Este projeto demonstra o uso de Web Machine Learning aplicado à análise e recomendação de burnout em contextos de trabalho remoto. Um modelo de rede neural é treinado e executado diretamente no navegador do usuário com TensorFlow.js, enquanto o PostgreSQL com a extensão pgvector atua como banco de dados vetorial para persistência e recuperação de dados por similaridade. O servidor funciona apenas como provedor de dados brutos — todo o processamento de IA (normalização, treinamento, predição e classificação) acontece no client-side.
O motor de Machine Learning reside no módulo client-side public/js/modelTraining.js e utiliza o TensorFlow.js carregado via CDN (@tensorflow/tfjs). A rede neural possui uma arquitetura sequencial densa com quatro camadas — entrada (128 neurônios, ReLU), duas camadas ocultas (64 e 32, ReLU) e saída (1, sigmoid) — otimizada com Adam e loss de erro quadrático médio. O treinamento é disparado pela tela de Treinamento do Modelo, onde o usuário define a quantidade de registros (entre 100 e 300) a serem buscados do banco de dados.
O fluxo funciona da seguinte forma:
- O formulário envia um
POST /treinamentoao servidor, que apenas busca N registros brutos do banco e retorna como JSON — nenhum treinamento ou predição acontece no servidor. - O browser recebe os dados brutos e executa todo o pipeline de IA localmente via TensorFlow.js: normalização, split 80/20 treino/validação, construção da rede neural, treinamento por 30 épocas e predição.
- Durante o treinamento, um Console de Treinamento em tempo real exibe logs por época (loss, accuracy, val_loss, val_acc) com cores indicativas, e uma barra de progresso acompanha o avanço.
- Os gráficos de precisão e erro são atualizados incrementalmente a cada 5 épocas graças aos callbacks
onEpochEndeonLog, proporcionando feedback visual contínuo. - Os botões ficam desabilitados durante o processamento para evitar submissões duplicadas.
Essa abordagem elimina carga computacional do servidor, permite experimentação interativa sem latência de rede e demonstra na prática o conceito de Web Machine Learning — onde o modelo de IA vive e opera inteiramente no navegador.
A tela Registrar meu dia (Métricas Pessoais) permite que o usuário autenticado informe 11 indicadores diários divididos em dois grupos:
- Métricas Comportamentais: horas trabalhadas, tempo de tela, quantidade de reuniões, trocas de aplicativos, pausas realizadas e trabalho após o expediente.
- Métricas Psicológicas: horas de sono, índice de fadiga, índice de isolamento social e percentual de conclusão de tarefas.
Ao submeter o formulário, os dados são enviados via POST /burnout-logs ao servidor, que persiste o registro bruto na tabela burnout_logs, executa a análise de IA e armazena os resultados processados na tabela burnout. O retorno inclui a pontuação de burnout (0–100), a classificação de risco (Low, Medium ou High) e o arquétipo comportamental (Equilibrado, Sobrecarregado, Isolado ou Alta Autonomia), além de uma recomendação personalizada baseada no arquétipo identificado.
Toda entrada de dados passa por uma etapa de normalização Min-Max implementada com operações tensoriais do TensorFlow.js. Cada uma das 11 features é mapeada para o intervalo [0, 1] com base em limites calibrados a partir do dataset de referência — por exemplo, work_hours varia de 0.5 a 18, sleep_hours de 2 a 10 e isolation_index de 3 a 9. A função minMaxNormalize cria tensores para os valores brutos, mínimos e máximos, aplica a fórmula
Durante o treinamento do modelo, uma segunda normalização dinâmica (normalizeWithContext) é aplicada, calculando min/max reais do conjunto de dados selecionado, com clamp para [0, 1] — garantindo robustez mesmo diante de valores atípicos.
O banco de dados PostgreSQL utiliza a extensão pgvector para armazenar e indexar vetores numéricos. A tabela burnout possui uma coluna embedding do tipo vector(12) que é preenchida automaticamente por uma trigger (trg_update_burnout_embedding) a cada inserção ou atualização. O embedding é composto pelas 11 features originais do registro mais a pontuação de burnout calculada, formando um vetor de 12 dimensões que captura o perfil comportamental completo do registro.
Um índice HNSW (Hierarchical Navigable Small World) é criado sobre a coluna de embedding com o operador vector_l2_ops, permitindo buscas aproximadas de vizinhos mais próximos com alta eficiência — essencial para a recuperação por similaridade em tempo real.
A busca por similaridade vetorial é o mecanismo central do sistema de recomendação. No Dashboard individual, após o usuário acumular registros, o sistema executa uma consulta utilizando o operador de distância L2 (<->) do pgvector para encontrar os 5 registros mais similares ao último registro do usuário dentre todos os outros usuários do sistema. Essa consulta compara o embedding do registro mais recente do usuário com os embeddings de toda a base, ordenando pela menor distância euclidiana.
Os registros similares recuperados mostram ao usuário como pessoas com perfis comportamentais semelhantes foram classificadas — fornecendo um contexto comparativo que enriquece a análise individual. Essa abordagem combina a predição do modelo neural (pontuação e risco) com a recuperação baseada em conteúdo (vizinhos vetoriais), formando um sistema de recomendação híbrido.
Adicionalmente, o módulo de análise inclui um agrupamento K-Means simplificado com 4 centróides pré-calibrados (Equilibrado, Sobrecarregado, Isolado, Alta Autonomia) que classifica o perfil do usuário por distância euclidiana. Cada arquétipo dispara um conjunto específico de recomendações personalizadas com sugestões práticas de atividades, definidas no módulo recommendations.js.
Telas de autenticação que permitem acesso via e-mail/senha ou Google OAuth2. O cadastro cria um novo usuário com senha hasheada (bcrypt, fator 12). As sessões são persistidas no PostgreSQL via connect-pg-simple. Proteção CSRF (double-submit cookie) e rate limiting (20 requisições por 15 minutos) estão aplicados em todas as rotas de autenticação.
Landing page pública que apresenta o propósito do sistema e direciona o usuário para login, cadastro ou relatório público. Não requer autenticação.
Formulário protegido por autenticação onde o usuário registra as métricas do seu dia. Ao submeter, o servidor processa os dados com o pipeline de IA (normalização → predição/treinamento → classificação → arquétipo) e exibe na mesma tela o resultado completo: pontuação de burnout, nível de risco, arquétipo identificado e recomendações personalizadas de atividades. Os dados ficam persistidos para análise histórica no dashboard.
Painel pessoal protegido que agrega os registros dos últimos 90 dias do usuário autenticado. Exibe:
- Cards estatísticos animados: total de registros, score médio, risco dominante e arquétipo principal.
- Gráfico de distribuição de risco (doughnut): proporção de dias Low, Medium e High.
- Tendência temporal (linha): médias semanais com indicação de melhora, estabilidade ou piora.
- Anomalias detectadas: picos de fadiga acima de 2 desvios-padrão da média.
- Eficácia de pausas: análise causal comparando burnout após dias com mais vs. menos pausas.
- Tabela de registros com filtros por data, risco e arquétipo, e paginação.
- Registros similares por busca vetorial: os 5 perfis mais parecidos de outros usuários.
Tela pública que permite experimentar o modelo de IA sem necessidade de autenticação. O usuário preenche as métricas comportamentais e psicológicas, define a quantidade de registros para treinamento (100–300), e pode escolher entre dois modos: "Treinar e Analisar" (busca dados brutos do servidor, treina a rede neural no browser com TensorFlow.js e prediz o resultado) ou "Analisar" (usa apenas a regressão ponderada estática sem treinar o modelo). A tela apresenta:
- Console de Treinamento em tempo real: exibe logs por época com loss, accuracy e métricas de validação, com cores indicativas de progresso.
- Barra de progresso: acompanha o avanço do treinamento época por época.
- Gráficos incrementais: os charts de precisão do modelo e erro de treinamento são atualizados a cada 5 épocas durante o processo, proporcionando feedback visual contínuo.
- Predição e recomendações: ao final do treinamento, exibe a pontuação de burnout, classificação de risco, arquétipo identificado e recomendações personalizadas.
- Painel de pesos: permite ajustar os pesos da regressão estática para experimentação.
Visão agregada e anônima dos dados de todos os participantes, acessível sem autenticação. Apresenta:
- Cards globais: total de usuários, total de registros, score médio e fadiga média.
- Distribuição de risco global (doughnut).
- Burnout médio por dia da semana (barras).
- Tendência dos últimos 30 dias (linha).
- Distribuição de arquétipos comportamentais (doughnut).
Os dados são cacheados em memória por 60 segundos e as queries executam em paralelo para performance otimizada.
A arquitetura do treinamento foi migrada do servidor para o navegador, seguindo o paradigma de Web Machine Learning:
| Arquivo | Mudança |
|---|---|
public/js/modelTraining.js (novo) |
Engine completa de treinamento com TensorFlow.js que roda no browser. Inclui normalização Min-Max, rede neural (11→128→64→32→1), classificação de risco, K-Means para arquétipos e análise estática com pesos customizáveis. Callbacks onLog e onEpochEnd permitem saída em tempo real na tela. |
src/routes/treinamento.js (simplificado) |
O servidor agora apenas busca os N registros brutos do banco via ORDER BY RANDOM() LIMIT $1 e retorna como JSON. Nenhum treinamento, normalização ou predição acontece no servidor. |
src/views/treinamento.ejs (atualizado) |
O formulário agora: (1) busca dados brutos do servidor, (2) treina a rede neural no browser com TensorFlow.js, (3) mostra um Console de Treinamento em tempo real com logs por época (loss, accuracy), (4) exibe uma barra de progresso durante o treinamento, (5) atualiza os gráficos incrementalmente a cada 5 épocas, (6) desabilita botões durante o processamento. |
src/views/layout.ejs (atualizado) |
Adicionados o CDN do TensorFlow.js (@tensorflow/tfjs@4.22.0) e o script public/js/modelTraining.js para disponibilizar a engine em todas as páginas. |
Fluxo atual: Formulário → POST /treinamento retorna dados brutos → TF.js no browser treina a rede neural → resultados aparecem no console e gráficos em tempo real na página.
- Fonte primária: Kaggle: Remote Work Burnout & Social Isolation (2026)