Desde el inicio del proyecto, asumimos un compromiso público: los desarrollos alcanzados en el marco de Automaise Sustainable AI Platform se compartirían con la comunidad global de profesionales de IA, en código abierto, sin barreras de acceso. 

Hoy podemos decir que hemos cumplido esa promesa. Las tres bibliotecas Python desarrolladas en el proyecto están disponibles en PyPI, listas para ser instaladas y utilizadas por cualquier equipo de desarrollo de IA. 

¿Por qué el open-source? 

La IA ha estado en el centro de la mayoría de los avances científicos y tecnológicos de los últimos 20 años. Pero el desarrollo de soluciones basadas en IA, particularmente en los procesos de entrenamiento e inferencia de los modelos, consume elevadas cantidades de energía, poniendo en duda la sostenibilidad de esta tecnología en términos ambientales y energéticos. 

La comunidad científica reconoce el problema. Lo que falta son herramientas prácticas, desarrolladas con datos reales, que cualquier equipo pueda usar en su día a día. 

Las tres bibliotecas 

winnow-sampler — el Data-Centric Sampler en código abierto 

Genera conjuntos de datos sintéticos a partir de una base de conocimiento, optimizados para fine-tuning. Reduce en hasta un 40% el volumen de datos necesario para entrenar un modelo, sin comprometer la calidad. 

Disponible en: pypi.org/project/winnow-sampler 

llm-carbon-calculator — el AI Carbon Emissions Calculator en código abierto 

Calcula las emisiones de CO₂ asociadas a llamadas de API a modelos de lenguaje, siguiendo los estándares de la Green Software Foundation. Permite medir el impacto ambiental real de las soluciones de IA, integrado directamente en los flujos de desarrollo. Es la herramienta que nos permite responder a una pregunta que, hasta ahora, pocos se hacían: ¿cuánto le cuesta este modelo al planeta? 

Disponible en: pypi.org/project/llm-carbon-calculator  

fiesta-trainer — el Green LLM Engine en código abierto 

Permite realizar fine-tuning del modelo multilingual-e5-large-instruct con adaptadores LoRA, optimizado para tareas de information retrieval. Una forma más eficiente de ajustar modelos de lenguaje para contextos específicos, reduciendo la complejidad computacional del proceso y haciendo que el desarrollo de soluciones de IA sea más accesible y más sostenible. 

Disponible en: pypi.org/project/fiesta-trainer 

Y hay una novedad más 

En el transcurso de este proyecto, también hemos presentado una solicitud de patente. Un reconocimiento formal de que el trabajo de investigación desarrollado representa una contribución original al estado del arte. Protegemos lo que es nuestro, sin dejar de compartir lo que es de todos. 

Qué hacer a continuación 

Cualquier equipo de data science puede hoy instalar estas bibliotecas, integrarlas en sus flujos de trabajo y beneficiarse de dos años de investigación aplicada. Sin costes, sin fricciones. 

El objetivo siempre ha sido este: sensibilizar a la comunidad de profesionales de IA sobre los consumos energéticos de las tecnologías que utilizamos todos los días, y poner herramientas concretas en manos de quienes pueden utilizarlas para marcar la diferencia. 

La Automaise Sustainable AI Platform es un proyecto cofinanciado por Portugal 2030 y la Unión Europea a través del programa COMPETE 2030. Las bibliotecas Python desarrolladas en el marco del proyecto están disponibles en PyPI: winnow-sampler, llm-carbon-calculator y fiesta-trainer.