A atual expansão do mercado de modelos de aprendizado de máquina (ML — machine learning) esteve ancorada não só no desenvolvimento de modelos mais sofisticados para resolver problemas complexos, como o uso de Transformers para problemas de processamento de linguagem natural e geração de imagens, mas também no aumento quantitativo no número de parâmetros dos modelos. Para servir esses grandes modelos e atender a cada vez mais usuários, novos \emph{datacenters} estão sendo construídos no mundo todo, tornando necessário analisar o impacto ecológico dessa expansão. Essa análise não é trivial porque os dados de consumo das maiores aplicações de ML — geralmente modelos de linguagem em aplicações comerciais — raramente são divulgados de forma detalhada, assim como configurações do modelo e de \emph{hardware} que permitiriam a replicação dos processos de treinamento e inferência. Neste trabalho, avaliou-se o gasto de energia e consequente emissão de gases poluentes pelas implementações de modelos de ML, explorando modelos para o cálculo dessas emissões de forma independente, e métodos para reduzí-las.