IoT e inteligencia artificial: edge AI, TinyML, detección de anomalías y agentes de IA que consumen y actúan sobre flujos de datos MQTT.
Aprende a convertir flujos de lecturas de sensores MQTT en informes de turno legibles y explicaciones de anomalías calculando las estadísticas en código y dejando que un LLM escriba solo la narrativa.
Dejar que un modelo de lenguaje accione equipos reales es un problema de control, no de prompts. Aprende a situar entre la IA y tus dispositivos MQTT un gateway de comandos con listas permitidas, límites, confirmaciones y un registro de auditoría.
Una introducción práctica a TensorFlow Lite for Microcontrollers: el modelo, el op resolver, la tensor arena y el intérprete explicados, un ejemplo completo en una placa ESP32-S3 y un puente de serie a MQTT que funciona con cualquier placa.
Una mirada realista a dónde ayuda la IA generativa en planta, desde resúmenes de turno hasta asistentes de diagnóstico, y cómo basar cada respuesta en datos de máquina en directo transmitidos por MQTT.
Una guía práctica para detectar anomalías en flujos de sensores: qué métodos encajan con cada señal, si ejecutarlos en el dispositivo, en el borde o en la nube, y cómo MQTT conecta detectores y alertas.
Un tutorial práctico de predicción de series temporales IoT: captura datos de sensores desde MQTT, remuestréalos, compara un modelo estadístico con uno de machine learning, haz un backtest honesto y publica las previsiones de vuelta en el broker.
Construye una cadena de visión en el borde sobre una NVIDIA Jetson: ejecuta detección acelerada por GPU, publica resultados JSON compactos y la salud del dispositivo por MQTT con TLS, y ejecútala como un servicio que sobrevive a los reinicios.
Qué es la fusión de sensores, cómo los filtros complementario y de Kalman combinan sensores ruidosos, cuándo fusionar en el borde o en la nube, y ejemplos funcionales en ESP32 y Python que publican valores fusionados por MQTT.
Una comparativa práctica entre ejecutar modelos IoT en los dispositivos o en la nube, con una lista de comprobación para decidir y una arquitectura híbrida en la que los resultados del edge fluyen por MQTT hacia modelos en la nube.
Cómo funciona la predicción de la vida útil remanente, qué familias de modelos existen, qué histórico de datos necesita cada una de los activos conectados por MQTT y cómo publicar estimaciones de RUL con su incertidumbre.
Ejecuta un pequeño modelo de detección de personas directamente en un ESP32-CAM, publica una puntuación de confianza y alertas con antirrebote por MQTT y conserva las imágenes en el dispositivo salvo que realmente las necesites.
Un tutorial completo que transmite datos de sensores simulados por MQTT, puntúa cada lectura con estadísticas móviles en Python y publica eventos de anomalía con antirrebote en un topic de alertas.
Entrena un Isolation Forest con datos históricos multivariantes de sensores usando scikit-learn y cárgalo después en un servicio Python que puntúa lecturas MQTT en directo y publica eventos de anomalía.
Ejecuta un modelo YOLO sobre una webcam o un flujo RTSP en Python, convierte las detecciones de cada fotograma en JSON compacto y publica conteos y alertas por MQTT para que cualquier dashboard o automatización pueda reaccionar.
Tutorial paso a paso de un servidor Model Context Protocol que se suscribe a topics MQTT, guarda en caché los últimos valores y expone herramientas de lectura y de comandos a los asistentes de IA.
Un caso práctico de predicción de demanda energética: recoger datos de contadores por MQTT, convertir contadores de energía en demanda, añadir variables de clima y calendario y publicar pronósticos del día siguiente para edificios y plantas.
Saca un modelo entrenado de Edge Impulse Studio y llévalo a un sistema real: expórtalo como librería de Arduino o como archivo .eim para Linux, ejecuta la inferencia en el dispositivo y publica cada predicción por MQTT.
El aprendizaje federado permite que los dispositivos IoT mejoren un modelo compartido mientras sus datos en bruto se quedan en local. Esta guía explica cómo funciona, dónde encaja, sus trampas y cómo un broker MQTT puede transportar las actualizaciones del modelo entre los dispositivos y un coordinador.
Una comparativa práctica del hardware para edge AI, desde microcontroladores hasta módulos con GPU, con una lista de comprobación y un script de benchmark que publica por MQTT la latencia de tu propio modelo para comparar placas de forma justa.
Un tutorial práctico que convierte peticiones como "baja la luz de la cocina al 30 por ciento" en comandos MQTT validados, usando un LLM con function calling, un registro de dispositivos y una capa de validación estricta.
Un recorrido completo de TinyML en ESP32: entrena un clasificador de vibraciones en Python, conviértelo en un modelo TensorFlow Lite int8, ejecútalo en un ESP32 con esp-tflite-micro y publica los resultados de clasificación en un broker MQTT.
Una guía práctica para llevar modelos de machine learning a flotas de dispositivos edge, usando mensajes retenidos de MQTT para anunciar nuevas versiones y recoger el estado del despliegue de cada dispositivo.
Las máquinas suelen sonar mal antes de fallar. Descubre cómo funciona la detección de anomalías acústicas, qué modelos encajan con el hardware de borde y cómo publicar puntuaciones de anomalía compactas por MQTT en lugar de transmitir audio en bruto.
Cómo capturar eventos de máquina y etiquetas de operarios por MQTT junto a la telemetría, definir un esquema de etiquetas, convertir eventos en intervalos etiquetados y unirlos con ventanas de sensores para aprendizaje supervisado.
Una guía práctica de generación aumentada por recuperación para fábricas: indexa manuales y procedimientos, obtén valores actuales de topics MQTT y da a los técnicos respuestas basadas en ambos, con citas.
Por qué la publicación/suscripción encaja en los sistemas de IA multiagente, y las convenciones de topics, funciones de MQTT 5 y reglas de seguridad que permiten a los agentes descubrirse e intercambiar mensajes a través de un broker.
Edge AI significa ejecutar la inferencia de machine learning en el dispositivo que recoge los datos o cerca de él. Esta guía explica cómo funciona, los niveles de hardware y por qué los dispositivos edge deben publicar resultados en lugar de datos en bruto.
Un tutorial práctico para ejecutar Ollama en un gateway IoT, suscribirse a telemetría MQTT y publicar en el broker análisis estructurados generados por IA sin enviar los datos a un servicio de IA externo.
Aprende qué publica Frigate NVR por MQTT, cómo leer el payload de frigate/events y cómo reenviar a un broker en la nube solo las detecciones importantes para recibir notificaciones remotas.
Una guía práctica para combinar IA e IoT: dónde deben ejecutarse los modelos, cómo les llegan los datos de los sensores, cómo detectar anomalías en tiempo real y cómo permitir que los agentes LLM actúen sobre los dispositivos de forma segura.
Crea una cuenta, obtén las credenciales de tu broker y conecta tu primer dispositivo, sin servidores que instalar, parchear ni escalar.
