Este estudio se centra en mejorar el análisis de sentimientos en reseñas de restaurantes mediante el aprovechamiento del aprendizaje por transferencia y modelos preentrenados basados en transformadores. Este trabajo evalúa la idoneidad de modelos preentrenados de aprendizaje profundo para analizar tareas de Procesamiento del Lenguaje Natural en portugués. También explora la viabilidad de utilizar dispositivos de borde para tareas de Procesamiento del Lenguaje Natural, considerando sus limitaciones computacionales y restricciones de recursos. Específicamente, empleamos representaciones de codificador bidireccional de transformadores y un enfoque BERT robustamente optimizado, dos modelos de vanguardia, para construir un clasificador de reseñas de sentimientos. El rendimiento del clasificador se evalúa utilizando la precisión y el área bajo la curva característica de funcionamiento del receptor como métricas principales. Nuestros resultados demuestran que el clasificador desarrollado utilizando técnicas de conjunto supera al modelo base (de 0.80 a 0.84) en clasificar con precisión los sentimientos de las reseñas de restaurantes cuando se consideran tres clases (negativo, neutral y positivo), alcanzando una precisión y un área bajo la curva característica de funcionamiento del receptor superiores a 0.8 al examinar un conjunto de datos de reseñas de restaurantes de Zomato, proporcionado para este trabajo. Este estudio busca crear un modelo para la clasificación precisa de reseñas en portugués en categorías positivas, negativas o neutras. La flexibilidad de desplegar nuestro modelo en plataformas de hardware asequibles sugiere su potencial para habilitar soluciones en tiempo real. El despliegue del modelo en plataformas de computación de borde mejora la accesibilidad en entornos con limitaciones de recursos.