Aprendizaje Federado
Entrenar un modelo compartido a partir de datos que nunca salen del dispositivo o servidor donde se originaron.
ÁreaParadigmas de Aprendizaje Avanzados
DificultadAvanzado
Tiempo de aprendizaje6-8 semanas
¿Qué puedes lograr dominando este tema?
- Entrenar un modelo global sin centralizar datos sensibles en un solo lugar
- Combinar actualizaciones de modelos entrenados localmente en distintos dispositivos u organizaciones
- Reducir el riesgo de privacidad asociado con centralizar datos personales
Descripción
En el aprendizaje federado, el modelo viaja a los datos en vez de que los datos viajen al modelo: cada dispositivo u organización entrena localmente con sus propios datos privados, y solo se comparten y combinan las actualizaciones del modelo (no los datos en sí), permitiendo colaborar sin comprometer la privacidad.
Casos de uso
- Mejora de modelos de teclado predictivo en teléfonos sin subir mensajes privados
- Colaboración entre hospitales para entrenar modelos médicos sin compartir historiales de pacientes
- Modelos financieros colaborativos entre instituciones que no pueden compartir datos de clientes
- Cumplimiento de regulaciones estrictas de residencia y privacidad de datos
Ejemplo práctico
Flujo conceptual:
1. El servidor envía el modelo actual a cada dispositivo
2. Cada dispositivo lo entrena localmente con sus datos privados
3. Solo se envían de vuelta los pesos actualizados, nunca los datosVentajas y limitaciones
Ventajas
- Permite colaborar y entrenar modelos sin centralizar datos sensibles
- Cada vez más relevante en sectores con regulación estricta de datos (salud, banca)
- Reduce el riesgo de una brecha masiva de datos centralizados
Limitaciones
- Coordinar el entrenamiento entre muchos dispositivos heterogéneos es técnicamente complejo
- El desempeño puede ser inferior al de un modelo entrenado con datos centralizados
Herramientas relacionadas
Librerías y plataformas más comunes para practicar este tema.
- TensorFlow Federated
- PySyft
- Flower
Temas relacionados
Privacidad y Anonimización de Datos
Ética Y GobernanzaUsar datos personales para análisis y modelos sin exponer la identidad o información sensible de las personas.
Aprendizaje Auto-supervisado y Semi-supervisado
Aprendizaje AvanzadoAprovechar datos sin etiquetar (o con pocas etiquetas) para entrenar modelos de todas formas.