Climatização otimizada com machine learning

Não suporto calor, nem frio. Minha produtividade cai drasticamente quando o ambiente não está na temperatura ideal. Embora pareça simples, a realidade é outra. Ao considerarmos ambientes de trabalho como escritórios, galpões ou até mesmo pequenos data centers que demandam refrigeração constante, essa questão se agrava. Eu passava boa parte do tempo em conflito com o ar-condicionado, fazendo ajustes contínuos, e sempre surgia alguém reclamando de frio intenso ou calor excessivo. Era um ciclo interminável de ligar e desligar, aumentar e diminuir, e no fim do mês, a fatura de energia elétrica vinha assustadoramente alta. Além disso, a ineficiência, o desgaste prematuro dos equipamentos e o desconforto generalizado eram evidentes.

É inegável que a gestão manual da climatização gera grandes transtornos e um considerável desperdício de recursos. Busca-se o equilíbrio entre o bem-estar dos ocupantes e os custos de energia, mas um dos lados invariavelmente sofre. O resultado é uma gestão meramente reativa, focada em "apagar incêndios". Nesse ponto, uma ideia me ocorreu: "Precisa haver uma abordagem mais eficaz". Decidi então explorar como minhas ferramentas cotidianas – Google Sheets, Apps Script, Python, APIs – poderiam ser aplicadas para criar uma solução inteligente. O objetivo era transcender a fase da tentativa e erro e alcançar uma predição otimizada através do aprendizado de máquina. Não se tratava de reinventar a roda, mas de empregar conhecimentos existentes para solucionar uma dificuldade palpável e persistente.

Entendendo o Desafio: Por que a Climatização é Tão Problemática?

O controle climático é intrinsecamente mais elaborado do que se supõe. Não se limita apenas à temperatura exterior. Fatores como umidade, número de ocupantes, irradiação solar, qualidade do isolamento do edifício, hora do dia e padrões de uso anteriores entram em jogo. Um sistema manual, ou até mesmo um termostato programável convencional, não tem a capacidade de gerenciar todas essas variáveis simultaneamente e em tempo real. Sua operação baseia-se em regras estáticas, como "ligar às 8h, desligar às 18h" ou "manter 22°C". E se, por exemplo, às 10h o dia estiver nublado e o local lotado, enquanto às 15h o sol castiga e o espaço está desocupado? O sistema carece de adaptabilidade, resultando em consumo energético desnecessário ou em níveis de conforto inadequados.

Experimentei essa desorganização pela primeira vez em um escritório onde o ar-condicionado operava em potência máxima, mesmo em dias de temperatura agradável. A explicação era sempre: "É que o sol logo surge e esquenta tudo depressa". Por outro lado, desligavam o aparelho durante o almoço para poupar energia, transformando o ambiente num forno ao retornarem. Era comum ver pessoas vestindo casacos no verão e transpirando no inverno. Claramente, isso não representava otimização, mas pura improvisação. Como alguém que se dedica a automatizar tarefas tediosas, tinha certeza de que era possível fazer muito mais.

Coletando os Dados Certos: A Base de Tudo

A fundação de qualquer sistema inteligente reside na coleta de dados, e dados bons são cruciais. Especificamente para a otimização da climatização, meus requisitos incluíam:

• Temperatura e Umidade Interna: Dispositivos fundamentais, embora simples. Adquiri módulos ESP32 de baixo custo, equipados com DHT11/DHT22, que transmitiam informações para um endpoint via Wi-Fi.
• Temperatura e Umidade Externa: A chave aqui foi a utilização de APIs. Recorri à OpenWeatherMap. Bastou realizar uma requisição HTTP, seja por Python ou Apps Script, fornecendo latitude e longitude, para obter os dados climáticos em tempo real.
• Ocupação do Ambiente: Esta etapa exigiu mais criatividade e, inicialmente, um certo improviso. Não dispúnhamos de sensores de presença avançados. Minha abordagem inicial consistiu em monitorar o número de dispositivos conectados à rede Wi-Fi, ou empregar a contagem de agendamentos de salas (já disponível no Google Calendar) como um indicador. Longe de ser ideal, mas representava um ponto de partida. Posteriormente, adquiri sensores PIR de presença mais robustos, que se integravam a um hub simples e permitiam a extração de dados por uma API local.
• Histórico de Consumo e Ajustes: Vital para o processo de aprendizado. Era imperativo registrar os momentos de acionamento/desligamento do ar, a temperatura configurada e a percepção de conforto (incluindo reclamações). Esse histórico seria a base para o treinamento do meu modelo.

Implementei scripts Python que, a cada quinze minutos, realizavam requisições às APIs de clima e aos sensores internos, despejando todas as informações em uma planilha do Google Sheets. A escolha do Sheets justificava-se pela facilidade de visualização, acessibilidade para todos, e pela imensa flexibilidade que o Apps Script oferece para manipulação desses dados e ativação de funcionalidades adicionais.

Construindo o Cérebro: Machine Learning com Python

Com os dados devidamente alimentando o Sheets, a etapa seguinte consistia em capacitar o sistema para prever a temperatura mais adequada. É neste ponto que o Python se tornou indispensável. Empreguei a biblioteca Pandas para higienizar e estruturar os dados provenientes do Sheets (seja exportando como CSV ou lendo diretamente via gspread, uma ferramenta excepcional). Para o modelo preditivo, iniciei com uma abordagem direta: regressão linear. O propósito era estimar a temperatura ideal (ou a variação de ajuste necessária) com base nas diversas variáveis coletadas.

As variáveis de entrada para o modelo incluíam:

• Temperatura externa atual
• Umidade externa atual
• Temperatura interna atual
• Umidade interna atual
• Número de ocupantes (ou a estimativa)
• Hora do dia (transformada em algo numérico, tipo seno/cosseno para ciclos)
• Dia da semana

E a variável de saída (aquilo que se desejava prever) era, por exemplo, a "temperatura alvo" para o termostato, ou a "ação" específica (elevar/reduzir em X graus). O treinamento do modelo era feito com base nos dados históricos acumulados no Sheets, englobando períodos de "conforto" (ausência de queixas e consumo adequado) e "desconforto" (ocorrência de reclamações ou intervenções manuais excessivas).

Um script Python, utilizando a biblioteca scikit-learn, assumia a responsabilidade por essa tarefa. Este script era executado localmente ou em uma pequena instância na nuvem (um micro-serviço Flask, por exemplo). A saída da predição consistia em uma sugestão, como: "Ajustar para 23°C" ou "Reduzir em 1°C".

A Cola da Automação: Apps Script e APIs de Controle

O Apps Script atuou como o regente dessa complexa orquestra. Suas funções eram diversas e cruciais:

• Puxar Dados: A intervalos regulares, um gatilho no Apps Script capturava os dados mais recentes do Sheets (temperatura, umidade interna e ocupação) e da API OpenWeatherMap (seja através de um script JS incorporado, ou delegando a requisição e retorno ao Python).
• Acionar o Modelo Python: Esta etapa foi particularmente interessante. Visto que o Apps Script não executa Python diretamente, a criação de um intermediário era imperativa. Desenvolvi um endpoint Flask em Python, bastante direto, que operava em um pequeno servidor próprio (alternativamente, poderia ser uma Cloud Function do Google). O Apps Script enviava uma requisição POST com os dados atuais para esse endpoint. O Flask recebia os dados, os submetia ao modelo de ML, obtinha a predição e retornava a temperatura ideal.
• Controlar o HVAC: Este era o ápice da integração. A maioria dos termostatos inteligentes (como Nest, Ecobee, ou até mesmo sistemas corporativos mais antigos com interfaces web) oferece APIs. O Apps Script recebia a recomendação do modelo Python e, por meio de outra requisição HTTP (usando `UrlFetchApp`), enviava o comando para a API do termostato. A título de exemplo, para um termostato genérico, a requisição poderia ser: `POST https://api.termostato.com/set_temp` acompanhada de um JSON `{ "temperature": 23, "unit": "celsius" }`.
• Monitoramento e Logs: Todas essas operações eram registradas de volta no Google Sheets. Informações como a predição gerada, a temperatura efetivamente ajustada e eventuais falhas de comunicação com as APIs eram meticulosamente anotadas. Funcionava como meu painel de controle central e ferramenta de auditoria.

O processo desenrolava-se da seguinte forma:

1. Sensores e APIs de Clima alimentam o Google Sheets (através de Python ou Apps Script).
2. O Apps Script lê os dados do Sheets e envia uma requisição ao Python com as informações mais recentes.
3. O Python processa os dados, executa o modelo de ML e devolve a temperatura ideal.
4. O Apps Script recebe a temperatura ideal e envia o comando ao termostato via API.
5. O Apps Script registra todas as ações no Sheets.

Esse ciclo operava continuamente em segundo plano, ininterruptamente. Basta consultar o Sheets para acompanhar o status do sistema.

Otimizando o Modelo e Lidando com os Humanos

Naturalmente, o modelo não alcança a perfeição logo de início. Foi necessário um período para acumular dados, analisar padrões de comportamento e realizar ajustes finos. Inicialmente, as sugestões tendiam a ser abruptas ou falhavam em considerar adequadamente as flutuações ambientais. Procedi ao refinamento do modelo, incorporando variáveis adicionais ou alterando a estratégia (por exemplo, em vez de predizer a temperatura absoluta, prever o ajuste em relação à temperatura corrente).

E, claro, há o elemento humano. As pessoas continuavam a intervir no termostato. Essa interação, porém, revelou-se extremamente valiosa! Cada ajuste manual funcionava como um "feedback" direto para o meu modelo. Registrava essas modificações e as classificava como "preferência humana". Gradualmente, o modelo passou a assimilar essas preferências, compreendendo que, em determinados horários ou sob certas condições, as pessoas optavam por uma pequena variação de temperatura. Essa calibração fina, alicerçada em feedback genuíno, é um componente essencial em qualquer aplicação de IA prática. É o que distingue um sistema meramente irritante de um verdadeiramente útil.

Desenvolvi, inclusive, uma interface simplificada no Google Sheets, com botões acionados por Apps Script. Se um usuário sentisse frio, por exemplo, bastava clicar em "Quero +1°C". Essa ação disparava um ajuste temporário e, ao mesmo tempo, nutria o histórico do modelo, eliminando a necessidade de intervir fisicamente no termostato.

Comparativo: Jeito Manual/Demorado vs. Jeito Automatizado

A tabela a seguir ilustra de forma concisa a transformação que implementamos:

Característica	Jeito Manual/Demorado	Jeito Automatizado (ML)
Ajuste de Temperatura	Reativo, impulsionado por queixas ou sensações subjetivas. Ajustes constantes e pouco eficazes.	Proativo, fundamentado em previsões de ML que ponderam diversas variáveis. Correções graduais e eficientes.
Gasto Energético	Elevado, decorrente de ciclos de acionamento/desligamento supérfluos, refrigeração excessiva ou aquecimento desmedido.	Minimizado, uma vez que o sistema previne picos de consumo e otimiza a operação do equipamento, ativando/desativando apenas quando estritamente preciso.
Conforto dos Usuários	Inconsistente, com setores excessivamente quentes ou frios, provocando desconforto e queixas frequentes.	Superior, com uma temperatura mais estável e personalizada, refletindo preferências registradas ao longo do tempo.
Análise de Dados	Quase nula. Decisões tomadas com base em suposições ou dados limitados.	Abrangente, com registros detalhados de sensores, condições climáticas, ocupação e ajustes, possibilitando o aprimoramento contínuo do modelo.
Manutenção do Equipamento	Aumento do desgaste devido à operação ineficiente e ciclos de trabalho abruptos.	Redução do desgaste, uma vez que a operação é mais fluida e otimizada, prevenindo tensões desnecessárias.
Tempo Gasto (Gestão)	Considerável, com a equipe dedicando tempo a ajustes e gerenciamento de reclamações.	Irrisório, pois o sistema opera de forma autônoma, liberando a equipe para atividades mais estratégicas.
Complexidade da Operação	De baixa complexidade diária, porém, ineficaz no longo prazo.	Exige alta complexidade na fase de implementação inicial, mas se torna significativamente mais eficiente e simplificada na operação contínua.

O Que Dá Errado: A Realidade Crua da Implementação

Seria ideal se tudo transcorresse sem percalços! A implementação prática de um sistema como este é, frequentemente, um cenário repleto de imprevistos, exigindo preparo. Experenciei pessoalmente cada um desses desafios:

• Dados Sujos ou Inconsistentes: A OpenWeatherMap alterou o formato de resposta da API subitamente, causando falhas em meu script Python. Sensores DHT cessavam a transmissão de dados inesperadamente. Um ESP32 perdia a conexão Wi-Fi. Consequentemente, o Sheets apresentava lacunas nos dados, e o modelo, sem informações adequadas, interrompia a operação ou gerava predições irracionais. Demorei um período considerável para implementar rotinas de validação de dados e sistemas de alerta que me notificavam sobre interrupções no fluxo ou a presença de valores anômalos.
• APIs de Termostato Inesperadas: As APIs dos termostatos demonstram grande variabilidade. Algumas requerem autenticação OAuth complexa, outras impõem limites de requisição por hora. Encontrei uma que esperava a temperatura em Fahrenheit, mesmo que eu estivesse enviando em Celsius. Depurar tais situações no Apps Script, desprovido de um ambiente de desenvolvimento robusto, é uma tarefa árdua. Recorri a inúmeras tentativas e erros, e ao uso exaustivo de `Logger.log()` para monitorar o tráfego de dados.
• Overfitting e Underfitting do Modelo: Inicialmente, meu modelo de ML tendia a "aprender" excessivamente com dados de um dia específico, falhando na generalização para outras situações. Em outras ocasiões, era excessivamente genérico, tornando-se ineficaz. Foi preciso iterar extensivamente nos hiperparâmetros, no tipo de modelo e, sobretudo, na quantidade e qualidade dos dados. Sem volume de dados adequado ou se os dados forem muito específicos, o aprendizado de máquina perde sua utilidade.
• Latência na Automação: O intervalo de tempo entre a coleta de dados, a predição do Python e o envio do comando ao termostato, por vezes, era excessivo. Se um ciclo completo levasse cinco minutos, e o ambiente aquecesse rapidamente, a correção seria tardia. Melhorar o desempenho dos scripts Python e Apps Script para uma execução mais célere representou um desafio, em especial devido às restrições de tempo de execução do Apps Script.
• Interferência Humana Descontrolada: A despeito do desejo de autonomia do sistema, as pessoas persistiam em realizar ajustes manuais. Essa intervenção "contaminava" os dados de feedback. Desenvolvi uma lógica para que ajustes manuais repetidos em curtos intervalos fossem temporariamente desconsiderados pelo modelo, ou para que o modelo demorasse mais a "assimilar" essas alterações, prevenindo reações exageradas.
• Segurança e Acesso a APIs: A segurança das chaves de API da OpenWeatherMap, do termostato e do meu próprio endpoint Python foi uma prioridade. Não era viável deixá-las expostas no código do Apps Script. Utilizeias propriedades de script do Apps Script para armazenar as chaves com maior segurança, e o endpoint Python requeria uma chave JWT simplificada para assegurar que apenas meu Apps Script tivesse acesso.

FAQ: Perguntas Técnicas Rápidas

Qual tipo de modelo de Machine Learning é mais indicado para começar a otimizar a climatização?

Para iniciar, modelos como regressão linear ou árvores de decisão (Decision Trees, Random Forests) são escolhas excelentes. São relativamente fáceis de compreender, rápidos de treinar e fornecem uma base sólida para a previsão de uma variável contínua (a exemplo da temperatura ideal) a partir de múltiplas entradas. Caso se busque uma abordagem um pouco mais avançada, técnicas de Gradient Boosting (como XGBoost ou LightGBM) podem gerar resultados superiores.

Como lidar com dados de sensores que falham ou enviam valores errados (outliers)?

Inicialmente, é fundamental aplicar validações básicas: assegure-se de que os valores se encontram dentro de um intervalo sensato (por exemplo, temperatura entre 0°C e 50°C). Em caso de falhas na transmissão, pode-se preencher os valores ausentes utilizando a média dos dados recentes, a média histórica para aquele período, ou optar por simplesmente descartar os pontos problemáticos. Pontos fora da curva (outliers) podem ser identificados e eliminados ou atenuados por meio de técnicas estatísticas, como o desvio padrão ou a mediana móvel.

Qual o papel do Google Sheets nesse sistema, além de apenas armazenar dados?

O Google Sheets desempenha o papel de um centro nervoso para visualização e controle. Para além de seu uso como repositório de dados brutos e registros de automação, ele pode funcionar como um painel de controle acessível para monitorar o estado do sistema, a temperatura corrente, as previsões e os ajustes realizados. Através do Apps Script, é factível desenvolver botões para ativar funções específicas (como um ajuste manual temporário ou o retreinamento do modelo), transformando-o em uma interface interativa para usuários sem conhecimento técnico aprofundado.

Conclusão Simples e Humana

Em suma, o que teve início como uma solução pessoal para evitar conflitos com o ar-condicionado transformou-se em um sistema capaz de gerar economia de energia e aprimorar o conforto geral. A jornada não foi trivial: enfrentei inúmeros trechos de código com falhas, momentos de frustração com perguntas como "Por que isso não funciona?!" em voz alta, e horas dedicadas a depurar requisições HTTP que se perdiam pelo caminho. No entanto, testemunhar o sistema operar autonomamente, adaptando-se às condições diárias e resultando em uma redução significativa na fatura de energia, recompensou amplamente todos os desafios enfrentados.

Essa é a essência do trabalho com essas ferramentas cotidianas. Transformamos um problema concreto e incômodo em um instigante desafio técnico. Não se trata de empregar a tecnologia mais avançada, mas sim de aplicar o conhecimento de forma pragmática para simplificar a vida. De fato, a climatização otimizada com aprendizado de máquina, mesmo que utilizando um modelo singelo e diversas "gambiarras" bem executadas, demonstra que a IA existe com um propósito claro: tornar nosso cotidiano menos enfadonho e mais produtivo.

Se fui capaz, você também é. É uma jornada de iniciar, cometer erros e, acima de tudo, aprender.