El aprendizaje federado permite una IA con privacidad

La inteligencia artificial debe entrenarse con grandes cantidades de datos, a fin de que los algoritmos alcancen la precisión necesaria en los cálculos y la IA sea verdaderamente fiable. Esto supone alimentar a un sistema de aprendizaje automático con información relacionada con los casos de uso a los que se va a aplicar, lo que en muchos casos va en contra de la privacidad de los usuarios, ya sean personas de a pie, empresas o gobiernos.

Por ello, la implementación de la IA se enfrenta a una serie de dificultades en muchas industrias, como la de servicios profesionales y de consumo, la salud, el transporte y muchas más. Ante esto, las empresas implicadas en el desarrollo y la prestación de servicios de IA están buscando enfoques que permitan un equilibrio entre funcionalidad y privacidad. Una de ellas es Google, quien en 2017 lanzó un nuevo esquema de aprendizaje automático denominado aprendizaje federado.

Este se basa en que los dispositivos finales son los encargados de realizar el procesamiento inicial de los datos generados por los usuarios, de forma local. Y, posteriormente, envía los datos a la infraestructura centralizada de aprendizaje de la marca, en forma de información desvinculada del usuario. De esta forma, la parte confidencial de los datos no sale del dispositivo, manteniendo su privacidad a la vez que contribuye a la mejora de la inteligencia artificial.

Comenzó con aplicaciones como el teclado inteligente de los dispositivos Android, pero este enfoque ya está encontrando nuevas utilidades fuera del entorno de consumo. De hecho, muchas organizaciones están planteándose adoptar este tipo de aprendizaje en la implementación de aplicaciones de inteligencia artificial. Por ejemplo, en el sector de la salud, donde los datos altamente confidenciales de los pacientes se quedarían dentro de la infraestructura de cada hospital, alimentando sus sistemas y sus registros, mientras que la IA “central”, ubicada en otro lugar, recibiría datos contextualizados pero sin vinculación con paciente específicos.

La contrapartida que muchos expertos ven a este sistema es que el aprendizaje se realiza con más lentitud. Incluso algunos afirman que podría perder precisión, pero los impulsores del aprendizaje federado quitan peso a esto, apoyándose en que se trata de una mejor forma de integrar la IA en el mundo real, donde es vital mantener la privacidad, tanto para los consumidores como para las organizaciones que emplean esta tecnología.

Por ello, Google ha ampliado las capacidades de su biblioteca de software TensorFlow, integrándolas en la comunidad de código abierto, con el fin de democratizar su enfoque de aprendizaje federado y redes neuronales. El objetivo es expandir esta forma de entender y desarrollar la IA al mercado empresarial, utilizando las capacidades de dispositivos IoT, infraestructuras en el borde o vehículos inteligentes.