Edge AI da Dyson: como funciona a CameraJet e o Nurovi

Dyson mostrou em Berlim o que eu chamo de virada da IA de borda no consumidor comum. Câmera dentro de escova de dentes, robôs que enxergam manchas invisíveis a olho nu, processamento local sem mandar nada pra nuvem. Pra quem é dev, isso é muito mais interessante do que parece — é a materialização do que a gente constrói em produção, só que agora dentro de produtos de prateleira.

Segundo o Sapo.pt, a empresa britânica colocou visão computacional, aprendizado de máquina e IA no centro da estratégia. Eu separei o que vale a pena analisar do ponto de vista técnico — porque tem marketing disfarçado de inovação e tem coisa genuinamente interessante por baixo do capô.

CameraJet: uma câmera de 100k píxeis dentro da sua escova

O destaque foi a CameraJet, escova elétrica com câmera macro de cem mil píxeis analisando a boca em tempo real, quadro a quadro. Não é a primeira câmera em escova — a Oral-B já brincou com isso — mas a abordagem da Dyson é diferente: o foco não é mostrar vídeo bonito no app, e sim rodar detecção local de áreas com acúmulo de placa.

Tecnicamente, isso significa:

• Sensor pequeno o suficiente pra caber no cabeçote sem comprometer ergonomia.
• Inferência on-device: nada vai pra nuvem, tudo é processado no chip embarcado.
• Pipeline de visão computacional leve, provavelmente um modelo tipo YOLOv8-nano ou MobileNet rodando a cada segundo.
• Disparo físico: quando a classe “placa crítica” é detectada, o sistema aciona um jato de enxaguante bucal no ponto exato.

O preço? 479 euros. Caro, mas comparável a um iPhone intermediário. Faz sentido financeiramente pra você? Provavelmente não, a menos que você tenha curiosidade clínica de desmontar. Mas a tecnologia embutida é o verdadeiro tema aqui.

Nurovi: o aspirador robô que finalmente enxerga

A linha Nurovi é onde eu vi mais coisa útil. Três modelos, três propostas distintas — e um denominador comum: visão computacional aplicada a pisos.

R3 Spot+Scrub UV: luz UV e detecção de manchas invisíveis

O modelo topo de gama combina luz ultravioleta com sensores de visão pra identificar manchas invisíveis ao olho humano. O mecanismo de mola com rolo lava com água a 70°C e aplica sucção forte em carpetes ou madeira. É a mesma lógica de detecção de anomalias que eu uso em pipelines de observabilidade — você não monitora o óbvio, você monitora o desvio.

R2 Wash+Dry: mopas triangulares com geometria Reuleaux

O R2 aposta em mopas com formato triangular Reuleaux (curva de largura constante, usada em brocas e em algumas moedas antigas). O objetivo é chegar melhor aos cantos, esfregando em ângulos que mopas redondas não alcançam. Água a 75°C na base de apoio garante secagem rápida. Sai por 849 euros em setembro.

R1 Dry: a porta de entrada

Pra quem só quer aspirar sem lavar, o R1 Dry chega em outubro por 549 euros. Modelo de entrada, sem os sensores avançados. E pra completar, a W1 PencilWash — mopa elétrica manual com base de autolimpeza rápida por 349 euros. Honestamente, pra programador que mora em apê pequeno, é o que mais faz sentido da lista toda.

Por que isso interessa pra quem é dev

Três razões técnicas pelas quais eu estou prestando atenção nessa leva:

1. Edge AI finalmente chegando ao consumidor final. Rodar modelos de visão em chip ARM de baixo consumo não é novidade no mundo dev, mas ver isso embarcado em escova de dente mostra que o custo da inferência local caiu a ponto de justificar em produto de 500 euros. Se a Dyson consegue, qualquer startup consegue.

2. Privacidade por padrão. A Dyson afirma que as imagens da boca ficam no dispositivo. Pra mim, isso é um movimento estratégico importante: à medida que o GDPR fica mais agressivo, fabricantes que processam dados localmente ganham argumento de venda. Como dev, eu sempre que posso empurro inferência pro cliente e zero retenção no servidor.

3. Sensores multi-modais em hardware barato. UV + RGB + temperatura da água + sensores de pressão. A convergência de sensores em hardware compacto abre portas pra projetos pessoais. Se você quer montar um sistema de inspeção industrial caseiro, dá pra fazer com 200 euros em hardware hoje.

Na Prática: simulando a pipeline da CameraJet em Python

Pra entender o que a Dyson está fazendo, nada melhor do que montar uma pipeline mínima em Python que reproduza a lógica: capturar imagem, rodar detecção local, disparar ação. Não vou usar YOLO de verdade (ficaria pesado), mas dá pra simular com OpenCV e um classificador exportado em ONNX.

import cv2
import numpy as np
from datetime import datetime

class CameraJetSimulator:
    def __init__(self, model_path="plaque_detector.onnx"):
        # Carrega modelo leve de detecção (MobileNetV3 ou similar)
        self.net = cv2.dnn.readNetFromONNX(model_path)
        self.net.setPreferableBackend(cv2.dnn.DNN_BACKEND_OPENCV)
        self.net.setPreferableTarget(cv2.dnn.DNN_TARGET_CPU)
        self.confidence_threshold = 0.6
        self.last_action = None

    def detect_plaque(self, frame):
        # Pre-processamento: blob 224x224, normalizacao ImageNet
        blob = cv2.dnn.blobFromImage(
            frame, scalefactor=1.0/255, size=(224, 224),
            mean=(0.485, 0.456, 0.406), swapRB=True, crop=False
        )
        self.net.setInput(blob)
        outputs = self.net.forward()

        # Filtra deteccoes com confianca acima do threshold
        detections = []
        for det in outputs[0]:
            confidence = float(det[4])
            if confidence > self.confidence_threshold:
                detections.append({
                    "confidence": confidence,
                    "bbox": det[:4].tolist(),
                    "timestamp": datetime.now().isoformat()
                })
        return detections

    def trigger_action(self, detections):
        if not detections:
            return None
        # Dispara jato de enxaguante na regiao de maior confianca
        top = max(detections, key=lambda x: x["confidence"])
        self.last_action = {
            "type": "jet_spray",
            "target": top["bbox"],
            "intensity": min(1.0, top["confidence"]),
            "at": top["timestamp"]
        }
        return self.last_action

    def run(self, source=0):
        cap = cv2.VideoCapture(source)
        print("[CameraJet] Inferencia local ativa. Nada sai do dispositivo.")
        while True:
            ret, frame = cap.read()
            if not ret:
                break
            detections = self.detect_plaque(frame)
            action = self.trigger_action(detections)
            if action:
                print(f"[Acao] Jato acionado: {action}")
        cap.release()

if __name__ == "__main__":
    cam = CameraJetSimulator()
    cam.run()

Esse é o esqueleto do que está rodando dentro da CameraJet. O modelo deles é proprietário e muito mais otimizado, mas a arquitetura é a mesma: capture → preprocess → inference → action. Se você quiser ir além, dá pra trocar o classificador por um YOLOv8-nano exportado pra ONNX e ter detecção decente rodando em Raspberry Pi 5.

Erros Comuns (que devs cometem com edge AI)

1. Confundir “IA” com “modelo bom”. Um classificador de 90% de acurácia parece ótimo até você descobrir que ele erra 10% dos casos críticos. Em saúde bucal, 10% de erro significa placa não tratada. Dyson provavelmente roda ensemble ou pós-processamento heurístico pra cobrir isso. Nunca aceite uma métrica de topo sem olhar a matriz de confusão.

2. Subestimar o custo de sensores. Câmera macro de 100k píxeis dentro de escova exige miniaturização cara. Não é só “um sensor de celular menor”. A integração mecânica, vedação contra água e calibração ótica custam caro. Por isso os 479 euros.

3. Ignorar latência de inferência. Em edge AI, 100ms já é muito. Se a câmera processa a 1Hz (um quadro por segundo), o usuário tem até 1 segundo de resposta. Pra feedback tátil, é aceitável. Pra controle de motor em tempo real, seria catastrófico.

4. Esquecer do consumo de bateria. Inferência de visão consome watts. Uma escova elétrica tem bateria pequena. A Dyson teve que otimizar firmware pesado pra isso rodar com carga única. Como dev mobile, eu vejo gente todo dia reclamando de drain de bateria por processamento mal otimizado.

5. Confiar demais na promessa de “nada vai pra nuvem”. Verifique. Abra o tráfego de rede com Wireshark ou Little Snitch. Empresas mudam de ideia sobre privacidade constantemente. Como dev, eu sempre faço esse teste antes de comprar qualquer produto IoT — e já fui surpreendido mais de uma vez.

Comparativo rápido: Dyson vs alternativas reais

FAQ — O que devs costumam perguntar

A CameraJet roda o que, exatamente?

Provavelmente um modelo CNN leve (MobileNetV3 ou EfficientNet-Lite) treinado em imagens de placa bacteriana. Inferencia em chip ARM dedicado, sem GPU.

Posso integrar a CameraJet com minha automacao?

Nao por enquanto. Dyson nao abriu API publica. Pra automacao caseira, prefira Roomba ou Roborock, que tem SDK e integracao com Home Assistant.

O aspirador R3 UV e seguro pra piso de madeira?

Sim, agua a 70°C e UV controlado nao danificam acabamento selado. Em madeira bruta ou envelhecida, eu evitaria — nao pela UV, mas pela umidade.

Vale pagar 479 euros na CameraJet?

Pra consumidor comum, nao. Pra dev que quer desassemblar e estudar edge AI aplicado, pode ser um projeto interessante. Mas e caro pra “brincar”.

A Dyson usa algum framework conhecido?

Provavelmente TensorFlow Lite ou ONNX Runtime rodando em chip ARM Cortex-M ou similar. Eles tem equipe de firmware grande no Reino Unido.

Consideracoes finais

No fim das contas, o que a Dyson mostrou em Berlim nao e sobre produtos domesticos — e sobre aonde a IA de borda esta chegando. Escova de dente com camera, robo que ve manchas em UV, mopa com geometria Reuleaux. Tudo isso e pesquisa de visao computacional que antes ficava restrita a laboratorios, agora cabendo em produto de consumidor.

Eu fico de olho nessa convergencia porque ela afeta diretamente o tipo de produto que eu consigo construir como dev independente. Quando o custo de inferencia local cai e os sensores barateiam, a barreira de entrada pra projetos de IoT com IA some. Isso e bom.

Se voce trabalha com CV, recomendo testar o codigo que deixei acima com seu proprio dataset. E se quiser trocar ideia sobre edge AI, deixa nos comentarios — sempre aparece alguem com cenario interessante.

Gostou? Me segue no GitHub e deixa um comentario se tiver duvida ou quiser aprofundar algum ponto.