El aprendizaje federado es una técnica de aprendizaje automático distribuido que permite entrenar modelos en varios participantes, ya sean dispositivos, organizaciones o centros de datos, sin que los datos sin procesar tengan que salir de su ubicación original. En lugar de centralizar los datos, el aprendizaje federado envía el modelo a los datos, agrega las actualizaciones aprendidas y produce un modelo global mejorado.
El proceso de aprendizaje federado funciona de la siguiente manera: un servidor central distribuye un modelo global a los nodos participantes, cada nodo entrena el modelo con sus datos locales, los nodos envían al servidor solo las actualizaciones del modelo (gradientes o pesos) y no los datos sin procesar, el servidor agrega las actualizaciones de todos los nodos para mejorar el modelo global, y el ciclo se repite hasta que el modelo converge.
Los principales beneficios para la IA empresarial incluyen: la preservación de la privacidad de los datos (los datos sensibles nunca salen de su fuente), el cumplimiento normativo (permite el entrenamiento de IA sin transferencias transfronterizas de datos), la colaboración competitiva (las organizaciones pueden entrenar modelos de forma conjunta sin compartir datos propietarios), la reducción del riesgo de centralización de datos (sin un único punto de compromiso) y el entrenamiento de IA en el borde (los modelos pueden aprender de los datos presentes en dispositivos móviles, sensores IoT e infraestructura de borde).
Los desafíos incluyen: la sobrecarga de comunicación (transmitir las actualizaciones del modelo a través de las redes), los datos heterogéneos (distribuciones de datos no uniformes entre los participantes), los riesgos de seguridad (las actualizaciones del modelo pueden filtrar información mediante ataques de inferencia) y la complejidad de la coordinación. Las técnicas de mejora de la privacidad, como la privacidad diferencial y la agregación segura, suelen combinarse con el aprendizaje federado para lograr una protección más sólida.