Releaf
Pequeñas acciones. Una huella más ligera.

Un teléfono, un árbol y cinco destinos posibles para las cosas.
Una ilustración creada en Blender para este sitio. Explica la idea; no son datos del proyecto.
Las imágenes, los diagramas y los vídeos originales conservan su idioma de origen.
La sostenibilidad resulta más accesible cuando el siguiente paso es concreto. Ayudé a construir Releaf en torno a las cosas que la gente ya tiene, los hábitos que quiere cambiar y una comunidad con la que compartir esos experimentos. Bajo su apariencia amable, la app es un ejercicio de poner el aprendizaje automático donde resulta útil y de mantenerlo honesto sobre lo que sabe.
De la información a un hábito diario
Releaf reúne formas de reutilizar materiales cotidianos, una estimación del carbono que produjo el día de una persona y una comunidad para compartir lo que funcionó. El objetivo es dar a la información ambiental un lugar útil en la rutina: una idea para probar, una acción para registrar o algo que mostrar a otra persona. El progreso se representa como un árbol que crece a lo largo de once niveles, y las recompensas se cuentan en gotas de agua.
Un clasificador que vive en el teléfono
El código actual de la app reconoce residuos con un modelo de visión EVA-02 Large convertido a Core ML. Una imagen pasa a la vez por tres cabezales de salida: 30 clases de objetos, 15 materiales y 4 contenedores. Ejecutarlo en el dispositivo significa que una foto no tiene que salir del teléfono para ser útil, y una predicción por debajo de un umbral de confianza se marca en lugar de presentarse como segura. Si el modelo en el dispositivo no está disponible, la app puede recurrir al mismo clasificador en el servidor.
Un grafo pequeño en lugar de un modelo grande
Un nombre todavía no es un consejo. Releaf incluye un grafo de conocimiento de 43 nodos (30 objetos, 8 materiales y 5 destinos) unidos por 118 aristas, con embeddings aprendidos por una red de atención sobre grafos. La orientación para desechar un objeto es una consulta a lo largo de las aristas del grafo; los “objetos similares” se obtienen por similitud de coseno entre embeddings. Trasladar la búsqueda a este grafo eliminó la dependencia de la app de un servicio externo de modelos de lenguaje para esa función.
Seguimiento de carbono que separa lo que se infiere de lo que se calcula
El seguimiento de carbono es opcional. Las lecturas de ubicación y movimiento se resumen en el teléfono en ventanas de 15 segundos, y solo se suben esos resúmenes. Un clasificador calibrado infiere el medio de transporte e indica “desconocido” cuando su confianza es baja. Después, un paso independiente y auditable multiplica la distancia por factores de emisión publicados. El clasificador se entrenó con un simulador de movilidad basado en física, así que su precisión casi perfecta en simulación no es una afirmación sobre teléfonos reales.
Construyendo con un equipo
Como cofundador de Rematter Cooperation, trabajé en la app en SwiftUI, el backend en Django para cuentas, recompensas, logros y notificaciones, y los servicios de IA de apoyo. Recaudamos $2.000 de financiación y obtuvimos un puesto entre los dos mejores equipos en el Campamento de Incubación y Concurso de Innovación Social para Escuelas Secundarias de China 2025. Releaf superó las 5.000 descargas.
De una foto a un siguiente paso útil.
- 01
Una imagen, tres preguntas
El clasificador EVA-02 Large recibe una imagen de 448 × 448 y responde a tres preguntas a partir de una representación compartida: qué es el objeto, de qué está hecho y a qué contenedor corresponde. La precisión en imágenes reservadas osciló entre aproximadamente el 90% y el 94% según el conjunto de evaluación, con los restos de comida y las botellas de vidrio como clases más débiles. El modelo se exportó a Core ML con precisión de 16 bits para el teléfono.
- 02
Orientación mediante consultas al grafo
Una red de atención sobre grafos (GATv2) aprende un embedding de 64 dimensiones para cada uno de los 43 nodos. La app incluye el grafo como datos simples, de modo que convertir una predicción en orientación se reduce a una consulta de vecinos y una búsqueda por similitud que funcionan sin conexión. Las puntuaciones de similitud ordenan a los candidatos; no son probabilidades calibradas de que una idea de reutilización vaya a funcionar.
- 03
Útil en caso de fallo parcial
Los servicios de apoyo reparten el trabajo entre un gateway, visión, recuperación, un grafo de conocimiento y un paso de respuesta. El orquestador marca una respuesta como parcial cuando falta un servicio, y una ruta alternativa mantiene disponible una respuesta más sencilla. Una capacidad no disponible se notifica en lugar de disimularse.
Estos detalles describen el código actual de la app y su repositorio de IA de apoyo, que declara estar listo para staging. Son independientes de las cifras de descarga de la app publicada, y no todas las funciones descritas aquí están confirmadas como publicadas.
Explorar el repositorio de IA de apoyoLos límites, con honestidad.
- Las cifras de descargas, financiación y competición proceden de mi currículum. No son cifras de uso ni de retención.
- Las cifras de carbono son estimaciones basadas en la distancia y en factores de emisión publicados. No son mediciones de la huella real de una persona.
- El clasificador de medio de transporte solo se ha evaluado con trayectos simulados. Todavía no se conoce su precisión en dispositivos reales.

Un flujo de acciones pequeñas y reales.
La pantalla de comunidad de una versión anterior: ideas de reutilización compartidas por quienes usan la app. Es la misma captura que aparece en el teléfono que se alza en la isla de arriba.
Captura de pantalla real de la app. Las versiones posteriores reorganizan las pestañas en torno a Crear, Impacto y Comunidad.
Dónde conecta esto.
CollegeAdvisorLa misma combinación de una app en SwiftUI con servicios en Python, y la misma regla: decir “desconocido” en lugar de adivinar.
Encontrar el rumboAmbos entrenan y prueban con un simulador físico antes de confiar en el mundo real.
Ciencia bien contadaExploreAid fue un primer intento de convertir un proyecto en algo que la gente pudiera usar. Releaf es el que llegó a publicarse.Las cifras de descarga y financiación se informan en mi currículum. Las estimaciones de carbono son informativas; no son mediciones directas del impacto ambiental.