La memoria propone el diseño e implementación de una plataforma de Tiny Machine Learning (Tiny-ML) con capacidad de actualización Over-The-Air (OTA), enfocada en dispositivos de bajo costo y recursos limitados como ESP32 y Raspberry Pi.

El objetivo principal es habilitar la ejecución eficiente de modelos de IA en el borde (edge computing), garantizando al mismo tiempo la posibilidad de actualizar los modelos y el firmware de manera remota y segura.

El trabajo contempla:

• Entrenamiento y optimización de modelos Tiny-ML, reduciendo su tamaño y consumo de recursos para ajustarse a las limitaciones de hardware.

• Despliegue en microcontroladores ESP32 y microcomputadoras Raspberry Pi, explorando librerías y frameworks especializados (TensorFlow Lite Micro, Edge Impulse, etc.).

• Implementación de un sistema OTA, que permita la actualización remota tanto del modelo como del software, asegurando confiabilidad y resiliencia en entornos distribuidos.

• Evaluación de desempeño, considerando métricas de latencia, consumo energético, precisión del modelo y facilidad de actualización en escenarios reales.

La memoria incluirá un caso práctico aplicado a un escenario IoT, como monitoreo ambiental o reconocimiento de patrones en sensores, validando la plataforma en condiciones reales de uso.

Este proyecto busca contribuir con una solución modular y escalable para la implementación de Tiny-ML en dispositivos embebidos, facilitando la adopción de IA en aplicaciones de bajo costo con capacidad de actualización remota.