Contenido
- Cómo funciona el aprendizaje federado, paso a paso
- Dispositivos u organizaciones: dos escenarios de uso
- Ventajas del aprendizaje federado para la privacidad empresarial
- Lo que el aprendizaje federado no protege por sí solo
- Aprendizaje federado y la Ley 81 en Panamá
- Retos prácticos y herramientas para empezar
- Preguntas frecuentes sobre aprendizaje federado
El aprendizaje federado entrena un modelo de IA entre varios dispositivos u organizaciones sin reunir sus datos en un solo servidor: cada participante aprende en local y solo envía actualizaciones del modelo. Así reduce la exposición de los datos. Sin embargo, no garantiza la privacidad por sí solo y conviene combinarlo con agregación segura y privacidad diferencial.
Cómo funciona el aprendizaje federado, paso a paso
En el entrenamiento tradicional, todos los datos viajan a un servidor y allí se entrena el modelo. En cambio, el aprendizaje federado invierte el camino: el modelo viaja a los datos. Según el artículo «Advances and Open Problems in Federated Learning», de Peter Kairouz, Brendan McMahan y otros autores, muchos clientes entrenan un modelo común coordinados por un servidor central. Mientras tanto, los datos de entrenamiento siguen descentralizados.
- Envío del modelo. El servidor manda la versión actual del modelo a los participantes.
- Entrenamiento local. Cada participante mejora el modelo con sus propios datos.
- Envío de la actualización. Cada participante devuelve un resumen de los cambios, no sus datos.
- Agregación. El servidor promedia las actualizaciones y obtiene un modelo común mejorado.
- Nueva ronda. El proceso se repite hasta que el modelo alcanza la calidad buscada.
Fuente: Google Research, Federated Learning y McMahan y otros, 2016; consulta: 12 de noviembre de 2026.
El método nació en Google. El artículo «Communication-Efficient Learning of Deep Networks from Decentralized Data», enviado en febrero de 2016, acuñó el término «aprendizaje federado». Además, propuso el promedio iterativo de modelos. Según sus autores, ese método redujo entre 10 y 100 veces las rondas de comunicación frente al descenso de gradiente estocástico sincronizado. También resistió datos desbalanceados y distintos entre participantes.
Dispositivos u organizaciones: dos escenarios de uso
Entre millones de teléfonos
El primer escenario reúne a muchos dispositivos personales. Google lo probó en Gboard, su teclado para Android, para mejorar las sugerencias de búsqueda. Según el blog de Google Research de abril de 2017, el entrenamiento solo corre cuando el teléfono está inactivo, cargando y con una conexión inalámbrica gratuita. Así, no afecta la experiencia del usuario.
Entre empresas o instituciones
El segundo escenario reúne a pocas organizaciones con muchos datos cada una. Kairouz y sus coautores mencionan que los clientes pueden ser organizaciones completas. Por ejemplo, varios hospitales podrían entrenar juntos un modelo de diagnóstico sin intercambiar historias clínicas. De la misma forma, varias entidades financieras podrían entrenar un detector de fraude sin compartir sus bases de clientes.
Ventajas del aprendizaje federado para la privacidad empresarial
La primera ventaja es la minimización. Los datos crudos no salen de cada participante, así que hay menos copias que proteger. Además, el servidor central deja de ser un único gran depósito de datos personales. Por eso, una brecha en el servidor expone menos información.
La segunda ventaja es la colaboración. Muchas empresas no pueden compartir datos por contratos, por regulación o por competencia. En cambio, sí pueden compartir mejoras de un modelo. Por último, el modelo aprende de datos más variados que los de una sola organización.
En Panamá y en el resto de Latinoamérica, este enfoque encaja en sectores con datos repartidos entre muchas entidades, como la banca, los seguros y la salud. Por ejemplo, una red de clínicas en varias provincias podría mejorar un modelo de triaje sin crear una base central de pacientes. Sin embargo, el proyecto necesita un coordinador neutral y reglas claras sobre quién usa el modelo final.
Lo que el aprendizaje federado no protege por sí solo
Las actualizaciones del modelo también pueden revelar datos. El estudio «Deep Leakage from Gradients», de Ligeng Zhu, Zhijian Liu y Song Han, mostró en 2019 que es posible obtener datos privados de entrenamiento a partir de los gradientes compartidos. En concreto, recuperaron imágenes píxel a píxel y texto pieza a pieza. Además, el modelo final también es un activo que hay que proteger, igual que cualquier sistema de IA expuesto a ataques. Para ver ese lado del problema, revisa la guía de seguridad de la IA para proteger tu empresa.
Por eso existen dos protecciones adicionales. La primera es la agregación segura. Según el protocolo de Keith Bonawitz y otros autores, de 2016, los participantes calculan la suma de sus valores sin revelarlos uno por uno. Además, el protocolo sigue funcionando aunque hasta un tercio de los usuarios abandone. En la práctica, Google explica que el servidor solo puede descifrar el promedio si participan cientos o miles de usuarios.
La segunda protección es la privacidad diferencial. Según McMahan, Ramage, Talwar y Zhang, es posible entrenar modelos de lenguaje con privacidad diferencial a nivel de usuario con un costo de precisión despreciable. Sin embargo, el método necesita muchos usuarios y más cómputo. Si quieres entender cómo funciona el ruido y el parámetro épsilon, lee la entrada sobre personalización con IA y privacidad diferencial.
| Esquema | Qué sale de cada participante | Qué ve el servidor | Riesgo que queda |
|---|---|---|---|
| Entrenamiento centralizado | Los datos crudos | Todos los datos | Un gran depósito expuesto a brechas y a usos indebidos |
| Federado básico | Actualizaciones del modelo | La actualización de cada participante | Reconstrucción de datos a partir de los gradientes |
| Federado con agregación segura | Actualizaciones cifradas | Solo el promedio del grupo | El modelo final aún puede memorizar casos raros |
| Federado con privacidad diferencial | Actualizaciones con límite y ruido calibrado | Un promedio con garantía formal | Menor precisión si hay pocos participantes |
Aprendizaje federado y la Ley 81 en Panamá
En Panamá, el aprendizaje federado no exime de la Ley 81 de 2019. Cada participante sigue tratando datos personales en local, así que necesita una base legal, como el consentimiento o un contrato. Además, la ley define la transferencia como dar a conocer o transmitir datos a terceros, dentro o fuera del país. Por lo tanto, la ventaja práctica es que los datos crudos no salen de cada organización.
Los datos de salud merecen una mención aparte. La Ley 81 exige para ellos un consentimiento previo, irrefutable y expreso, y limita la transferencia de datos sensibles. Por eso, un proyecto federado entre clínicas puede ser más sencillo de justificar que uno que reúne historias clínicas en un servidor común. Aun así, conviene documentar las medidas técnicas, porque la Autoridad Nacional de Transparencia y Acceso a la Información fiscaliza los protocolos de seguridad.
Retos prácticos y herramientas para empezar
El aprendizaje federado tiene costos. Los datos de cada participante pueden ser muy distintos, lo que complica el entrenamiento. Además, el equipo no ve los datos, así que revisar las etiquetas es más difícil. Antes de empezar, conviene acordar una guía común de etiquetado de datos para IA entre todos los participantes.
Para probar la idea existe TensorFlow Federated, un marco de código abierto para aprendizaje automático y otros cálculos sobre datos descentralizados. También sirve simular primero el sistema con datos sintéticos repartidos entre participantes ficticios. Si tu empresa evalúa un proyecto de este tipo, conoce nuestras soluciones de inteligencia artificial en Panamá.
Preguntas frecuentes sobre aprendizaje federado
¿Qué es el aprendizaje federado en pocas palabras?
Es una forma de entrenar un modelo de IA sin reunir los datos en un solo lugar. El servidor envía el modelo a los participantes, cada uno lo mejora con sus propios datos y devuelve solo los cambios. Después, el servidor promedia esas mejoras. Así, los datos crudos de cada teléfono, hospital o empresa no salen de su origen.
¿El aprendizaje federado garantiza la privacidad?
No por sí solo. Un estudio de 2019 mostró que se pueden reconstruir imágenes y textos de entrenamiento a partir de los gradientes compartidos. Por eso se combina con agregación segura, que solo deja ver el promedio del grupo, y con privacidad diferencial, que añade ruido calibrado. Con ambas medidas, la protección es mucho más sólida que con el esquema básico.
¿Qué empresa creó el aprendizaje federado?
El término lo acuñaron investigadores de Google en un artículo enviado en febrero de 2016, firmado por Brendan McMahan y otros cuatro autores. Ese trabajo propuso el promedio iterativo de modelos. Al año siguiente, Google explicó en su blog de investigación que probaba la técnica en Gboard, su teclado para Android, para mejorar las sugerencias.
¿Sirve el aprendizaje federado para hospitales y bancos?
Sí, es uno de sus escenarios principales. Los participantes pueden ser organizaciones completas que entrenan juntas un modelo, por ejemplo, de diagnóstico o de detección de fraude, sin intercambiar historias clínicas ni bases de clientes. Aun así, cada organización sigue tratando datos personales en local y debe cumplir la ley de protección de datos de su país.
¿Cumple el aprendizaje federado la Ley 81 de Panamá?
Ayuda, pero no exime. Cada participante sigue tratando datos personales y necesita una base legal, como el consentimiento o un contrato. La ventaja es que los datos crudos no se transfieren a terceros, lo que simplifica los proyectos con datos sensibles, como los de salud. Conviene documentar las medidas técnicas, porque la ANTAI fiscaliza los protocolos de seguridad.
¿Qué herramienta sirve para empezar con aprendizaje federado?
Una opción es TensorFlow Federated, un marco de código abierto de Google para aprendizaje automático y otros cálculos sobre datos descentralizados. Permite simular algoritmos federados antes de desplegarlos. Para un primer piloto, conviene repartir datos de prueba o sintéticos entre participantes ficticios y medir la calidad del modelo antes de usar datos reales.
