# ¿Cómo reduzco la huella de los experimentos de IA en un clúster de investigación?

> Reduzca la energía de los experimentos de IA en HPC: consulte la energía en Slurm, pida solo lo que usa, haga pilotos, guarde puntos de control y programe trabajos.

Source: https://greenai.guide/es/como/como-reduzco-la-huella-de-los-experimentos-de-ia-en-un-cluster-de/  
Updated: 2026-11-19

## En resumen

Empiece por medir: muchos clústeres registran la energía por trabajo en el planificador Slurm, y CodeCarbon o la calculadora Green Algorithms pueden cubrir los huecos. Después, pida solo las GPU, la memoria y el tiempo que necesita, pruebe las ideas a pequeña escala, guarde puntos de control en los trabajos largos y programe los flexibles para cuando la red eléctrica esté más limpia. Informe de la energía de proyectos enteros, no solo de las ejecuciones finales.

## Steps

1. Compruebe si su clúster registra la energía de los trabajos, por ejemplo en el campo ConsumedEnergy de Slurm.
2. Pida solo las GPU, la memoria y el tiempo de ejecución que su trabajo necesita realmente.
3. Haga pilotos pequeños antes de ampliar la escala de un experimento.
4. Guarde puntos de control en los trabajos largos para que los fallos y las pausas no desperdicien el trabajo hecho.
5. Programe los trabajos flexibles para las horas en que la red esté más limpia, si el clúster lo permite.
6. Informe de la energía a nivel de proyecto, incluidas las ejecuciones de ajuste y las fallidas.

**Los clústeres compartidos hacen fácil ignorar la energía, porque nadie ve una factura.** Pero cada GPU pedida de más
y cada trabajo abandonado consumen energía y hacen esperar a otros.

## ¿Cómo veo lo que usan mis trabajos? {#how-do-i-see-what-my-jobs-use}

- **`sacct` de Slurm** puede informar del ConsumedEnergy de un trabajo cuando el clúster tiene activada la
  contabilidad energética. Pregunte a su equipo de computación para la investigación si está activada.
- **CodeCarbon** puede ejecutarse dentro de los trabajos, y su documentación trata los nodos de cómputo sin acceso a
  internet.
- **Green Algorithms**, de Lannelongue, Grealey e Inouye, estima la huella a partir del hardware, el tiempo de
  ejecución, la memoria y la ubicación, lo que resulta adecuado para trabajos pasados.

## Lo que más marca la diferencia {#what-makes-the-biggest-difference}

- **Solicitudes de tamaño adecuado.** Pedir cuatro GPU y usar una deja tres reservadas e inactivas.
- **Pilotos y parada temprana.** La mayor parte de la energía se va en la exploración; descarte pronto las ideas
  malas. Consulte [reducir la energía de las búsquedas de hiperparámetros](/es/como/como-reduzco-la-energia-de-las-busquedas-de-hiperparametros/).
- **Puntos de control,** para que los fallos y los límites de tiempo no obliguen a empezar de nuevo.
- **Reutilización** de modelos preentrenados y conjuntos de datos compartidos, en lugar de que cada persona prepare
  los suyos.

Un sandpit británico de IA verde celebrado en 2026, con matemáticos, informáticos y representantes de la industria,
subrayó también la importancia de comprobar si un método numérico bien conocido ya resuelve el problema antes de
entrenar ningún modelo.

## Errores frecuentes {#common-mistakes}

- **Tratar el clúster como si fuera gratis.** Controle las horas de GPU como un presupuesto; consulte
  [fijar un presupuesto de cómputo](/es/como/como-fijo-un-presupuesto-de-computo-para-un-proyecto-de-investigacion/).
- **Informar solo de la ejecución final** en los artículos.

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

- [Slurm sacct manual (ConsumedEnergy)](https://slurm.schedmd.com/sacct.html), SchedMD (2025)
- [Using CodeCarbon on SLURM](https://docs.codecarbon.io/latest/how-to/slurm/), CodeCarbon documentation (2025)
- [Green Algorithms: quantifying the carbon footprint of computation](https://www.green-algorithms.org/), Lannelongue, Grealey and Inouye, Advanced Science (2021)
- [GREENER principles for environmentally sustainable computational science](https://doi.org/10.1038/s43588-023-00461-y), Lannelongue et al., Nature Computational Science (2023)
