Los sensores de presión incorporados en paquetes muy pequeños se despliegan en una amplia gama de aplicaciones avanzadas. Ejemplos de aplicaciones van desde la industrial hasta los servicios de ubicación de altitud. También se están volviendo cada vez más omnipresentes en muchos otros campos de aplicación, que van desde lo industrial hasta lo militar y lo de consumo. Sin embargo, la tecnología de fabricación económica de estos sensores se ve fuertemente afectada por tensiones ambientales, que afectan en última instancia su precisión de medición en forma de variaciones en la ganancia, histéresis y respuestas no lineales. Las tensiones térmicas son la principal fuente de desviación del comportamiento del sensor. Son particularmente insidiosas porque incluso unos pocos minutos de exposición a altas temperaturas pueden causar deriva en la medición durante muchos días en las respuestas del sensor. Por lo tanto, las técnicas de calibración convencionales se ven desafiadas en su capacidad para lograr una alta precisión y durante toda la vida de despliegue del sensor. Para manejar esto, se deben realizar varios procedimientos costosos y que consumen mucho tiempo de calibración. Las técnicas de aprendizaje automático (ML) son conocidas, respaldadas por el teorema de aproximación universal, para proporcionar soluciones efectivas basadas en datos a los problemas anteriores. En este contexto, este documento aborda dos estudios de caso, correspondientes a tensiones térmicas posteriores a la soldadura y exposición a temperaturas moderadamente altas, para los cuales se han construido dos conjuntos de datos separados y se han ideado y comparado 53 modelos de ML pequeños diferentes (recopilados en un zoológico). El zoológico de ML se ha construido con modelos como redes neuronales artificiales (ANN), bosques aleatorios (RFR) y regresores de vector de soporte (SVR), capaces de predecir el error introducido por la deriva térmica y de compensar la deriva de las mediciones. Los modelos en el zoológico también cumplen con las restricciones de memoria, computacionales y de precisión asociadas con su despliegue en dispositivos integrados con recursos limitados para ser integrados en el borde. Se informan y discuten los resultados cuantitativos logrados por el zoológico, así como su despliegue en microcontroladores pequeños. Estos resultados revelan la idoneidad de un zoológico de ML pequeño para la compensación a largo plazo de los sensores de presión MEMS afectados por la deriva en sus mediciones.