Aprendizaje federado

¿Qué es el aprendizaje federado?

El entrenamiento normal reúne todos los datos en un solo sitio, algo difícil con datos sensibles o dispersos: los hospitales no pueden entregar historiales, y los fabricantes de móviles no quieren subir tus datos. El aprendizaje federado lo invierte: los datos se quedan en local, y solo viajan al servidor central las actualizaciones que el modelo ha aprendido, para combinarse. Todos entrenan un modelo juntos sin que nadie entregue datos en bruto.

¿Cómo funciona?

Repartir el modelo
El servidor primero envía un modelo inicial a cada participante.
Entrenar en local
Cada parte entrena ese modelo un poco más con sus propios datos.
Compartir solo actualizaciones
Cada uno devuelve solo el cambio en los pesos del modelo — ni un dato en bruto.
Agregar las actualizaciones
El servidor combina las actualizaciones (por ejemplo, un promedio ponderado) en un modelo global mejor y lo vuelve a repartir. Y se repite.

¿Qué problemas resuelve?

Privacidad
Los datos en bruto no salen del dispositivo, así que la información sensible tiene muchas menos papeletas de filtrarse.
Silos de datos
Datos repartidos entre hospitales, bancos y móviles pueden entrenarse «indirectamente» juntos, sin juntarlos primero.
Cumplimiento
Con normas como el RGPD apretando, el aprendizaje federado ofrece una vía que se mantiene legal.

¿Cuáles son sus retos?

Los dispositivos fallan en cómputo y conectividad, y los datos de cada parte no se distribuyen igual, así que el entrenamiento converge más lento y es más delicado. El coste de comunicación y los ataques de envenenamiento de actores malos también necesitan sus propias defensas.

En resumen: el aprendizaje federado mantiene los datos en casa mientras el modelo aprende en todas partes: entrenar juntos sin renunciar a la privacidad de nadie.