Na trilha Physical AI do TDC São Paulo 2026, o palestrante apresentou a arquitetura de dados por trás da Tractian, startup brasileira fundada em 2019 que monitora ativos industriais com sensores próprios de vibração. Segundo a apresentação, hoje existem cerca de 200 mil sensores SmartTrack instalados em fábricas ao redor do mundo, cada um coletando dados continuamente com bateria projetada para durar quatro anos.
Para economizar energia, o sensor não se conecta direto à internet: ele fala com um gateway local via protocolo proprietário de baixo consumo ("como se fosse um Bluetooth ou Zigbee, só que proprietário"), e é o gateway — ligado na tomada — quem envia os dados via LTE, 3G, 4G ou até 2G, dependendo da infraestrutura disponível na planta.
Do sinal bruto à decisão
O pipeline começa com processamento digital de sinais tradicional (transformadas de Fourier) para extrair frequências relevantes, já que, segundo o palestrante, "a base de todas as features que a gente constrói ainda é a parte de DSP tradicional". Essas features alimentam modelos de machine learning treinados individualmente por máquina — não um modelo global —, porque duas máquinas idênticas podem se comportar de forma completamente diferente conforme a carga e o uso.
A arquitetura interna divide o trabalho em três blocos lógicos: a estratégia, que decide quais modelos rodar para cada tipo de máquina; o feeder, que monta as features de entrada evitando recalcular a mesma coisa para modelos diferentes; e o diagnoser, que aplica regras de negócio para transformar saídas de modelos em alertas coerentes ao cliente — evitando, nas palavras do palestrante, "gritar lobo" a cada coleta.
Toda a execução é orientada a eventos, com fila → router → load balancer → workers (divididos em light, heavy e train, conforme o custo computacional) → um serviço chamado offloader, responsável por gravar no banco de forma assíncrona sem bloquear o pipeline principal.
Os números e o papel dos LLMs
Os slides mostraram o sistema rodando com mais de 300 CPUs e 700 GB de RAM, processando cerca de 20 mil coletas por minuto e, em uma janela de uma hora, mais de 1,2 milhão de execuções de estratégia e mais de 3 milhões de execuções de modelo, com taxa de erro zero registrada no painel.
Sobre IA generativa, o palestrante explicou que LLMs só entram depois de todo esse funil: "a gente filtra mais ou menos 99,5% de tudo que chega", enviando aos agentes apenas as coletas que os modelos tradicionais já sinalizaram como anômalas — estratégia que reduz custo e latência de forma significativa.
Em resposta a perguntas da plateia, ficou claro que eventos como manutenção ou reposicionamento de sensor disparam retreinamento automático do modelo daquela máquina específica, e que as leituras usadas para inferência vêm direto do banco transacional, não de um data warehouse — para não pagar o preço da consistência eventual em um sistema que precisa reagir em tempo real.