La guía establece un marco integral para reducir el impacto ambiental de la inteligencia artificial a través de una gestión eficiente de los datos y del diseño responsable de algoritmos, abordando todo el ciclo de vida de los modelos, desde la obtención de los datos hasta el despliegue y mantenimiento en producción. Parte de una premisa clara: la sostenibilidad en IA no depende únicamente del hardware o de la infraestructura, sino, de forma crítica, de cómo se seleccionan, tratan y reutilizan los datos y modelos.
En el ámbito de los datos, la guía subraya la necesidad de minimizar volúmenes innecesarios mediante filtrado, reducción de redundancias y técnicas de compresión, así como de priorizar fuentes de datos sostenibles y reutilizables. Se destacan prácticas como el uso de datos sintéticos, la aumentación de datos y el active learning, que permiten alcanzar niveles de rendimiento similares con conjuntos de datos más pequeños, reduciendo el consumo energético asociado al almacenamiento, procesamiento y etiquetado. Asimismo, se introduce el concepto de economía circular de datos, promoviendo la reutilización de datasets existentes y evitando la generación repetitiva de nuevos conjuntos de datos.
En relación con los algoritmos y modelos, la guía enfatiza la importancia de seleccionar arquitecturas acordes al caso de uso, evitando soluciones sobredimensionadas cuando modelos más simples resultan suficientes. Se presentan técnicas clave de eficiencia, como pruning, cuantización, entrenamiento de baja precisión, optimización de hiperparámetros y estrategias de entrenamiento distribuido bien gestionado. El uso de modelos preentrenados y fundacionales, junto con técnicas de transfer learning y knowledge distillation, se identifica como una de las palancas más efectivas para reducir el consumo energético frente al entrenamiento desde cero.
El documento también aborda la gestión del ciclo de vida de los modelos, destacando la necesidad de actualizar, versionar, reutilizar y retirar modelos de forma sistemática para evitar proliferaciones innecesarias que incrementen el consumo de recursos. Se refuerza la importancia de medir y comparar el impacto energético de las distintas alternativas de entrenamiento e inferencia, apoyándose en métricas objetivas y benchmarks de referencia.
Finalmente, la guía analiza casos de éxito de modelos diseñados con criterios de eficiencia (como arquitecturas ligeras, modelos destilados o soluciones edge), demostrando que es posible mantener altos niveles de rendimiento con una huella ambiental significativamente menor. En conjunto, el documento ofrece una hoja de ruta clara para integrar sostenibilidad y eficiencia como criterios estructurales en el diseño de datos, algoritmos y modelos de IA.
