O desenvolvimento do ParkWatcher começou com a recolha e preparação dos dados históricos fornecidos pela Parkware. Estes dados foram fundamentais para o desenvolvimento dos algoritmos de machine learning que suportam o sistema de previsão de falhas. A aplicação foi projetada para permitir a importação de diferentes conjuntos de dados, com a flexibilidade necessária para se adaptar a vários cenários de utilização. A AI-CENTER Testbed focou-se na criação de um dashboard intuitivo, que permite a visualização gráfica dos dados históricos e das previsões geradas. O utilizador pode selecionar o horizonte temporal e o nível de granularidade das previsões, facilitando a análise e a tomada de decisões. Além disso, os resultados das previsões podem ser exportados em múltiplos formatos, como CSV, XLSX, JSON e PNG, para facilitar o uso e a integração com outros sistemas. Os testes realizados durante o desenvolvimento do ParkWatcher mostraram que a precisão das previsões está diretamente relacionada com a qualidade e a abrangência dos dados históricos utilizados. Isso sublinha a importância de utilizar um dataset bem estruturado para obter previsões mais precisas, especialmente para horizontes temporais mais longos. Durante a fase de desenvolvimento, a AI-CENTER Testbed focou-se em garantir que o AirSensorChecker fosse capaz de gerar previsões precisas e úteis. Foram realizados testes rigorosos para validar o produto, e os resultados indicaram que a qualidade das previsões estava intimamente ligada à qualidade e abrangência do dataset histórico utilizado. Em particular, foi observado que previsões de longo prazo necessitam de um dataset extenso e detalhado para assegurar a precisão das estimativas. Após a fase de testes e validação no ambiente virtual da AI-CENTER Testbed, o AirSensorChecker foi refinado para garantir que estava pronto para ser lançado no mercado como uma solução robusta e eficaz para a previsão de falhas de comunicação em sensores de qualidade do ar. Durante o desenvolvimento, a AI-CENTER Testbed focou-se em garantir que os dados fossem processados e organizados de forma a maximizar a precisão das previsões. Os testes realizados mostraram que a qualidade e a abrangência dos dados históricos são cruciais para a eficácia do TrashTrender, especialmente para previsões de longo prazo. O Produto Piloto foi submetido a uma série de testes rigorosos no ambiente virtual da AI-CENTER Testbed, o que permitiu refinar o produto e prepará-lo para a comercialização. A validação do TrashTrender incluiu a criação de um vídeo demonstrativo que ilustra o funcionamento do dashboard e as funcionalidades de visualização das previsões.Na fase inicial, foi desenvolvida uma aplicação com um menu intuitivo, permitindo aos utilizadores aceder a todas as estruturas e áreas de um projeto por meio de pesquisas por ID, localização, entre outros critérios. A aplicação possibilita a edição ou eliminação de estruturas, garantindo que cada projeto armazene dados detalhados, como identificação, áreas, edificações e infraestruturas. Um layout de rede visual, integrado com o Google Maps, foi criado para permitir a atribuição visual de trabalhos.