Visão geral do projeto
BirdDex AI é um app de identificação e coleção de aves no navegador, desenhado como um dispositivo de campo web-first e divertido. A ideia começou como uma exploração de ferramentas visuais de ML, como Google Teachable Machine, e evoluiu para um pipeline TensorFlow controlado com curadoria de dataset, treino de modelo, avaliação, exportação TensorFlow.js e integração no navegador. O usuário captura uma ave com a câmera do app, executa inferência do modelo diretamente no navegador, confirma a espécie sugerida ou marca a captura como desconhecida, e desbloqueia entradas em uma coleção BirdDex pessoal.
Desafio
Criar um MVP com sensação polida e colecionável enquanto comprova o ciclo completo de IA em um ciclo curto de construção: framing de produto, curadoria de dataset, treino do modelo, exportação para TensorFlow.js, inferência no navegador, confirmação da captura, desbloqueio de espécies e revisão do histórico. O escopo foi reduzido de forma intencional para 10 aves brasileiras populares, permitindo treinar, validar e publicar rápido sem fingir resolver um problema amplo de classificação biológica logo no primeiro dia.
Solução
Construí uma arquitetura em camadas separando regras de domínio, casos de uso da aplicação, adapters de infraestrutura e UI em Next.js. A inferência com TensorFlow.js roda diretamente no navegador, evitando uma API de inferência para reduzir custo, preservar privacidade, simplificar a arquitetura do MVP e manter a experiência adequada para PWA. O pipeline de ML faz curadoria de dados de aves do iNaturalist, prepara splits balanceados de treino e validação, treina um classificador baseado em MobileNetV3, avalia em 400 imagens de validação distribuídas em 10 classes, alcança aproximadamente 74,75% de acurácia de validação na primeira iteração, exporta artefatos TensorFlow.js e publica os arquivos necessários no web app. Com processo definido e prompts fortes, um projeto como este pode sair de conceito para demo funcional em um dia sem abandonar disciplina de engenharia.
Artigos relacionados
Este projeto é um exemplo prático de desenvolvimento assistido por IA com processo, disciplina de prompt engineering e ML Engineering real: o modelo foi treinado, avaliado, exportado e integrado à experiência no navegador.
The problem isn't AI. It's using AI without process.
Como desenvolvimento assistido por IA pode entregar rápido quando é guiado por arquitetura, checkpoints, validação e um processo claro de engenharia.
The Ultimate Guide to Prompt Engineering
O playbook de prompt engineering por trás de transformar intenção em planos estruturados, loops de implementação, revisões e software utilizável.
Tech Stack
- Next.js
- TensorFlow.js
- Visão Computacional
- ML Engineering
- Clean Architecture
- PWA
- i18n
- Pipeline de ML
Escopo técnico
- PWA web-first com captura por câmera dentro do app e comportamento standalone
- Pipeline de ML Engineering com curadoria iNaturalist, treino MobileNetV3, validação e exportação TensorFlow.js
- Coleção BirdDex local-first com estados descoberto, não descoberto, desconhecido, feedback e histórico de capturas
- Inferência no navegador otimizada para privacidade, baixo custo operacional, entrega PWA e velocidade de MVP