🧠⚡ OptimIA — Enrutador Inteligente y Sostenible de Modelos de IA

ES: Sistema de routing que selecciona dinámicamente el modelo óptimo maximizando calidad, eficiencia energética y coste.
EN: Dynamic router that selects the optimal AI model, maximizing quality, energy efficiency, and cost performance.

---

📌 Descripción General | Overview

🟢 ES:

OptimIA es un enrutador inteligente de modelos de IA diseñado para decidir, en tiempo real, qué modelo ejecutar entre:

• Llama 3.1 8B
• GPT-4o-mini
• GPT-5

El sistema estima la categoría, dificultad y requerimientos del usuario, y selecciona el modelo ideal con base en:

• Categoría del prompt (biology, law, math, etc.)
• Nivel de dificultad (easy | medium | hard)
• Modo operativo (ahorro | equilibrado | calidad)
• Tabla de performance real por categoría/dificultad
• Coste por token (input/output)
• Consumo energético relativo por modelo

Además incorpora:

• Clasificador automático en Python
• Algoritmo de selección coste-calidad-energía
• Streaming tipo ChatGPT
• Historial persistente en cliente
• Cálculo de ahorro económico
• Estimación de energía evitada
• Dashboard de métricas

🔵 EN:

OptimIA is a smart AI model router that dynamically chooses the optimal model (Llama 3.1 8B, GPT-4o-mini or GPT-5) based on the incoming prompt's category, difficulty and user mode, optimizing quality, cost and energy consumption.
It provides streaming output, analytics, persistent history, and an intelligent cost-savings engine.

---

🎯 Objetivo del Proyecto | Project Goal

🟢 ES:

Desarrollar un router de modelos IA reutilizable y robusto capaz de:

• Clasificar el prompt usando un modelo Python.
• Seleccionar el modelo óptimo utilizando métricas de rendimiento, coste y energía.
• Optimizar el prompt original para reducir tokens y mejorar eficiencia sin perder intención.
• Ejecutar un único modelo evitando redundancias.
• Registrar métricas clave (coste, energía, tiempo de ejecución).
• Ofrecer un dashboard accesible para visualizar resultados y ahorros.

🔵 EN:

Build a reusable and production-ready AI model router that classifies prompts, selects the best model, optimizes prompts to reduce token consumption, executes efficiently, and exposes relevant metrics through a modern web UI. Build a reusable and production-ready AI model router that classifies prompts, selects the best model, executes it efficiently, and exposes relevant metrics through a modern web UI.

---

🧠 Tecnologías Utilizadas | Tech Stack

Frontend

• React + Vite
• ReactMarkdown
• Persistencia en localStorage

Backend

• Node.js + Express
• Socket.IO para streaming
• Python (subproceso)
• Azure OpenAI API
• Groq API

Data & Analytics

• Python (pandas, openpyxl, etc.)
• Scripts de benchmark que generan tabla_global.json

---

⚙️ Flujo de Trabajo | Workflow

🟢 ES:

• Clasificación del prompt: Python determina categoría y dificultad.
• Selección de modelo: se calcula el balance entre accuracy, coste y energía según el modo del usuario.
• Ejecución del modelo elegido vía Node.js.
• Optimización del prompt para eficiencia.
• Frontend visualiza respuesta, métricas y ahorros.

🔵 EN:

• Prompt classification (Python)
• Optimal model selection
• Execution of the chosen model
• Prompt optimization (Groq)
• UI rendering and analytics

---

📂 Estructura del Proyecto | Project Structure

.
├── IndesIAHack/
│   ├── Cliente/
│   │   ├── src/App.jsx
│   │   ├── public/send.png
│   │   └── …
│   └── Servidor/
│       ├── index.js
│       ├── classifier_api.py
│       ├── classifier_prompt_engineering.py
│       ├── test_classifier.py
│       ├── model_selector.py
│       ├── performance_analyzer.py
│       ├── data_treatment/tabla_global.json
│       ├── requirements.txt
│       └── …
└── README.md

---

🧩 Ejecución | How to Run

1. Configurar entorno

cp .env.example .env

Editar claves en .env.

2. Instalar dependencias

Backend

cd Servidor
npm install
pip install -r requirements.txt

Frontend

cd Cliente
npm install

3. Ejecutar proyecto

Backend

npm run dev

Frontend

npm run dev

---

📈 Métricas Disponibles | Available Metrics

🟢 ES:

• Modelo seleccionado
• Coste estimado por mensaje
• Índice energético
• Tiempo de enrutamiento
• Tiempo de inferencia del modelo
• Historial persistente del usuario
• Ahorro acumulado (€/tokens)
• Energía evitada (estimada)

🔵 EN:

• Selected model
• Estimated cost per message
• Energy index
• Routing time
• Model inference time
• Persistent user history
• Cumulative savings (€/tokens)
• Avoided energy (estimated)

---

👥 Equipo | Team

Valeria — Javier — Sergio — Cesar — Clara