IoT e inteligencia artificial: edge AI, TinyML, detección de anomalías y agentes de IA que consumen y actúan sobre flujos de datos MQTT.
Un tutorial práctico que configura un Google Coral Edge TPU en una Raspberry Pi, ejecuta un clasificador MobileNet cuantizado y publica cada predicción como JSON en un broker MQTT.
Cómo diseñar un agente LLM que lee el estado de los dispositivos desde MQTT y envía comandos con seguridad, usando una caché de estado, herramientas restringidas por esquema, una capa de políticas, aprobación humana y un registro de auditoría completo.
Cómo funciona la detección de defectos con cámaras en una línea de producción, cómo diseñar la estación de inspección y cómo publicar los resultados OK/NOK por MQTT para que PLC, paneles y sistemas de trazabilidad reciban la misma respuesta.
Un tutorial para definir esquemas JSON estrictos para acciones de dispositivos, validar en código cada llamada a herramienta del LLM, pedir al modelo que repare las llamadas inválidas y publicar por MQTT 5 solo comandos verificados.
TinyML es machine learning en microcontroladores que funcionan con milivatios y kilobytes. Esta guía explica las limitaciones, los frameworks, los casos de uso reales y por qué los dispositivos diminutos publican resultados de inferencia compactos por MQTT.
Los modelos desplegados en dispositivos de borde se degradan en silencio. Esta guía muestra cómo publicar métricas de inferencia por MQTT, medir la deriva de forma centralizada y generar alertas cuando un modelo en campo necesita atención.
Un copiloto de IA industrial solo es tan bueno como los datos que puede ver. Esta guía muestra cómo basar un asistente para operarios en topics MQTT en vivo estructurados según ISA-95 para que sus respuestas sean actuales, trazables y seguras.
Una guía práctica de mantenimiento predictivo con machine learning: qué datos de condición recoger por MQTT, cómo construir características y etiquetas, con qué modelos empezar y cómo validarlos con honestidad.
Tres métodos sencillos y explicables para encontrar outliers en flujos de sensores, con implementaciones en Python que puedes ejecutar sobre una fuente MQTT de temperatura en directo y orientación sobre cuándo falla cada uno.
Un caso práctico de optimización HVAC con IA: qué datos del edificio recoger por MQTT, cómo aprender la respuesta térmica de una zona, cómo calcular arranques y consignas óptimos y cómo aplicar las recomendaciones con seguridad.
Crea una cuenta, obtén las credenciales de tu broker y conecta tu primer dispositivo, sin servidores que instalar, parchear ni escalar.
