Recientemente participé en el Build Small Hackathon de Hugging Face con un proyecto llamado YourGymBuddy, un entrenador fitness con inteligencia artificial enfocado en la privacidad, diseñado para trabajar con modelos de lenguaje pequeños y ejecución local primero.
El proyecto comenzó casi por accidente. Estaba probando un modelo pequeño recién lanzado junto con un amigo, usando registros de gimnasio y rutinas de entrenamiento sin procesar para ver si podía entender la progresión del entrenamiento, el volumen, los intervalos de descanso y los patrones de ejercicio. Mientras hacíamos eso, descubrí el Build Small Hackathon y me di cuenta de que la idea encajaba perfectamente con el espíritu del evento: construir aplicaciones de IA útiles con modelos pequeños y eficientes. Me registré justo antes de que cerrara la convocatoria, y esa carrera de último minuto se convirtió en el inicio de YourGymBuddy.
El objetivo del proyecto era crear un asistente de IA que pudiera ayudar a los usuarios a analizar su historial de entrenamiento y recibir recomendaciones prácticas sobre su progreso físico. En lugar de depender únicamente de grandes modelos en la nube, quería explorar cuánto se podía lograr con arquitecturas más pequeñas, más fáciles de ejecutar localmente, más eficientes y mejor alineadas con la privacidad.
Como base técnica, diseñé el proyecto alrededor de llama.cpp y la compatibilidad con GGUF, para que los modelos pudieran usarse localmente mediante herramientas como llama.cpp u Ollama. Experimenté con varios modelos, incluyendo Gemma 4 12B para tareas de razonamiento más complejas, MiniCPM 1B como una opción ultraligera, Nemotron Nano 4B para probar capacidades compactas en entornos edge, y el modelo de transcripción de Cohere para soportar entrada por voz.
Una parte clave del proyecto fue la localización. Como estoy en Colombia, era importante que YourGymBuddy pudiera entender y responder de forma natural en español. Muchos modelos pequeños tienen dificultades con el lenguaje fitness localizado, así que creé un dataset sintético con interacciones de entrenamiento en español. Este dataset fue diseñado para enseñarles a los modelos cómo interpretar el volumen de entrenamiento, los periodos de descanso, los grupos musculares y preguntas relacionadas con rutinas en español.
El pipeline de fine-tuning también fue una parte importante de la experiencia. Mis experimentos iniciales se hicieron localmente, pero el flujo de entrenamiento se ejecutó en la nube usando Modal. Construí un pipeline automatizado que utilizaba Optuna para optimizar hiperparámetros antes de hacer el fine-tuning de los modelos. Después del entrenamiento, los modelos se exportaron y se convirtieron a formato GGUF, quedando listos para inferencia local.
El despliegue también trajo varios retos. Ejecutar todo en Hugging Face Spaces requirió algunos ajustes. Encontré problemas de dependencias al intentar desplegar el modelo Nemotron fine-tuned, y la inferencia GGUF solo con CPU era demasiado lenta para ofrecer una buena experiencia de usuario. Por eso, adapté la demo en vivo para usar soporte de ZeroGPU y me enfoqué en que el Space fuera estable y responsive. La versión en vivo funciona como una demostración, mientras que la experiencia ideal sigue siendo la ejecución local, donde los usuarios pueden correr todo el proyecto en su propio computador y mantener sus datos personales de salud completamente offline.
Hoy, YourGymBuddy puede ingerir datos de entrenamiento exportados en formato .csv desde aplicaciones como Hevy, usar datos de muestra para pruebas, generar insights de entrenamiento impulsados por IA y aceptar entrada por voz mediante transcripción de audio a texto. Los siguientes pasos son ampliar el soporte para más aplicaciones fitness y seguir mejorando la experiencia de usuario, especialmente para uso móvil dentro del gimnasio.
Participar en el Hugging Face Build Small Hackathon fue una gran experiencia de aprendizaje. Me llevó a pensar cuidadosamente en eficiencia, privacidad, localización, restricciones de despliegue y el verdadero potencial de los modelos pequeños. YourGymBuddy me mostró que las aplicaciones útiles de IA no siempre necesitan depender del modelo más grande posible. Con buenos datos, un diseño cuidadoso y las herramientas adecuadas, los modelos pequeños pueden convertirse en asistentes prácticos, personales y poderosos.
Este proyecto también refleja la forma en que quiero construir herramientas de IA: de manera responsable, transparente y con respeto por la privacidad del usuario. YourGymBuddy no es solo una entrega de hackathon; es un experimento para hacer que la IA sea más útil, local y accesible.