O volume crescente de resíduos gerados pela atividade humana é um dos grandes desafios ambientais da atualidade, levando à poluição do ar, do solo e da água. Uma das principais razões para isto é a falta de um sistema eficiente de gestão de resíduos que possa separar e reciclar diferentes tipos de resíduos. Com base em dados do IBGE (2017) e do MMA (Ministério do Meio Ambiente, 2017), apenas cerca de 20% dos municípios brasileiros são cobertos pelo sistema de coleta seletiva. Segundo dados do Ministério do Meio Ambiente (2022) o plástico representa aproximadamente 17% dos Resíduos Sólidos Urbanos coletados no Brasil. Ao ser destinado a aterros sanitários, o material passa a ocupar uma área significativa, o que gera a necessidade de mais espaço para a disposição do lixo, que será ocupado por centenas de anos por um material que poderia ser extremamente versátil para reciclagem. Dados da Abrelpe afirmam que no Brasil apenas 4% dos resíduos que poderiam ser reciclados são efetivamente reciclados no Brasil. Com isso em mente, o problema de pesquisa abordado foi que a triagem de resíduos está altamente dependente da ação humana, estando sujeita à consciência e iniciativa individual. Isso resulta na destinação errada de diversos materiais, o que é prejudicial ao meio ambiente e à economia. Visando potencializar o sistema de coleta seletiva e em busca de automatizar o processo de separação de resíduos para coleta tanto em ambientes públicos quanto domésticos, foi desenvolvido um dispositivo que através de inteligência artificial separa o lixo nele descartado em quatro categorias: orgânico, plástico, papel e metal. Para desenvolver o produto, foi criado um protótipo inicial simplificado com estrutura de painel de PVC, no qual foram realizados os testes da programação e a montagem dos circuitos eletrônicos. Foi desenvolvido um sistema de inteligência artificial que realizaria a distinção entre os tipos de resíduos. Esse processo foi realizado por meio do software de treinamento Teachable Machine da Google, vinculado ao sistema de aprendizado de máquina Tensorflow. Um banco de dados com 10.000 imagens foi coletado, e 5000 epochs foram realizados no sistema de treinamento. Após a realização de testes e análise dos dados coletados, um protótipo final, com estrutura de madeira OSB foi feito. Na versão final, foram valorizados a resistência do produto, experiência de usuário e a estética, visto que o produto será destinado ao mercado. O protótipo desenvolvido ao longo do processo de pesquisa representa uma solução efetiva para o problema de pesquisa. A Inteligência Artificial desenvolvida possui alto índice de precisão na distinção entre plástico, papel, metal e resíduos orgânicos, possuindo confiabilidade suficiente para implementação e comercialização. Quando comparado a alternativas já existentes, há um dispositivo que também tem o objetivo de separar resíduos, nos Estados Unidos, chamado “TrashBot” em processo de desenvolvimento. O TrashBot está em desenvolvimento há alguns anos e por isso possui um banco de dados mais rico sobre o qual trabalhar. No entanto, a Ecosort revela-se mais eficiente distinguindo com precisão entre quatro tipos de resíduos – plástico, papel, metal e orgânico – enquanto o Trashbot só consegue separar entre dois – recicláveis ​​e orgânicos. Como próximo passo para aprimoramento do projeto, foi feita uma parceria com uma empresa local que tem grande fluxo de pessoas, onde o produto será colocado para teste. Isto abre oportunidades de financiamento e de obtenção de visibilidade, pois há pretensão de destinar a Ecosort ao mercado, tornando-a um negócio de escala. O gráfico Precisão por epoch mostra que durante os testes, o nível de precisão do modelo foi de aproximadamente 90%. Isso é excelente, pois é uma taxa de precisão alta e não caracteriza overfitting, erro resultante do teste de um modelo apenas com dados de treinamento, o que cria um modelo estatisticamente perfeito, mas que não funciona de fato.