Las SVM son modelos de inteligencia artificial usados para resolver problemas de clasificación de datos. Estos modelos pueden ser complejos de interpretar, lo que afecta su usabilidad en ámbitos donde se requiere conocer el porqué de la clasificación. El modelo SVM contextualizado provee explicaciones por contexto, pero no existe una implementación de código que facilite su integración en proyectos e investigaciones. Por esto se decidió desarrollar una librería de código abierto que implemente las funcionalidades de SVMs contextualizados para facilitar el acceso a explicaciones de las clasificaciones realizadas por estos modelos. La librería se desarrolló en Python, se utilizó Joblib para paralelizar las etapas de entrenamiento y evaluación del modelo. El uso de esta librería permitió reducciones en los tiempos de entrenamiento de más de una hora, y reducciones de hasta el 80% en el tiempo de clasificación. También mejoró la precisión y exactitud hasta el 10% en múltiples conjuntos de datos en comparación al SVM no contextualizado. La librería desarrollada resulta ser una herramienta muy útil para generar transparencia en clasificaciones de modelos SVM a la vez que mejora su exactitud y facilita el uso de un mayor volumen de datos en el entrenamiento y evaluación del modelo. Palabras Clave: IA explicable, software, código abierto, aprendizaje de máquina