os dispositivos IoT aprendam com o comportamento do utilizador e melhorem as suas capacidades de automatizar tarefas, tornando a vida dos utilizadores mais conveniente e eficiente. A presente dissertação tem como objetivo principal a análise das principais técnicas de ML utilizadas no âmbito das Smart Homes. Neste sentido, é feito um levantamento sobre a automação residencial antes da popularização das técnicas de ML. Analisam-se as técnicas do período anterior ao atual, quando não havia um poder computacional que permitisse a implementação de técnicas de ML em ambientes residenciais. Além disso, é abordada a relação entre as técnicas de ML e a criação de ambientes domésticos mais sustentáveis, onde a racionalização de recursos se torna uma realidade e a sua implementação não causa alterações significativas na qualidade de vida dos utilizadores deste tipo de residência. Por fim, é apresentada a implementação de uma prova de conceito relacionada com o reconhecimento de atividades humanas em ambiente doméstico.

Machine learning techniques are widely used in Smart Homes using IoT. These technologies allow IoT devices to collect and analyze data from sensors and other devices to learn and automate household tasks such as temperature regulation, lighting control, and security. Some common ML techniques applied include reinforcement learning, supervised learning, and unsupervised learning. These technologies allow IoT devices to learn from user behavior and improve their capabilities to automate tasks, making users’ lives more convenient and efficient. The aim of this dissertation is to analyse the main ML techniques used in Smart Homes. An approach was taken to home automation before the popularisation of ML techniques. Techniques from the period before the current one were analysed, when there was no computing power to enable the implementation of ML techniques in residential environments. In addition, the relationship between ML techniques and the creation of more sustainable domestic environments was addressed, where the rationalisation of resources becomes a reality and their implementation does not cause significant changes in the quality of life of the users of this type of residence. Finally, a proof of concept was implemented related to recognising human activities in a domestic environment.