Aprendizaje federado: entrenar IA sin mover los datos

Respuesta corta: el aprendizaje federado permite que varias organizaciones entrenen un mismo modelo de IA entre todas, sin que ninguna tenga que entregar sus datos crudos. Cada una entrena con su información puertas adentro y lo único que se comparte son los aprendizajes del modelo, no los datos. Resuelve el dilema de siempre: querés un modelo mejor, pero no podés (ni debés) juntar datos sensibles en un solo lugar.

La idea ancla: se comparte lo que el modelo aprendió, nunca los datos con los que aprendió.

El problema que resuelve

Un modelo de IA es mejor cuanto más datos ve. Pero los mejores datos suelen ser los que no se pueden mover: historias clínicas, registros fiscales, legajos, información de clientes. Están protegidos por ley, por contrato o por sentido común, y copiarlos a un servidor central para entrenar es justamente lo que no querés hacer.

Pensá en tres clínicas argentinas que quieren un modelo que detecte mejor una patología en estudios de imágenes. Por separado, cada una tiene pocos casos y su modelo aprende poco. Juntas tendrían un conjunto enorme y un modelo mucho más preciso. Pero ninguna puede mandarle a las otras las imágenes de sus pacientes: hay secreto médico, hay datos personales, hay responsabilidad legal.

El camino viejo era resignarse a modelos pobres o armar acuerdos interminables para compartir datos. El aprendizaje federado da una tercera salida.

Cómo funciona, sin tecnicismos

La vuelta de tuerca es simple: en vez de llevar los datos al modelo, se lleva el modelo a los datos.

  1. Se reparte el modelo. Una copia del modelo base viaja a cada clínica.
  2. Cada una entrena en su casa. La copia aprende con los datos locales de esa clínica, que nunca salen de su servidor.
  3. Se comparten solo los aprendizajes. Cada copia devuelve lo que aprendió (ajustes matemáticos, no datos), no los estudios de los pacientes.
  4. Se combinan en un modelo mejor. Esos aprendizajes se juntan en un modelo de consenso, que es mejor que el de cualquiera por separado, y vuelve a cada participante.

El ciclo se repite y el modelo mejora en cada vuelta. En todo el proceso, las imágenes de los pacientes nunca salieron de cada clínica.

Enfoque tradicionalAprendizaje federado
Los datos viajan a un servidor centralLos datos se quedan donde están
Hay que firmar acuerdos para compartir datos crudosSe comparten aprendizajes, no datos
Un solo punto que concentra todo el riesgoCada uno controla su propia información
Se pagan tarifas por transferir grandes volúmenesSe transfieren solo ajustes, livianos

Por qué le conviene a una PyME o a un organismo

No es solo un tema de clínicas. Sirve a cualquier grupo que gane compartiendo inteligencia sin poder compartir datos:

  • Una cámara de PyMEs que quiere un modelo de detección de fraude entrenado con la experiencia de todos sus socios, sin que ninguno exponga sus operaciones.
  • Varios municipios que entrenan juntos un modelo para predecir demanda de servicios, cada uno con sus propios vecinos protegidos.
  • Una red de obras sociales que mejora la detección de consumos atípicos sin cruzar padrones.

Y hay un beneficio de costo que suele pasarse por alto: como los datos no se mueven, bajan los gastos de nube y se evitan las tarifas de transferencia entre organizaciones. Cada una entrena con el hardware que ya tiene. Es el mismo principio de soberanía de los datos que recorre todo este bloque de la serie, aplicado al entrenamiento.

Lo que el aprendizaje federado no resuelve solo

Hay que ser honesto con los límites. Compartir aprendizajes en vez de datos reduce el riesgo, pero no lo elimina: en teoría, de esos ajustes se podría intentar deducir algo sobre los datos originales. Por eso el aprendizaje federado casi nunca va solo. Se combina con otras técnicas que cubren ese flanco:

  • Privacidad diferencial, que le mete ruido matemático a los aprendizajes para que no se pueda rastrear a ninguna persona. Es el tema del próximo artículo.
  • Cifrado de lo que se transmite, para que nadie intercepte los ajustes en el camino.
  • Enclaves protegidos, que aíslan el procesamiento incluso del proveedor de infraestructura.

Bootable implementa el aprendizaje federado como parte de ese conjunto, sobre bases abiertas y auditables. La decisión de con quién colaborar y qué entrenar es de cada organización; la arquitectura que garantiza que los datos no se muevan la montamos nosotros. El mapa de la serie ubica esta técnica dentro del plan completo.

Preguntas frecuentes

¿Es lo mismo que subir todo a la nube para entrenar?

No, es lo opuesto. En el modelo de nube central, los datos viajan a un lugar. En el aprendizaje federado, los datos se quedan quietos y lo que viaja es el modelo. Esa diferencia es la que lo vuelve viable cuando hay datos que no pueden salir.

¿Hace falta que todos usen el mismo sistema?

Hace falta un acuerdo técnico sobre el modelo base y la forma de combinar aprendizajes, pero cada participante puede tener su propia infraestructura. Justamente por eso conviene montarlo sobre estándares abiertos y no sobre una herramienta cerrada de un solo proveedor.

¿Sirve si somos una sola empresa con sucursales?

Sí. También funciona puertas adentro cuando los datos están repartidos en sedes o áreas que, por regulación o por diseño, no deben concentrarse. No necesitás ser varias organizaciones para aprovecharlo.

¿Es caro de implementar?

El costo grande del enfoque tradicional (mover y almacenar datos, firmar acuerdos de transferencia) es justamente el que el aprendizaje federado evita. Se empieza con un piloto acotado entre pocos participantes y se mide antes de ampliar, como cualquier proyecto de IA bien hecho.

En resumen

El aprendizaje federado rompe el falso dilema entre tener un modelo mejor y proteger los datos. Permite que varias organizaciones (clínicas, municipios, PyMEs, obras sociales) entrenen juntas un modelo más preciso sin que ninguna entregue su información cruda: se reparte el modelo, cada una entrena en casa y solo se comparten los aprendizajes. Baja el riesgo, baja el costo de transferencia y respeta la soberanía de los datos. No resuelve todo solo: se combina con privacidad diferencial, cifrado y enclaves, los temas que siguen en esta serie.

Acción para esta semana: identificá un dato valioso de tu empresa u organismo que hoy no podés compartir con un socio por razones legales o de confidencialidad, y usá el PDF que acompaña este artículo para evaluar si un piloto de aprendizaje federado tiene sentido.

Descarga gratuitaGuía de aprendizaje federado: cuándo y cómo aplicarlo

4 páginas · el material ampliado, en PDF. Gratis, por dejar tu email.

Descargar gratis