Certo dia, sentado com um vizinho à beira da piscina, conversávamos sobre tecnologias que já existem hoje, mas que há vinte anos pareceriam impossíveis. Surgiu uma ideia na conversa: será que a câmera comum de um smartphone consegue captar informação suficiente para ajudar a avaliar o estado de saúde de alguém — ou de algo? Animais, cachorros em particular, pareceram a direção óbvia. Alguns dias depois voltei a pensar naquela conversa e decidi verificar se esse tipo de tecnologia já existia, e o quão realista seria analisar o estado de um animal a partir de um vídeo.

Essa pesquisa me levou ao DeepLabCut, um framework para rastrear automaticamente o movimento e a posição de partes do corpo. Estudei publicações científicas e exemplos práticos de uso dele, me aprofundei em visão computacional, selecionei alguns modelos de rede neural locais, montei uma base de conhecimento veterinário especializada e reuni tudo isso em um único pipeline inteligente.

Como funciona

Foi assim que surgiu o app mobile para monitorar a saúde de cachorros. Se a marcha do cachorro parece ter mudado, o dono grava um vídeo curto e o envia para análise: o sistema rastreia pontos-chave no corpo do animal e estuda seu movimento quadro a quadro, tentando captar até pequenas mudanças fáceis de passar despercebidas a olho nu. Os dados obtidos viram parâmetros mensuráveis e são comparados a uma base de conhecimento especializada — vários modelos de IA geram em conjunto uma avaliação probabilística do estado do animal e ajudam a decidir se vale a pena procurar um veterinário.

O app também mantém um histórico de saúde do cachorro: se um diagnóstico já foi feito por um veterinário, o dono pode registrar indicadores regularmente e acompanhar a evolução. Uma parte separada do sistema é um consultor de IA, ajustado com uma base de conhecimento veterinário especializada: ele responde perguntas sobre cuidados com o cachorro e ajuda a interpretar as observações em um formato de conversa.

Feito para funcionar sozinho

Toda a lógica complexa fica no servidor — o app mobile continua sendo uma interface simples, com resultados de análise, gráficos e histórico de observações. Ao mesmo tempo, a plataforma funciona de forma autônoma e não depende de APIs externas de IA: por trás dela há várias redes neurais próprias, rodando localmente, para visão computacional, análise de movimento e o consultor, o que mantém todo o processamento de dados sob meu controle e independente de serviços de terceiros.

Ao longo do desenvolvimento, precisei aprender o básico de anatomia veterinária, biomecânica e como avaliar o movimento de cachorros. Mas a principal dificuldade do projeto é técnica: processamento de vídeo estável, reconhecimento correto da postura, extração precisa dos parâmetros de movimento e uma interpretação confiável dos resultados.

Onde o projeto está hoje

Na fase atual, o projeto já está completo visual e funcionalmente: o app mobile, o pipeline de processamento de vídeo no servidor, os modelos de visão computacional, o sistema de análise de marcha, a base de conhecimento médico e o consultor de IA já estão prontos e integrados. O foco está passando da construção da infraestrutura para o ajuste fino dos modelos e para testes com dados reais.

Próximos passos

A próxima etapa é a validação completa dos resultados junto com especialistas veterinários: avaliar a precisão e a reprodutibilidade da análise, comparar as conclusões do sistema com uma avaliação profissional e entender em quais cenários o produto é realmente útil.

O que isso pode significar — e o que não substitui

Uma ferramenta assim pode ser útil para muitos donos de cachorro. Ela não substitui um veterinário, mas pode ajudar a notar mudanças no movimento do pet mais cedo, acompanhar a evolução de forma sistemática e tomar uma decisão mais informada sobre quando procurar um especialista.

A pergunta em aberto: existe demanda real

Para que o desenvolvimento do projeto continue fazendo sentido, preciso confirmar não só a utilidade da ideia, mas também se existe demanda real: com que frequência os donos enfrentam esse problema e se estariam dispostos a usar uma ferramenta assim. No momento, estou estudando métodos de análise de mercado e formas de validar hipóteses de produto — os resultados vão definir o futuro do projeto.

Mesmo que o projeto continue sendo um experimento paralelo complexo, com cerca de 300 horas de trabalho investidas, ele já me deu exatamente o que valia a pena buscar: experiência prática com visão computacional, redes neurais locais e dados médicos no nível de um produto completo. E se a pesquisa confirmar a demanda, esse protótipo está pronto para se tornar a base de um serviço que poderei oferecer com orgulho aos donos de cachorro.

Assistir ao vídeo

0:00 / 0:00