El aprendizaje federado es un método de entrenamiento en el que un modelo de IA aprende en muchos dispositivos o sedes sin que los datos en bruto salgan de ellos. Cada participante entrena en local y solo envía actualizaciones del modelo a un servidor central, que las combina. Así se protege la privacidad; es útil, por ejemplo, para hospitales que quieren mejorar juntos un modelo de diagnóstico o para teclados de móvil que aprenden sugerencias de palabras.
Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.
Iniciar demoLa normativa de protección de datos son las reglas legales sobre el tratamiento de datos personales. En la UE la referencia es el Reglamento General de Protección de Datos (RGPD), que exige, entre otras cosas, una base jurídica para cada tratamiento, minimización de datos, transparencia con los interesados y contratos de encargo del tratamiento con los proveedores. Al usar IA, debes aclarar qué datos llegan a las entradas, las fuentes de conocimiento y los registros, y dónde se tratan.
Los datos de entrenamiento son los ejemplos con los que un modelo de IA aprende patrones: grandes colecciones de texto en los modelos de lenguaje, imágenes etiquetadas en los de visión. Su calidad, variedad y actualidad determinan en gran medida lo fiable y justo que será el modelo y lo actualizado que estará su conocimiento. Para tu empresa también importa si un proveedor usa los datos de clientes que introduces para seguir entrenando.
El aprendizaje automático (machine learning) es una rama de la inteligencia artificial en la que los ordenadores deducen patrones de los datos en vez de recibir cada regla programada. Según la tarea, los modelos aprenden de ejemplos etiquetados (supervisado), de datos sin etiquetar (no supervisado) o mediante recompensas (por refuerzo). Las aplicaciones van desde filtros de spam y previsiones de demanda hasta recomendaciones de productos. La calidad depende mucho de la cantidad y la calidad de los datos de entrenamiento.
Los datos sintéticos se generan de forma artificial en lugar de recogerse en el mundo real, pero imitan sus patrones y propiedades. Son útiles cuando los datos reales escasean, son caros o delicados desde el punto de vista de la protección de datos, por ejemplo para probar software, entrenar modelos o poner a prueba un chatbot con consultas realistas. Asegúrate de que reflejen la realidad lo suficiente y no permitan identificar a personas reales.
