# ¿Cómo fijo un presupuesto de cómputo para un proyecto de investigación?

> Fije y controle un presupuesto de cómputo para la investigación en IA: estime horas de GPU, haga pilotos, pare pronto las malas ejecuciones, reutilice y declare el cómputo.

Source: https://greenai.guide/es/como/como-fijo-un-presupuesto-de-computo-para-un-proyecto-de-investigacion/  
Updated: 2026-11-19

## En resumen

Estime las horas de GPU que necesitan sus experimentos principales, añada un margen para la exploración y controle el uso frente a ese presupuesto como si fuera dinero. Pruebe las ideas a pequeña escala, detenga pronto las ejecuciones malas, reutilice modelos preentrenados y puntos de control, e informe de los resultados en relación con el cómputo que requirieron. Un presupuesto hace visibles las compensaciones y pone fin al ajuste interminable.

## Steps

1. Estime las horas de GPU de los experimentos principales y añada un margen declarado para la exploración.
2. Haga pilotos a pequeña escala para descartar ideas antes de ampliar la escala.
3. Controle las horas de GPU y la energía de cada experimento frente al presupuesto.
4. Use la parada temprana para las ejecuciones malas en lugar de grandes búsquedas en cuadrícula.
5. Reutilice modelos preentrenados y puntos de control cuando encajen.
6. Informe de los resultados en relación con el cómputo, como la precisión por kWh.

**Decida de antemano cuánto cómputo puede usar el proyecto, y contrólelo.** Sin un presupuesto, las ejecuciones
adicionales parecen gratuitas, y nunca se sopesa la energía que cuesta una pequeña mejora de precisión.

## ¿Cómo estimo el presupuesto? {#how-do-i-estimate-the-budget}

Parta de los experimentos de su plan: el tamaño del modelo, el tamaño de los datos y el número de ejecuciones dan unas
horas de GPU aproximadas. La calculadora Green Algorithms de Lannelongue, Grealey e Inouye convierte el hardware, el
tiempo de ejecución, la memoria y la ubicación en una estimación de energía y carbono, lo que le ayuda a ver qué
significa el presupuesto. Añada un margen explícito para la exploración en lugar de dejarlo abierto.

## ¿Qué mantiene un proyecto dentro del presupuesto? {#what-keeps-a-project-inside-budget}

- **Primero, pilotos pequeños.** Descarte ideas con modelos pequeños y subconjuntos de datos.
- **Búsquedas eficientes.** Detenga pronto las ejecuciones malas; consulte [reducir la energía de las búsquedas de hiperparámetros](/es/como/como-reduzco-la-energia-de-las-busquedas-de-hiperparametros/).
- **Reutilización.** Parta de modelos preentrenados y puntos de control guardados; consulte [evitar entrenar desde cero](/es/como/como-evito-entrenar-un-modelo-desde-cero/).
- **Elija dónde y con qué ejecuta.** Patterson y sus colegas hallaron que la elección del modelo, el centro de datos y
  el procesador puede reducir la huella de carbono del entrenamiento hasta unas 100 a 1.000 veces.

## Errores frecuentes {#common-mistakes}

- **Presupuestar solo las ejecuciones finales.** La exploración suele ser la mayor parte del cómputo.
- **No guardar puntos de control,** de modo que un fallo obliga a empezar de nuevo.
- **Informar solo de la mejor precisión,** lo que premia gastar más.

Los principios GREENER de Lannelongue y sus colegas ofrecen un marco para grupos e instituciones. Consulte la
[guía para investigadores](/es/guias/ia-verde-para-investigadores/).

## Fuentes

- [GREENER principles for environmentally sustainable computational science](https://doi.org/10.1038/s43588-023-00461-y), Lannelongue et al., Nature Computational Science (2023)
- [Green Algorithms: quantifying the carbon footprint of computation](https://www.green-algorithms.org/), Lannelongue, Grealey and Inouye, Advanced Science (2021)
- [Carbon emissions and large neural network training](https://arxiv.org/abs/2104.10350), Patterson et al. (2021)
