Aprendizaje Federado: Transformando la Salud con Privacidad de Datos

La inteligencia artificial (IA) ya se ha popularizado en campos como las finanzas y el comercio electrónico, ya que puede aprender mucho a partir de grandes conjuntos de datos. Para que la IA funcione bien, necesitamos métodos para procesar datos rápidamente y manejar grandes cantidades de ellos. Los centros de procesamiento de datos centralizados, también conocidos como centros de datos, suelen utilizarse para aprender a partir de conjuntos de datos.

Sin embargo, como requiere reunir datos en un solo lugar, existe el riesgo de comprometer la privacidad de la información sensible. Esta preocupación ha limitado la utilización generalizada de la IA en muchas áreas, especialmente en el sector sanitario.

Para resolver el problema, una prometedora aproximación consiste en trasladar las tareas desde grandes centros de datos a dispositivos más pequeños, como teléfonos inteligentes u otros aparatos que estén más cerca del lugar donde se generan los datos. De este modo, no tenemos que enviar los datos a una ubicación diferente.

Esta nueva aproximación se conoce comúnmente como aprendizaje federado.

El término “aprendizaje federado” fue acuñado por Google en 2016. Se hizo ampliamente conocido poco después, cuando el mal uso de los datos sensibles se convirtió en una cuestión muy preocupante tras una serie de escándalos como el de Cambridge Analytica.

El aprendizaje federado, también conocido como aprendizaje colaborativo, consiste en entrenar un algoritmo de IA colaborativamente utilizando múltiples dispositivos periféricos, cada uno con su propio conjunto de datos. Esto contrasta con los métodos tradicionales, donde los conjuntos de datos se fusionan en una ubicación centralizada para un entrenamiento colectivo.

En el aprendizaje federado, se crea un modelo de IA en un lugar centralizado, y se proporciona acceso a los dispositivos participantes. Los participantes descargan el modelo desde una ubicación central y lo entrenan utilizando sus datos privados. Los modelos entrenados localmente se envían de vuelta a la ubicación central, donde se combinan para producir un único modelo global de IA. Este proceso se repite varias veces para producir un modelo final de IA.

Al final, el modelo finalizado de IA se comparte con todos los dispositivos participantes para realizar predicciones.

La sanidad podría beneficiarse enormemente del aprendizaje federado, ya que las instituciones del sector tienen grandes cantidades de conjuntos de datos que se mantienen aislados o “en silo” debido a la naturaleza sensible de los datos. Este aislamiento dificulta extraer conclusiones significativas a partir de los datos.

Sin embargo, con el aprendizaje federado, las instituciones sanitarias pueden hacerlo garantizando la máxima seguridad dentro de su propia infraestructura. La combinación de extracción de conclusiones valiosas y protección de la privacidad de los datos convierte al aprendizaje federado en un cambio radical para la industria.

El aprendizaje federado permite a los hospitales, instituciones sanitarias y centros de investigación colaborar en el desarrollo de modelos que puedan beneficiar a todas las partes.

Consideremos un ejemplo en el que diferentes hospitales pretenden crear un modelo para el análisis automatizado de tumores cerebrales. Con un enfoque de aprendizaje federado cliente-servidor, un servidor centralizado mantiene el modelo global de IA (por ejemplo, una red neuronal artificial), mientras que cada hospital recibe una copia para entrenarlo con sus propios conjuntos de datos.

Este marco colaborativo garantiza que los hospitales puedan compartir sus conocimientos y experiencia mientras siguen manteniendo la privacidad de sus respectivos datos clínicos. Al compartir de forma segura actualizaciones del modelo en lugar de datos brutos, el aprendizaje federado equilibra la colaboración y la privacidad. Esto permite a las instituciones hacer progresos colectivos sin comprometer la confidencialidad de los pacientes.

Además de preservar la privacidad, el aprendizaje federado también fomenta la colaboración entre instituciones sanitarias. Las instituciones que anteriormente podían operar de forma independiente ahora pueden aportar sus conjuntos de datos y conclusiones únicas para construir colectivamente modelos robustos de IA.

Un esfuerzo colectivo como este podría mejorar la precisión y la generalización de los modelos resultantes, lo que llevaría a mejores capacidades diagnósticas, planes de tratamiento y resultados para los pacientes.

La principal ventaja del aprendizaje federado es que las organizaciones ya no están obligadas a compartir sus datos sensibles fuera de sus instalaciones seguras para la implementación de la IA. Al restringir los datos a sus organizaciones, el aprendizaje federado reduce las posibilidades de filtraciones de datos o de acceso no autorizado.

Esto es especialmente importante en dominios como la sanidad, donde mantener la privacidad de los datos sensibles de los pacientes es de vital importancia.

En lugar de compartir los datos, el aprendizaje federado trata sobre el intercambio de actualizaciones de modelos entrenados localmente. Para asegurar aún más esta comunicación, incorpora varias técnicas:

• Anonimización: se aplica para eliminar la información de identificación personal (PII, por sus siglas en inglés) de los datos con el fin de proteger las identidades individuales.
• Cifrado: se utiliza para proteger los datos durante la transmisión para garantizar que no puedan ser accedidos por terceros no autorizados.

Además, para proporcionar una capa adicional de protección de la privacidad, el aprendizaje federado emplea métodos de agregación segura para combinar las actualizaciones del modelo sin comprometer la privacidad individual. Así, también podría utilizarse la técnica de privacidad diferencial. El ruido se añade a las actualizaciones del modelo para impedir la reidentificación de puntos de datos específicos.

La privacidad del aprendizaje federado suele clasificarse en dos aspectos principales: privacidad local y privacidad global.

• Privacidad local: se centra en proteger la privacidad de los datos locales a nivel individual. Esto se logra compartiendo actualizaciones del modelo en lugar de los datos.
• Privacidad global: garantiza que las actualizaciones realizadas al modelo durante cada ronda se mantengan privadas e inaccesibles para cualquier tercero no confiable, excepto para el servidor central.

Los métodos como la anonimización, el cifrado (o el cálculo seguro de múltiples partes), la privacidad diferencial y la agregación segura se utilizan principalmente para la privacidad global.

Finalmente, las consideraciones éticas son vitales para la implementación del aprendizaje federado. Las organizaciones que participan en el aprendizaje federado deben obtener el consentimiento informado de los individuos para utilizar sus datos en el entrenamiento del modelo.

Se siguen estrictamente las directrices éticas y las regulaciones legales para garantizar que la privacidad se mantenga durante todo el proceso.

Un inconveniente clave del aprendizaje federado es que puede no escalar bien con los desarrollos de IA a gran escala. Esto se debe a los significativos costos de comunicación y cálculo implicados. Por tanto, el objetivo principal del aprendizaje federado es ofrecer un marco de bajo costo computacional y eficiente en comunicaciones sin comprometer el rendimiento de los modelos de IA.

Otra deficiencia del aprendizaje federado es el costo adicional de cálculo y comunicación de la incorporación de los mecanismos de privacidad.

Finalmente, los mecanismos de privacidad, como añadir ruido a las actualizaciones del modelo para asegurar las identidades individuales, pueden afectar a la precisión de los modelos.

Con la llegada de la IA y la implementación de políticas de protección de datos como el RGPD y el CCPA, la salvaguarda de la privacidad de los datos se ha convertido en crucial. El aprendizaje federado aborda eficazmente estas preocupaciones entrenando modelos de IA en dispositivos descentralizados utilizando conjuntos de datos locales, asegurando así la privacidad de los datos.

Una de sus principales ventajas es su robusto mecanismo de protección de privacidad multicapa. Con estos mecanismos de protección de la privacidad, el aprendizaje federado tiene un gran futuro por delante, especialmente en dominios como la sanidad.