Aprendizado de máquina tem se tornado uma ferramenta essencial
para qualquer sistema de tomada de decisão. Devido a limitações
de performance impostas por arquiteturas tradicionais que utilizam
Central Processing Units (CPUs), para aplicações mais críticas, métodos
de aceleração com Graphical Processing Unit (GPU) e Application
Specific Integrated Circuit (ASIC) têm sido empregados. No entanto,
quando aplicadas a sistemas embarcados, estas apresentam limitações
relacionadas a tamanho físico e complexidade. Para resolver
estes problemas, a utilização da tecnologia Field Programmable Gate
Array (FPGA) tem se mostrado promissora devido a sua grande eficiência,
paralelismo real, reconfigurabilidade e flexibilidade. Diante
disso, este estudo tem como objetivo, além de fazer uma revisão
aprofundada da bibliografia, apresentar arquiteturas projetadas
em FPGA que buscam minimizar tais limitações, maximizando a
eficiência, sem perda de performance significativa e de modo a viabilizar
sua utilização em sistemas embarcados. Resultados mostram
ganhos em performance acima de 95% quando utilizando um hardware
especialista desenvolvido em FPGA utilizando o algoritmo de
aprendizado de máquina K-Nearest Neighbor (KNN).