Розглянуто програмну платформу самокалібрування сенсорів розумного будинку, реалізовану як зовнішній сервіс на Python для локальних систем Інтернету речей (IoT). Актуальність роботи зумовлена тим, що дрейф і систематична похибка недорогих температурних та вологісних сенсорів безпосередньо впливають на якість моніторингу мікроклімату, коректність автоматизованих сценаріїв керування опаленням і вентиляцією, а також на енергетичну ефективність житла. На рівні програмної реалізації відтворено повний конвеєр обробки даних: надходження показів через REST API, MQTT або симулятор, збереження в базі даних PostgreSQL, періодичне перенавчання калібрувальної моделі, застосування корекції до нових вимірювань, онлайн-виявлення аномалій та подальшу візуалізацію через веб-дашборд і Grafana. Методична новизна рішення полягає у поєднанні часової синхронізації пар "сирий сенсор - еталон", робастної афінної корекції за допомогою HuberRegressor, правила прийняття моделі за критерієм зменшення середньої абсолютної похибки (mean absolute error, MAE) не менше ніж на 2 % та онлайн-детекції аномалій на основі медіанного абсолютного відхилення (median absolute deviation, MAD) з резервним переходом до z-оцінки.