Machine Learning sustentable: emisiones de CO2 en algoritmos de árbol de decisión

doi:10.22167/2675-6528-202602734

Artículo

30 de septiembre de 2026

Machine Learning sustentable: emisiones de CO2 en algoritmos de árbol de decisión

Machine Learning Sostenible: Emisiones de CO2 en Algoritmos de Árbol de Decisión

Bruno Fernando da Silva; Mario Henrique Bueno Moreira Callefi

DOI: 10.22167/2675-6528-202602734

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

El creciente uso de algoritmos de aprendizaje automático ha intensificado el debate sobre el costo ambiental, especialmente durante el entrenamiento de modelos. Este estudio comparó el rendimiento predictivo y las emisiones estimadas de dióxido de carbono durante el entrenamiento de diferentes algoritmos basados en árboles de decisión. Los experimentos se llevaron a cabo con el conjunto de datos “Forest Cover Type”, que presentaba clasificación multiclase y desbalanceo. Se evaluaron algoritmos como árbol de clasificación simple, bosque aleatorio, XGBoost y LightGBM, considerando variaciones en subconjuntos de datos e hiperparámetros. Las emisiones de CO2 se estimaron mediante la biblioteca CodeCarbon, y la precisión balanceada evaluó el rendimiento predictivo. Se observó que el aumento de la complejidad de los modelos y la escala de los datos elevaron consistentemente las emisiones de CO2. Procedimientos exhaustivos de ajuste de hiperparámetros aumentaron significativamente el costo energético del entrenamiento sin ganancias proporcionales de rendimiento. Entre los algoritmos, LightGBM presentó un equilibrio favorable entre precisión y emisiones, mientras que XGBoost obtuvo el mayor rendimiento predictivo con un mayor consumo energético promedio. Los resultados indicaron un trade-off entre rendimiento e impacto ambiental, que se intensifica con precisiones elevadas. Las decisiones sobre la elección de algoritmos, la configuración de hiperparámetros y la escala de los datos pueden influir en la sostenibilidad computacional de los modelos de aprendizaje automático.

Palabras clave: Rendimiento predictivo; Eficiencia computacional; Inteligencia artificial; Huella de carbono.

1. Introducción

La sostenibilidad representa un pilar fundamental en los desafíos contemporáneos del desarrollo tecnológico. En este contexto, la degradación continua de materia y energía, que pasan de estados disponibles a indisponibles, establece límites biofísicos para la utilización de recursos en la producción tecnológica (Georgescu-Roegen, 1971). La discusión sobre sostenibilidad trasciende el ámbito puramente económico, configurándose como una cuestión de justicia y derechos humanos, dado que la preservación de los ecosistemas es crucial para la supervivencia de las futuras generaciones (Silva y Silva, 2025).

En el campo del aprendizaje automático, el uso creciente de algoritmos ha intensificado el debate sobre el costo ambiental asociado al entrenamiento de modelos. Las emisiones de carbono a la atmósfera, a menudo resultantes de la quema de combustibles fósiles para la generación de energía, son un factor preocupante (Strubell et al., 2019). Aunque los investigadores buscan modelos cada vez más precisos, el consumo de energía no siempre se considera un factor relevante. Sin embargo, la evaluación del consumo energético es esencial para garantizar la escalabilidad y la sostenibilidad de la tecnología (García-Martín et al., 2019). La huella de carbono de un modelo está influenciada por el consumo de energía eléctrica durante el entrenamiento y por el factor de emisión de la matriz energética local, así como por el algoritmo y la cantidad de procesadores involucrados (Patterson et al., 2021). Herramientas como la biblioteca CodeCarbon pueden estimar métricas de emisiones de dióxido de carbono por unidad de energía (Bouza et al., 2023), pero todavía hay pocos estudios e incentivos insuficientes para evaluaciones de sostenibilidad centradas en las emisiones indirectas de carbono (van Wynsberghe, 2021).

La variabilidad en arquitecturas computacionales y algoritmos dificulta la detección de patrones de consumo energético en el aprendizaje automático (Bernardo et al., 2020). Además, la búsqueda de mayor precisión, que frecuentemente involucra ciclos de optimización y ajustes de hiperparámetros, conocidos como tuning, puede multiplicar el consumo de energía durante el entrenamiento inicial de los algoritmos (Strubell et al., 2019). En cargas de trabajo computacionales que utilizan árboles de decisión, el proceso iterativo de cálculo de la impureza y la decisión de división para cada nuevo nodo del árbol son los principales elementos que influyen en el costo computacional (Ferro et al., 2023).

Los árboles de decisión se emplean ampliamente debido a su flexibilidad para manejar problemas no lineales, su aplicabilidad a variables categóricas y numéricas, y su capacidad para generar resultados de fácil interpretación (De’ath y Fabricius, 2000). Los métodos de ensemble, como los bosques aleatorios, combinan múltiples árboles de decisión entrenados independientemente para lograr una mayor precisión, siguiendo el principio de Bagging (Breiman, 1996; Breiman, 2001). Por otro lado, el método Boosting, utilizado en algoritmos como LightGBM, combina modelos simples secuencialmente para mejorar la precisión final, destacándose por la velocidad de entrenamiento y el enfoque en las hojas principales (Sruthi, 2021; Ma et al., 2018). Independientemente del modelo, la configuración de hiperparámetros es crucial para la ejecución y optimización del rendimiento, realizándose con base en la literatura, la experiencia o prueba y error (Probst et al., 2019).

Ante este escenario, se vuelve esencial profundizar el conocimiento sobre los impactos del uso extensivo de algoritmos de aprendizaje automático y cómo las variables del modelo pueden influir en el consumo energético y las emisiones de carbono. Se pueden adoptar buenas prácticas para promover la sostenibilidad en el uso de la inteligencia artificial. La sostenibilidad en el aprendizaje automático no se limita a la reducción de emisiones, sino que abarca la búsqueda de una mayor eficiencia en la relación entre recursos computacionales y rendimiento. Esta perspectiva amplía la evaluación tradicional de modelos, que se centra principalmente en el rendimiento predictivo, para incluir el consumo energético y las emisiones de carbono como dimensiones adicionales de eficiencia computacional (van Wynsberghe, 2021). Así, un modelo con una pequeña ventaja de rendimiento, pero que exige significativamente más recursos computacionales, puede no ser la alternativa más eficiente desde una óptica de sostenibilidad. Ante el contexto presentado, esta investigación tiene como objetivo comparar estimaciones de emisiones de CO2 y el rendimiento predictivo entre algoritmos de árboles de decisión en un problema de clasificación, investigando las hipótesis de la existencia de un trade-off entre rendimiento e impacto ambiental y de que aumentos relativamente elevados en las emisiones durante el entrenamiento de los modelos pueden resultar en ganancias solo marginales de performance dependiendo del contexto.

2. Material y Métodos

La investigación fue de naturaleza exploratoria, llevada a cabo mediante un estudio experimental. El objetivo central fue observar el impacto energético y el rendimiento predictivo al variar el tamaño del conjunto de datos y la complejidad de diferentes modelos clasificatorios basados en árboles de decisión. Este enfoque permitió investigar la relación entre el rendimiento predictivo y las emisiones de dióxido de carbono, según el objetivo del estudio. La manipulación controlada de observaciones y variables fue fundamental para el análisis.

Los experimentos se realizaron en una máquina local con arquitectura x64 y sin unidad de procesamiento gráfico (GPU). Las especificaciones del entorno computacional incluyeron un procesador AMD Ryzen 5 1600 @ 3.2GHz, con seis núcleos y doce hilos, 8 GB de memoria RAM y sistema operativo Windows 10. Para el cálculo del consumo energético y de las emisiones de CO2, se utilizó la herramienta CodeCarbon, una biblioteca en Python. Esta herramienta rastrea el fragmento de código de interés y genera un archivo .csv con estimaciones de energía consumida en kilovatio-hora (kWh) y emisiones de dióxido de carbono en gramos (gCO2).

La estimación de emisiones de CO2 se obtuvo multiplicando el consumo total de energía por el coeficiente de intensidad de carbono de la matriz energética local de ejecución. Para Brasil, con datos de 2023, el coeficiente calculado fue de 98,348 gCO2 kWh⁻¹. A efectos comparativos, CodeCarbon adopta un estándar de 475 gCO2 kWh⁻¹ cuando no se dispone de datos locales. Las mediciones de consumo energético se centran en la actividad de la CPU y la GPU, aunque otros componentes como la memoria y la placa base también contribuyen (Ukarande et al., 2024).

El conjunto de datos empleado fue el “Forest Cover Type Dataset” (Blackard y Dean, 1999), obtenido del UCI Machine Learning Repository. Este conjunto de datos tabular se utiliza para problemas de clasificación, teniendo como variable objetivo el tipo de cobertura forestal. Las variables predictoras son de naturaleza ambiental y geográfica, incluyendo elevación del terreno, pendiente del área y distancias a carreteras y cuerpos de agua. El conjunto completo contenía aproximadamente 581.000 observaciones, distribuidas en siete clases distintas.

Las clases uno y dos concentraban cerca del 85% de las observaciones, caracterizando un escenario de desbalanceo que exigió métricas de evaluación adecuadas. Las variables explicativas estaban compuestas por diez variables numéricas y dos categóricas, que fueron representadas en formato de “dummies”, totalizando 44 tipos distintos. La utilización de un único conjunto de datos, incluso con variaciones en el muestreo, es una limitación reconocida, ya que los resultados pueden depender de las características específicas de los datos.

El pipeline experimental se estandarizó para todos los modelos evaluados, garantizando la comparabilidad de los resultados. Las etapas consistieron en la lectura del conjunto de datos, seguida de la separación en conjuntos de entrenamiento y prueba, utilizando una proporción del 80% para entrenamiento y el 20% para prueba. Posteriormente, se realizó el entrenamiento del modelo, la evaluación de su rendimiento en el conjunto de prueba y, finalmente, el ajuste de hiperparámetros, conocido como “tuning”.

Para evaluar el impacto de la escala de los datos en el consumo energético, se crearon subconjuntos del conjunto de datos original, que contenían 5.000, 25.000, 100.000 y 300.000 observaciones. La selección de estas muestras se realizó de forma aleatoria y estratificada, preservando la proporción original de las clases en cada subconjunto. No se aplicaron técnicas de normalización o estandarización de las variables, ya que los algoritmos basados en árboles de decisión no son sensibles a la escala de los atributos. El monitoreo del consumo energético se restringió a las etapas de entrenamiento y “tuning” de los modelos.

Se evaluaron cuatro algoritmos de aprendizaje supervisado basados en árboles de decisión. El árbol de clasificación simple sirvió como modelo de referencia, con su complejidad controlada por la variación de la profundidad máxima del árbol (max_depth) en 5, 10 y 20. El bosque aleatorio de clasificación (Breiman, 1996; Breiman, 2001) tuvo configuraciones evaluadas con 10 y 100 estimadores (n_estimators) y profundidades máximas de 5 y 20. El “XGBoost Classifier” y el “LightGBM Classifier” (Ma et al., 2018; Sruthi, 2021) también se incluyeron, con el XGBoost probando 10 y 100 estimadores y profundidades máximas de 5 y 20. Para el LightGBM, la complejidad se controló por el número de hojas (num_leaves) en 31 y 127, y por el número de estimadores en 10 y 100. La selección de estos hiperparámetros visó representar diferentes niveles de complejidad y mantener la viabilidad computacional de los experimentos (Probst et al., 2019).

Los valores de los hiperparámetros se evaluaron en todos los tamaños de muestra. Se aplicaron técnicas de poda basadas en costo-complejidad (ccp_alpha) y “grid search” para estimar el costo energético asociado a la optimización (“tuning”) de los modelos. El “grid search” fue exhaustivo, considerando valores entre el mínimo y el máximo de max_depth y n_estimators, con validación cruzada estratificada en tres particiones. Para los modelos de bosque aleatorio, XGBoost y LightGBM, se aplicó la técnica de “randomized search” con 50 iteraciones, debido al costo computacional del “grid search” exhaustivo. Todas las ejecuciones utilizaron todos los núcleos disponibles de la CPU (n_jobs = -1) y un random_state de 42 para la reproducibilidad.

El rendimiento predictivo de los modelos se evaluó mediante la precisión balanceada en la base de datos de prueba, una métrica adecuada para el escenario de desequilibrio de clases. El consumo energético y las emisiones de dióxido de carbono se estimaron con la biblioteca CodeCarbon. Cada configuración experimental se ejecutó tres veces y se utilizaron las medias de los resultados para reducir la influencia de variaciones aleatorias del sistema operativo. Se empleó el coeficiente de variación para evaluar la estabilidad de las métricas de emisión de CO2. Para integrar el rendimiento y el costo ambiental, se calculó un Índice de Eficiencia (IF) para cada ejecución, definido como la razón entre la precisión balanceada y la cantidad de gCO2 emitida.

3. Resultados y Discusión

Los resultados de los experimentos con algoritmos de árbol de decisión revelaron una relación intrínseca entre la complejidad del modelo, la escala de los datos y las emisiones estimadas de dióxido de carbono. En general, se observó que el aumento de la complejidad estructural de los árboles y la intensificación de los procedimientos de búsqueda de hiperparámetros óptimos resultaron en elevaciones significativas en las emisiones de CO2. Sin embargo, las ganancias adicionales de rendimiento predictivo fueron frecuentemente marginales en diversos escenarios, indicando la existencia de un trade-off entre rendimiento e impacto ambiental, conforme hipotetizado por el estudio.

Al analizar los modelos de árbol de clasificación simple, se observó que el aumento del número de observaciones en el conjunto de datos contribuyó a mejoras en la precisión balanceada. Por ejemplo, en experimentos con 5.000 observaciones, la precisión máxima alcanzó el 54,30%, mientras que en el subconjunto de 300.000 observaciones, este valor aumentó al 80,50%. Sin embargo, estas ganancias presentaron rendimientos decrecientes a medida que la base de datos crecía, mientras que el costo computacional asociado y, en consecuencia, las emisiones de CO2, aumentaron a un ritmo más acelerado.

La variación de la profundidad máxima del árbol (max_depth) también resultó ser un factor determinante. En el conjunto con 300.000 observaciones, la precisión balanceada aumentó de aproximadamente 63% a 80,5% al elevar la profundidad máxima de 10 a 20 niveles. Esta mejora en el rendimiento fue acompañada por un aumento consistente en las emisiones de CO2 estimadas, que crecieron de 0,023 gCO2 a 0,037 gCO2 en el mismo escenario, representando un aumento de alrededor del 65% en las emisiones.

Los experimentos que incorporaron procedimientos exhaustivos de búsqueda de hiperparámetros óptimos, como el “grid search” y la poda basada en costo-complejidad, revelaron aumentos extremadamente elevados en el consumo energético y en las emisiones de CO2, sin ganancias proporcionales de rendimiento predictivo. En el caso del “grid search”, ya en el conjunto de 5.000 observaciones, el consumo energético fue tres órdenes de magnitud mayor en comparación con el entrenamiento directo del modelo, y este efecto se intensificó con el aumento de la escala de los datos.

La aplicación exhaustiva de la poda por costo-complejidad demostró ser aún más onerosa que la “búsqueda en cuadrícula”. Para el conjunto con 300.000 observaciones, la poda resultó en una emisión de casi 250 gCO2, en contraste con 0,037 gCO2 del modelo base sin ajuste, lo que representa un aumento de varios órdenes de magnitud. A pesar de este expresivo costo ambiental, la ganancia de precisión balanceada fue inferior a un punto porcentual. Este comportamiento se debe al hecho de que el procedimiento no se limita a entrenar un único árbol y aplicar una simplificación directa, sino que implica la evaluación sucesiva de diferentes subárboles generados a partir de la estructura inicial, lo que implica múltiples entrenamientos y un costo computacional total significativamente mayor.

Estos hallazgos evidencian que el costo asociado a la etapa de búsqueda y optimización de hiperparámetros puede superar ampliamente el costo del entrenamiento del modelo final, especialmente en escenarios de gran escala. Además, el rendimiento predictivo puede obtener mejoras poco significativas. El patrón general de trade-off entre rendimiento y costo computacional se mantuvo cuando el análisis se extendió a algoritmos de mayor complejidad, como bosques aleatorios, XGBoost y LightGBM.

La media del coeficiente de variación de las emisiones de CO2 durante las tres ejecuciones de los experimentos fue del 5,41%, con un valor máximo del 16,63%. Esto sugiere que, aunque el ruido de las mediciones proveniente de variaciones del sistema operativo tiene algún efecto, no fue el principal determinante en las mediciones de emisiones de CO2 realizadas por la herramienta CodeCarbon. Un resultado notable fue que el árbol de decisión simple presentó un rendimiento medio superior al del bosque aleatorio, incluso con un índice de emisión de CO2 aproximadamente 4,5 veces menor.

Este hallazgo desafía la suposición de superioridad de los modelos ensemble en todos los escenarios, ya que el rendimiento depende de la configuración de los hiperparámetros y de la estructura del conjunto de datos. La explicación reside en la combinación de una profundidad limitada de los árboles con un número reducido de estimadores, lo que restringe la capacidad del ensemble para capturar patrones complejos y puede producir particiones menos informativas que aquellas generadas por el árbol individual, que utiliza todas las variables disponibles en su división.

Para evaluar de forma integrada la relación entre el rendimiento y el costo ambiental, se calculó un índice de eficiencia (IF), definido como la precisión balanceada dividida por la cantidad de dióxido de carbono emitido en gramos. El análisis de este índice reveló un patrón consistente: los modelos más simples y ejecutados en bases más pequeñas presentaron los mayores valores de eficiencia. En experimentos con árboles de clasificación y 5.000 observaciones, los índices de eficiencia superaron las 800 unidades, reflejando la baja emisión asociada a estos escenarios.

A medida que el tamaño del conjunto de datos aumentó y se utilizaron modelos más complejos, el índice de eficiencia tendió a disminuir. Esto indica que las ganancias adicionales de precisión comenzaron a requerir cantidades de energía proporcionalmente mayores. Este comportamiento se observó en los algoritmos ensemble y en los métodos de boosting, en los cuales aumentos en el número de estimadores o en la complejidad estructural de los árboles resultaron en elevaciones de las emisiones sin ganancias equivalentes de rendimiento. Esta resistencia se intensifica a medida que el modelo alcanza una precisión balanceada más elevada.

El índice de eficiencia permitió, así, evidenciar que las configuraciones que maximizan la precisión no siempre corresponden a las soluciones más eficientes desde el punto de vista energético, reforzando la existencia de un trade-off entre rendimiento predictivo y coste computacional. Los algoritmos de mayor rendimiento tendieron a concentrarse en la región de menor eficiencia. El análisis individualizado de los hiperparámetros reforzó esta interpretación, especialmente al comparar el comportamiento medio de los modelos de bosque aleatorio sin ajuste para diferentes números de estimadores.

Los modelos con 10 y 100 estimadores presentaron una media de precisión balanceada cercana, sugiriendo que la variable `max_depth` es más relevante para la calidad del modelo en el conjunto de datos estudiado. Sin embargo, la media de emisiones de CO2 reveló un incremento del 927% entre los dos grupos, demostrando que la alteración de un único hiperparámetro puede requerir un procesamiento expresivamente mayor sin una ganancia significativa de precisión. Este hallazgo tiene implicaciones directas para la elección de estrategias de tuning, dado que la búsqueda vía `GridSearchCV()` intensifica este problema de forma combinatoria.

La comparación entre las búsquedas de hiperparámetros vía `GridSearchCV()` y `RandomizedSearchCV()` en los modelos de bosque aleatorio demostró que la cantidad de emisiones es expresivamente menor con `RandomizedSearchCV()`, mientras que las acuracias balanceadas permanecieron muy similares. A pesar de que los datos contemplan solo cuatro niveles de tamaño muestral, el patrón observado sugiere que este comportamiento puede repetirse independientemente del volumen de datos, reforzando la importancia de estrategias de tuning más eficientes.

La comparación entre XGBoost y LightGBM reveló una mayor eficiencia del segundo algoritmo, cuyo enfoque de división del árbol hoja a hoja, y no por niveles, contribuye a un menor costo computacional (Ma et al., 2018). En los modelos sin ajuste, XGBoost presentó, en promedio, 1,27 puntos porcentuales más que LightGBM, pero con un promedio de emisiones de dióxido de carbono casi 2,8 veces mayor. Con la aplicación de la búsqueda aleatoria, XGBoost alcanzó un 92,10% de precisión balanceada máxima frente al 88% de LightGBM, pero a un costo de emisiones 2,5 veces superior.

Esta diferencia de eficiencia entre los dos algoritmos de boosting se suma al patrón identificado en la relación entre el tamaño del conjunto de datos y la media de emisiones de CO2. El crecimiento de las emisiones acompañó el aumento del volumen de datos de manera aproximadamente lineal dentro del rango analizado. Aunque esta interpretación debe hacerse con cautela por basarse en solo cuatro puntos muestrales, la tendencia observada refuerza que las decisiones que involucran tanto la elección del algoritmo como la escala de los datos influyen de forma conjunta en el costo ambiental del entrenamiento de modelos de aprendizaje automático.

En resumen, los experimentos confirmaron la hipótesis de un trade-off entre el rendimiento predictivo y el impacto ambiental, evidenciando que el aumento de la complejidad estructural de los modelos, la ampliación de la escala de los datos y la búsqueda exhaustiva de hiperparámetros óptimos elevan considerablemente las emisiones de CO2. Las ganancias de precisión, por su parte, presentaron retornos decrecientes, sugiriendo que la eficiencia computacional y la sostenibilidad deben ser criterios adicionales en la evaluación y desarrollo de modelos de aprendizaje automático.

4. Conclusión

Este estudio tuvo como objetivo comparar las estimaciones de emisiones de CO2 y el rendimiento predictivo entre algoritmos de árboles de decisión en un problema de clasificación, investigando la existencia de un trade-off entre rendimiento e impacto ambiental. Se verificó que el aumento de la complejidad estructural de los modelos, la ampliación de la escala de los datos y la búsqueda exhaustiva de hiperparámetros óptimos elevaron consistentemente las emisiones de dióxido de carbono. Sin embargo, las ganancias adicionales de precisión predictiva fueron frecuentemente marginales, confirmando la hipótesis de un trade-off. Se observó que los procedimientos de ajuste de hiperparámetros, como el “grid search” y la poda por costo-complejidad, resultaron en aumentos expresivos en el consumo energético sin mejoras proporcionales de rendimiento. Entre los algoritmos evaluados, LightGBM demostró un equilibrio favorable entre precisión y emisiones, mientras que XGBoost alcanzó el mayor rendimiento predictivo con un costo energético medio superior. La principal contribución reside en la evidencia empírica de que la sostenibilidad computacional, medida por las emisiones de CO2, debe ser un criterio adicional en la evaluación y desarrollo de modelos de aprendizaje automático, promoviendo una perspectiva de eficiencia que trasciende la mera precisión.

A pesar de los hallazgos, este estudio tiene limitaciones. El uso de un único conjunto de datos, incluso con variaciones muestrales, restringe la generalización de los resultados, ya que el comportamiento de los algoritmos puede verse influenciado por las características específicas de los datos. Además, las mediciones de emisiones fueron realizadas por la biblioteca CodeCarbon, cuya precisión está sujeta a limitaciones inherentes al monitoreo indirecto del consumo energético. Para estudios futuros, se sugiere replicar los experimentos en conjuntos de datos con características distintas y extender el análisis a otros tipos de problemas, como procesamiento de imágenes y lenguaje natural. También se recomienda investigar si los patrones identificados se mantienen en arquitecturas computacionales y matrices energéticas diferentes, profundizando la comprensión sobre la sostenibilidad de la inteligencia artificial.

Referencias Bibliográficas

García-Martín, E.; Rodrigues, C. F.; Riley, G.; Grahn, H. 2019. Estimation of energy consumption in machine learning. Journal of Parallel and Distributed Computing 134: 75-88.

Georgescu-Roegen, N. 1971. The Entropy Law and The Economic Process. Harvard University Press, Cambridge, MA, EUA.

Patterson, D.; Gonzalez, J.; Le, Q.; Liang, C.; Munguia, L.M.; Rothchild, D.; So, D.; Texier, M.; Dean, D. 2021. Carbon emissions and large neural network training. Disponível em: <https://arxiv.org/abs/2104.10350>. Acesso em 12 out. 20

Silva, G. L. O.; Silva, G. 2025. Emissões de gases do efeito estufa: explorando os fundamentos da sustentabilidade e os principais compromissos globais. Revista Jurídica do Ministério Público do Estado de Rondônia 1(1): 158-182.

Strubell, E.; Ganesh, A.; McCallum, A. 2019. Energy and policy considerations for deep learning in NLP. In: 57th Annual Meeting of the Association for Computational Linguistics, 2019, Florence, Itália. Anais… p. 3645-3650.

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy

Más recientes

Economía, Inversiones Y Banca

23 de octubre de 2026

Educación Financiera, Comportamientos y Sesgos en la Toma de Decisiones Financieras

22 de octubre de 2026

Desafíos y Posibilidades del Primer Año Escolar de Niños con TEA para el Trabajo Docente

22 de octubre de 2026

Viaje del Consumidor en la Decisión de Compra de Infoproductos en el Entorno Digital

22 de octubre de 2026

Riesgos Psicosociales y Salud Mental en el Trabajo en una Institución Bancaria

22 de octubre de 2026

Observatorio Digital de la Amazonía: Ciencia de Datos Aplicada al Análisis de Indicadores Sociales, Económicos, Ambientales y de Salud

22 de octubre de 2026

Aprendizaje Continuo como Factor de Crecimiento Organizacional en la Percepción de los Colaboradores

22 de octubre de 2026

Regresión Estadística en Microrredes para Estimación de Desempeño Operacional: Caso Campusgrid

22 de octubre de 2026

Previsión de la Morosidad de Pago Agregada en el Sistema Financiero Brasileño por Modelo Sarimax con Variables Macroeconómicas

22 de octubre de 2026

Factores de Compromiso de las Partes Interesadas en la Transferencia Internacional de Tecnología a un Hospital Público

También te puede interesar

Economía, Inversiones Y Banca

23 de octubre de 2026

Educación Financiera, Comportamientos y Sesgos en la Toma de Decisiones Financieras

La gestión financiera personal representa un desafío creciente, influenciada por sesgos cognitivos que afectan la toma de decisiones, incluso en individuos con alto conocimiento. El presente estudio analizó la relación entre el nivel de educación financiera y la ocurrencia de sesgos conductuales en la toma de decisiones financieras de adultos residentes en Brasil. Se realizó un levantamiento de campo de naturaleza aplicada, cuantitativa y descriptivo-correlacional, mediante la aplicación de un cuestionario estructurado a 163 encuestados. El instrumento contempló variables sociodemográficas, conocimiento y hábitos financieros, y situaciones hipotéticas para identificar sesgos cognitivos. Los resultados indicaron que niveles más elevados de educación financiera se asociaron con mejores prácticas de control financiero, ahorro e inversión, con correlaciones significativas con ingresos y escolaridad. Sin embargo, la presencia de sesgos conductuales (anclaje, aversión a la pérdida, escasez, optimismo/pesimismo, sesgo del presente, status quo, exceso de confianza y contabilidad mental) persistió incluso entre individuos con mayor escolaridad e ingresos, sin asociación estadísticamente significativa con las variables sociodemográficas analizadas. Se concluyó que la educación financiera, aunque esencial para la organización y el control financiero, no fue suficiente para neutralizar la influencia de sesgos cognitivos. Se sugiere la incorporación de enfoques conductuales a los programas de educación financiera.

Palabras clave: Comportamiento financiero; Economía conductual; Finanzas personales; Heurísticas cognitivas; Sesgos cognitivos.

22 de octubre de 2026

Desafíos y Posibilidades del Primer Año Escolar de Niños con TEA para el Trabajo Docente

La inserción de niños con Trastorno del Espectro Autista (TEA) en la Educación Infantil presenta desafíos significativos, dada la dificultad de adaptación a nuevos entornos y la intensidad de estímulos. El objetivo fue analizar la actuación docente en la Educación Infantil en el proceso de escolarización inicial de niños con TEA. Se realizó un estudio de caso, utilizando la entrevista narrativa como técnica de producción de datos. Los resultados revelaron que la actuación docente se caracterizó por prácticas de mediación y afecto, con la flexibilización de la rutina y el uso de recursos lúdicos como estrategias esenciales para el desarrollo y la organización sensorial del niño. También se destacó la importancia del profesional de apoyo escolar para el éxito del trabajo pedagógico. El desarrollo integral del niño fue promovido por medio de acciones docentes intencionales que priorizaron la adaptación ambiental, el fortalecimiento de vínculos y la atención a las necesidades específicas del TEA. Como contribución, se elaboró una guía de estrategias pedagógicas orientada a la acogida de niños con TEA en guarderías públicas.

Palabras clave: Educación Infantil; Inclusión Escolar; Narrativas Docentes; Prácticas Pedagógicas Inclusivas; Trastorno del Espectro Autista.

22 de octubre de 2026

Viaje del Consumidor en la Decisión de Compra de Infoproductos en el Entorno Digital

La expansión del comercio electrónico y la transformación tecnológica impulsaron la necesidad de comprender el comportamiento del consumidor de infoproductos, cuya experiencia percibida se ha vuelto crucial para el desarrollo profesional. El estudio tuvo como objetivo analizar los factores que influyeron en la decisión de compra de infoproductos en el entorno digital, considerando las etapas del viaje del consumidor. Se realizó una investigación aplicada, cuantitativa y descriptiva, a través de un estudio de campo con 100 consumidores de la Serra Gaúcha. La recopilación de datos se realizó mediante un cuestionario estructurado, utilizando muestreo no probabilístico. Los resultados revelaron un público cualificado y con un fuerte comportamiento “mobile-first”. Se constató que la disponibilidad de información detallada y la aprobación social fueron los principales desencadenantes de atracción en la fase de precompra. En las etapas transaccionales y posteriores, la minimización de fricciones operativas, la agilidad del acceso inmediato y la seguridad sistémica demostraron ser cruciales para la conversión y la satisfacción, aunque se identificaron lagunas en la eficiencia del soporte humano. La retención se fundamentó en la confianza generada por experiencias anteriores positivas, superando el factor precio. Se concluyó que el viaje del consumidor de infoproductos opera como un sistema integrado, exigiendo alineación entre infraestructura tecnológica, curaduría de contenido y humanización del soporte para asegurar el compromiso.

Palabras clave: Comercio electrónico; Comportamiento del consumidor; Experiencia del consumidor; Fidelización; Negocios virtuales.

22 de octubre de 2026

Riesgos Psicosociales y Salud Mental en el Trabajo en una Institución Bancaria

La salud mental en el entorno laboral es un tema de creciente relevancia, que impacta el desarrollo profesional y el bienestar de los colaboradores. Se realizó un estudio para identificar aspectos y situaciones que pueden influir en los niveles de absentismo en una institución bancaria. La investigación involucró a 108 participantes y utilizó un cuestionario estructurado, basado en la versión corta del COPSOQ II de Gonçalves (2021), que contenía 45 preguntas cerradas en escala Likert y dos preguntas abiertas. Los datos se recopilaron a través de una plataforma en línea y se analizaron con un enfoque descriptivo y cuantitativo. Los resultados revelaron un escenario que indicó la necesidad de ajustes en la distribución de las actividades y en la percepción de los gerentes sobre comportamientos y señales de trastornos. Se identificaron evidencias importantes en las respuestas abiertas de los participantes. Se concluyó que el estudio contribuyó a la promoción de la percepción de un ambiente seguro para la salud mental en la organización.

Palabras clave: Ausencias por trastornos; Desarrollo profesional; Liderazgo operativo; Licencia médica; Salud mental.

22 de octubre de 2026

Observatorio Digital de la Amazonía: Ciencia de Datos Aplicada al Análisis de Indicadores Sociales, Económicos, Ambientales y de Salud

El estado de Amazonas ha enfrentado desafíos históricos en la consolidación del Sistema Único de Salud (SUS), derivados de barreras geográficas, desigualdades socioeconómicas y limitaciones estructurales. En este estudio se describió el desarrollo e implementación de un geoportal de información en salud, concebido para apoyar el monitoreo, la evaluación y la planificación en el contexto amazónico. Se adoptó un enfoque de estudio de caso descriptivo, basado en análisis documental y datos secundarios, abarcando el mapeo de funcionalidades, la infraestructura técnica y las etapas de validación de la herramienta. El Portal fue desarrollado con tecnologías abiertas e integró múltiples bases de datos nacionales, ofreciendo dashboards interactivos, mapas temáticos y repositorio digital de documentos. Entre los resultados, destacaron la visualización georreferenciada de indicadores clave, la posibilidad de análisis comparativos temporales y la utilización de la plataforma en la revisión de planes de salud y en el redireccionamiento de acciones estratégicas. El portal puede representar un avance en la gobernanza digital y en la gestión basada en evidencia, con potencial de replicabilidad para otros territorios de alta complejidad, siempre que vaya acompañado de inversiones en infraestructura tecnológica, capacitación profesional y articulación interinstitucional.

Palabras clave: Amazonía; Evaluación en Salud; Salud Digital; Sistemas de Información en Salud.

22 de octubre de 2026

Aprendizaje Continuo como Factor de Crecimiento Organizacional en la Percepción de los Colaboradores

El impacto del aprendizaje continuo y la gestión del conocimiento en el crecimiento de las organizaciones fue estudiado en un escenario de globalización y constantes cambios. El objetivo del estudio fue analizar la percepción de los colaboradores sobre la cultura de aprendizaje y su importancia para el desarrollo personal y profesional. Los datos se obtuvieron a través de una encuesta anónima, de enfoque cuantitativo, utilizando un formulario con preguntas tipo “survey” aplicado a 87 profesionales de los sectores de tecnología, salud, educación, comercio y servicios. Los resultados indicaron que los colaboradores tenían una percepción positiva sobre la contribución del aprendizaje continuo al crecimiento personal y organizacional, reconociendo sus beneficios para el desarrollo de nuevas habilidades, la innovación y la competitividad. Sin embargo, se observó que el incentivo al intercambio de conocimiento interno y la oferta de capacitaciones prácticas aún presentaban medias moderadas de acuerdo. Se concluyó que el aprendizaje continuo contribuye significativamente al desarrollo individual y organizacional, sugiriendo que las empresas deben desarrollar políticas estratégicas de aprendizaje dirigido a nuevas habilidades, buscando una mayor ventaja competitiva y la innovación.

Palabras clave: Aprendizaje continuo; Autodesarrollo; Crecimiento organizacional; Gestión del Conocimiento; Innovación.

22 de octubre de 2026

Regresión Estadística en Microrredes para Estimación de Desempeño Operacional: Caso Campusgrid

Se propuso un modelo de regresión estadística múltiple para estimar el rendimiento operativo de la microrred CampusGrid de la UNICAMP, basándose en magnitudes eléctricas internas. La microrred integra generación fotovoltaica, baterías y un generador de gas. Se recopilaron datos del sistema de gestión de energía en intervalos de cinco minutos durante un mes. El Índice de Confiabilidad Operacional, definido como la razón entre energía atendida y demandada, se estableció como variable dependiente. El modelo se ajustó al modo de operación aislado, evaluando el impacto de la demanda, el estado de carga, la generación solar y la energía suministrada. Los resultados revelaron un elevado poder explicativo, indicando que la confiabilidad operativa depende de la interacción entre el suministro y la demanda. Se observó que el período nocturno concentró la mayor tasa de atención parcial, atribuida a la reducción de la generación solar. Se concluyó que la regresión múltiple ofrece una estructura interpretable y útil para el monitoreo de microrredes y el apoyo a estrategias de control.

Palabras clave: Almacenamiento en baterías; Generación fotovoltaica; Índice de Confiabilidad; Operación aislada; Sistema de Gestión de Energía.

22 de octubre de 2026

Previsión de la Morosidad de Pago Agregada en el Sistema Financiero Brasileño por Modelo Sarimax con Variables Macroeconómicas

La morosidad agregada en el sistema financiero brasileño es un indicador crucial de riesgo crediticio, cuya previsión está regulada por las Resoluciones CMN n.° 4.557/2017 y 4.966/2021 para la medición prospectiva de pérdidas esperadas. Se modeló y predijo la morosidad agregada mediante el modelo SARIMAX, proyectando su trayectoria hasta diciembre de 2026 bajo escenarios optimista, base y pesimista. Se utilizaron 164 observaciones mensuales (julio/2012 a febrero/2026) y variables macroeconómicas como desempleo, Selic, IPCA, IBC-Br y endeudamiento de las familias. La especificación con variables contemporáneas fue seleccionada con base en criterios de información y estabilidad de los coeficientes, y el diagnóstico de los residuos confirmó adecuación estadística, con MAPE de 3,12%. La morosidad histórica varió entre 4,33% y 7,64%. La estimación identificó el desempleo (β = 0,2534; p < 0,001) y la Selic (β = 0,2128; p < 0,001) como principales determinantes positivos, con fuerte persistencia temporal (AR(1) = 0,8965). La Selic exhibió correlación creciente con la morosidad (r = 0,62 en el rezago 12), mientras que el desempleo demostró efecto contemporáneo (r = 0,33). Las proyecciones indicaron morosidad entre 6,30% y 7,98% en diciembre de 2026, con una amplitud de 1,68 punto porcentual, evidenciando implicaciones directas para el dimensionamiento de provisiones en las instituciones financieras.

Palabras clave: Desempleo; Modelado predictivo; Política monetaria; Provisión de pérdidas; Series temporales.

22 de octubre de 2026

Factores de Compromiso de las Partes Interesadas en la Transferencia Internacional de Tecnología a un Hospital Público

Este estudio describió los factores críticos percibidos para la participación de las partes interesadas en la transferencia internacional de tecnología en un hospital público, con foco en la planificación. El objetivo fue describir estos factores condicionantes, según la percepción de los profesionales. Se realizó un estudio de caso único, aplicando un cuestionario a 25 profesionales y utilizando análisis de contenido, complementado por tabulaciones descriptivas. Los principales obstáculos identificados fueron resistencia al cambio (72%), financiación (64%), falta de comunicación (60%) y burocracia (40%). Solo el 28% de los encuestados reconoció la existencia de herramientas adecuadas para la gestión de stakeholders, mientras que el 48% negó y el 24% no supo informar. Cruzamientos exploratorios indicaron variaciones en la evaluación de influencia según el tiempo de actuación, pero no establecieron relaciones causales. La falta de participación se asoció con retrasos, baja adhesión, desperdicio de recursos, fallas de comunicación, compromiso de la absorción de conocimiento y riesgos para la seguridad del paciente. Las conclusiones se restringieron a las percepciones del grupo investigado y fundamentaron recomendaciones preliminares para la comunicación y coordinación intersectorial.

Palabras clave: Estudio de caso; Gestión de proyectos; Innovación en salud; Partes interesadas; Sector público.

Economia

19 de octubre de 2026

¿Fin de la escala 6×1: qué permiten concluir los números?

Tras la promulgación del fin de la escala 6×1, el debate sobre la jornada menor pasa a la implementación y exige distinguir beneficios sociales de costos económicos El fin de la escala 6×1 pasó de la discusión legislativa a un cambio constitucional en Brasil. El 16 de octubre de 2026, el Congreso Nacional promulgó la enmienda constitucional nº 141/2026, originada de la Propuesta […]

Inteligencia Artificial

16 de octubre de 2026

¿Por qué estudiar si existe la IA?

Cuando las respuestas se vuelven fáciles, aprender pasa a significar más que alcanzarlas. ¿Por qué necesito aprender esto si puedo preguntarle a una inteligencia artificial? Este tipo de pregunta ha acompañado a la educación durante décadas. ¿Por qué aprender una operación si existe una calculadora? ¿Por qué memorizar una información si se puede encontrar […]

Gestión Tributaria

15 de octubre de 2026

Impuesto rosa y el género del precio

Cómo los diferentes tratamientos de marketing para hombres y mujeres son incorporados por la tributación del consumo Imagine un estante en el que dos maquinillas de afeitar de la misma marca y destinadas al mismo propósito están expuestas una al lado de la otra: una tiene un empaque oscuro y promete fuerza, precisión y eficiencia; la otra viene en tonos de rosa o […]

Salud

13 de octubre de 2026

El eslabón perdido de la transformación de la salud

¿Por qué la innovación no es suficiente para generar cambios en las organizaciones y en los sistemas de salud La transformación digital se ha consolidado como una prioridad estratégica para los sistemas de salud en todo el mundo. Historias clínicas electrónicas, inteligencia artificial, telemedicina, monitorización remota y análisis de datos han pasado a formar parte de la agenda estratégica de gobiernos y organizaciones sanitarias. Paradójicamente, […]

Marketing

09 de octubre de 2026

Bitcoin o mascotas: lo que la Inteligencia Artificial no vería

Un caso real de consumer intelligence muestra lo que queda fuera del briefing Hace algunos años, una aseguradora estadounidense contrató a una empresa especializada en consumer intelligence para responder a tres preguntas: La aseguradora también evaluaba lanzar seguros pagados en bitcoin. En ese momento, el proceso de trabajo de la consultoría funcionaba así: el analista creaba una query […]

Gestión Escolar

06 de octubre de 2026

La escuela no es un casino: cuando las figuritas se convierten en moneda en el patio

¿Por qué, para determinados estudiantes, la escuela logra ofrecer tan pocas experiencias de éxito? La Copa del Mundo ha terminado. Brasil ha quedado fuera de la competición, llegaron las vacaciones escolares, se disputó la final y el calendario del fútbol siguió adelante. Sería razonable imaginar que, con el fin del torneo y el regreso a clases, también comenzara […]

Transición Energética

30 de septiembre de 2026

Energías renovables: la ventaja brasileña

Brasil necesita invertir en la capacidad de transformar recursos naturales en innovación, productividad y desarrollo Hablar de energía es hablar de desarrollo. Detrás de la industria, el transporte, los servicios, las ciudades y, cada vez más, la inteligencia artificial, existe una infraestructura energética que sustenta la economía. Comprender la matriz energética de un país es comprender […]

Análisis De Datos

30 de septiembre de 2026

¿Cuando cambian los datos, ha cambiado la realidad?

Análisis de casi 20 millones de vínculos-año docentes entre 2020 y 2025 muestra cómo cambios en la composición de la población y en la producción de los registros pueden alterar la interpretación de series históricas Entre 2020 y 2025, el número de vínculos formales de trabajo docente identificados en la RAIS (Relación Anual de Información Social), del Ministerio de Trabajo, […]

Inteligencia Artificial

28 de septiembre de 2026

Inteligencia artificial y las tendencias

¿Por qué tanta gente se une a los juegos con ChatGPT? Nunca fui una persona de tendencias. Sigo sin serlo. Algunas pasan por mi línea de tiempo, las veo, me parecen interesantes pero no al punto de experimentar. Fue así, inclusive, con algunas ondas recientes de imágenes hechas por inteligencia artificial, como la tendencia de los años 80, aquella que nos […]

Gestión Tributaria

01 de septiembre de 2026

Reforma tributaria y planificación patrimonial en el campo

La eficiencia para gestionar los impuestos facilita la gobernanza y permite organizar la sucesión familiar. La organización patrimonial rural se ha convertido en una medida estratégica ante la reforma tributaria en Brasil, que entró en vigor este año. La planificación de las actividades y de la gestión del patrimonio rural, a través de herramientas como la transición de la Persona Física a […]

Renata de Gaspari Valdejão Almeida

Inteligencia Artificial

05 de agosto de 2026

Dentro de la empresa y fuera del radar: los riesgos de la IA Sombra

Según Microsoft, el 75% de los profesionales ya utilizan inteligencia artificial en el trabajo sin la aprobación de la empresa El uso de la inteligencia artificial generativa ya forma parte de la rutina corporativa. Herramientas como ChatGPT, Copilot y otras plataformas ayudan a los profesionales a producir textos, analizar datos, crear presentaciones y acelerar tareas en prácticamente todos los sectores. Pero este avance […]

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julio de 2026

El futuro como competencia

El interés académico refuerza la proyección de escenarios como herramienta esencial para la toma de decisiones. Mientras algunas empresas aún intentan acertar el próximo paso, otras ya trabajan con múltiples futuros posibles — y se preparan para todos ellos. Pero, ¿qué significa “pensar el futuro”? ¿Es tendencia, es estrategia o una nueva competencia que […]

Renata de Gaspari Valdejão Almeida

Innovación

Tecnología

21 de mayo de 2026

Corredor Agro SP: innovación, articulación institucional y futuro

Pecege comanda a operação executiva das atividades do ecossistema de 400 km que ficou conhecido como Vale do Silício do agro brasileiro Em 2025, além de assumir a gestão do Parque Tecnológico de Piracicaba, o Instituto Pecege também foi designado para comandar a operação executiva das atividades do Corredor de Inovação Agropecuária do Estado, o chamado […]

Educación

27 de abril de 2026

Cómo transformar un TCC en negocio

Nueva gestión del Parque Tecnológico de Piracicaba ofrece consultoría a egresados de MBAs El nuevo director de proyectos del Parque Tecnológico de Piracicaba (PTP), Alexandre Barreto, suele decir que una de las mayores recompensas que ha tenido en la vida ha sido ver a sus orientandos del MBA USP/Esalq estructurar empresas a partir de sus trabajos de conclusión de […]

Tecnología

20 de marzo de 2026

El repertorio humano en la era de la IA

El pensamiento crítico y la creatividad son insustituibles en el trabajo del profesional de marketing La Inteligencia Artificial (IA) es capaz de hazañas increíbles, pero aún no posee la capacidad de juicio, empatía, intuición y creatividad estratégica necesarias para hacer el trabajo de un buen profesional de marketing. En esta área, es importante saber usar la herramienta para automatizar […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

23 de febrero de 2026

ESG como estrategia de crecimiento en una cooperativa del RS

Santa Clara equilibra responsabilidad social y ambiental con innovación Fundada en 1911 por inmigrantes italianos en Carlos Barbosa, en la sierra gaúcha, la Cooperativa Santa Clara es un ejemplo de que es posible equilibrar el crecimiento económico con la responsabilidad social y ambiental. De una pequeña empresa de producción de quesos, la organización evolucionó a un […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

22 de enero de 2026

¿Brasil libre de fiebre aftosa: qué cambia para la carne brasileña?

Con un rebaño de más de 200 millones de cabezas de ganado, el país es actualmente el líder en exportaciones Brasil recibió recientemente, por primera vez, la certificación de país libre de fiebre aftosa sin vacunación, otorgada por la Organización Mundial de Sanidad Animal (OMSA). El sello fortalece la posición del país como proveedor de carne confiable para el […]

Renata de Gaspari Valdejão Almeida

Innovación

09 de diciembre de 2025

Innovación: el nuevo ciclo del Parque Tecnológico de Piracicaba

El Instituto Pecege asume la gestión apostando en la creación de nuevos negocios A partir de 2026, el Instituto Pecege asumirá la gestión del Parque Tecnológico de Piracicaba (PTP). Entre sus responsabilidades estarán la administración, operación, mantenimiento y expansión del parque, además del fomento de actividades de innovación, emprendimiento y ciencia y tecnología. La elección fue realizada […]

Renata de Gaspari Valdejão Almeida

06 de julio de 2026

Arquitectura a Gran Escala: Gestión de Cambios DSR-SCRUM

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Resumen elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. La arquitectura y el urbanismo se configuran como bases imprescindibles en un espacio urbano cada vez más complejo y desafiante, donde la intrínseca conexión entre cuestiones sociales, ambientales y tecnológicas […]