Muchas empresas tienen datos valiosos que no pueden o no deben compartir. El aprendizaje federado propone llevar el entrenamiento a los datos, en lugar de llevar los datos al entrenamiento.
Puntos clave
- Los datos se quedan donde están; solo viajan actualizaciones del modelo, como pesos o gradientes.
- Ayuda a cumplir la minimización de datos, pero no exime de la ley de protección de datos.
- Las actualizaciones pueden filtrar información, así que se combina con agregación segura o privacidad diferencial.
- Encaja sobre todo cuando varias organizaciones quieren colaborar sin compartir sus bases de datos.
Qué es el aprendizaje federado
El aprendizaje federado es un tipo de aprendizaje automático en el que varias fuentes de datos entrenan juntas un modelo compartido. La diferencia con el enfoque clásico es que los datos no salen de su origen. Cada participante entrena en local y solo envía los cambios del modelo.
La idea se dio a conocer con un artículo de investigadores de Google, firmado por McMahan y otros autores en 2016. Se presentó en la conferencia AISTATS de 2017. En él proponían el algoritmo FederatedAveraging, que promedia los modelos entrenados en cada dispositivo. Además, informaban de una reducción de 10 a 100 veces en las rondas de comunicación frente al descenso de gradiente sincronizado.
En abril de 2017, Google explicó en su blog de investigación que lo estaba probando en Gboard, su teclado para Android. El teléfono guardaba en local qué sugerencias se mostraban y cuáles se pulsaban. Con ese historial mejoraba el modelo sin subir los datos. Más tarde, un artículo del equipo de 2018 concluyó que el modelo federado predecía con mejor recall que el entrenado en servidor.
Cómo funciona, paso a paso
El aprendizaje federado con servidor central sigue un ciclo que se repite. La AEPD y el Supervisor Europeo de Protección de Datos lo describen así en su informe TechDispatch de 2025:
- Envío del modelo inicial. El servidor central manda un modelo de partida a cada participante.
- Entrenamiento local. Cada participante lo entrena con sus propios datos.
- Envío de actualizaciones. Cada uno devuelve los parámetros o sus cambios, nunca los datos originales.
- Combinación. El servidor agrega las actualizaciones y produce un modelo combinado.
- Redistribución. El modelo combinado vuelve a todos los participantes.
- Repetición. El ciclo se repite un número fijo de veces o hasta alcanzar el rendimiento buscado.
También existe una versión sin servidor central, llamada aprendizaje federado descentralizado. En ella los participantes intercambian parámetros directamente entre sí. En dispositivos móviles, Google añadía una condición práctica: entrenar solo cuando el teléfono está inactivo, enchufado y conectado a una red inalámbrica gratuita.
Tipos de aprendizaje federado
El aprendizaje federado se clasifica según cómo se reparten los datos y según quiénes participan. El informe de la AEPD y el SEPD distingue estas variantes:
| Tipo | En qué consiste | Ejemplo |
|---|---|---|
| Horizontal | Todos los participantes tienen la misma estructura de datos, pero sobre personas distintas. | Varias clínicas con historiales del mismo tipo de pacientes distintos. |
| Vertical | Los participantes tienen datos distintos sobre las mismas personas o entidades. | Un banco y una aseguradora que comparten clientes, cada uno con su información. |
| Entre dispositivos | Muchos participantes individuales con teléfonos o relojes, cada uno con sus propios datos. | Un teclado que aprende a predecir palabras en millones de teléfonos. |
| Entre silos | Pocas organizaciones con grandes volúmenes de datos cada una. | Un grupo de hospitales o de cooperativas que entrena un modelo común. |
Para una pyme o una empresa mediana, el caso más realista es el de silos. Piensa en una red de franquicias o en varias empresas de un sector. Todas quieren un modelo mejor, pero ninguna quiere entregar sus datos a las demás.
Aprendizaje federado y privacidad por diseño
El aprendizaje federado encaja con la protección de datos desde el diseño porque reduce cuántos datos se mueven y quién los ve. La AEPD y el SEPD señalan que se alinea con dos principios básicos: la minimización de datos y la limitación de la finalidad.
El informe destaca otras ventajas. Mejora la responsabilidad proactiva, porque cada responsable controla mejor el acceso a sus datos. Facilita colaborar con datos sensibles sin compartirlos. Además, sin un almacén central, es muy poco probable que una sola brecha afecte a todos los datos.
En Panamá rige la Ley 81 de 2019 de protección de datos personales. La reglamenta el Decreto Ejecutivo 285 de 2021. Según un análisis del Órgano Judicial, la ley incluye principios como la finalidad, la proporcionalidad y la seguridad. El aprendizaje federado ayuda a cumplirlos. Sin embargo, no te exime de tener una base legal, informar a los titulares y proteger los datos en cada participante.
Riesgos y límites
El aprendizaje federado reduce riesgos, pero no los elimina. El informe TechDispatch identifica varios desafíos que conviene conocer antes de invertir.
Fuga de información por las actualizaciones
Aunque no viajen los datos, un atacante podría inferir información a partir de los gradientes o pesos compartidos. Esto abre la puerta a los ataques de inferencia de pertenencia, que intentan saber si un dato concreto se usó en el entrenamiento.
Envenenamiento e integridad
Un participante malicioso puede inyectar datos falsos para sesgar el modelo común. Según el informe, se mitiga con detección de valores atípicos en las actualizaciones recibidas. Además, la seguridad debe cubrir todo el ecosistema, porque un atacante buscará el eslabón más débil.
Calidad de datos y sesgo
Como los datos no se centralizan, es más difícil comprobar su calidad y compararlos entre fuentes. Por eso hacen falta procedimientos específicos para vigilar el sesgo. El enfoque general está en la guía sobre riesgos de sesgo en IA.
Capacidad y complejidad
Algunos dispositivos no tienen potencia suficiente para entrenar. Además, coordinar participantes distintos, con abandonos y conexiones lentas, añade complejidad técnica.
Frente a estos riesgos, el informe propone combinar el aprendizaje federado con otras tecnologías de privacidad. Cita el cifrado en reposo, la agregación segura, los entornos de ejecución de confianza y la privacidad diferencial.
¿Quieres colaborar con datos sin compartirlos?
Evaluamos contigo si el aprendizaje federado u otra técnica de privacidad encaja con tu caso, tus datos y la ley aplicable.
Cuándo conviene a una empresa
El aprendizaje federado conviene cuando el valor está en combinar datos que no pueden juntarse. Si tus datos ya están en tu propia base y puedes tratarlos legalmente, un enfoque centralizado suele ser más simple y barato.
- Sí suele encajar: consorcios de salud, redes de franquicias, grupos empresariales con filiales en varios países o servicios que aprenden en el propio dispositivo del cliente.
- Quizá no compense: proyectos pequeños, con pocos datos o con un único responsable que ya los tiene centralizados.
- Alternativas que conviene comparar: anonimización, privacidad diferencial o el uso de datos sintéticos.
Antes de decidir, define el problema de negocio y el valor esperado, como en cualquier estrategia de IA para empresas. Encontrarás más guías en la sección de inteligencia artificial.
Preguntas frecuentes
¿El aprendizaje federado hace anónimos los datos?
No. Los datos originales no salen de cada participante, pero las actualizaciones y el modelo final pueden revelar información. La AEPD y el SEPD piden analizar caso por caso si deben tratarse como datos personales.
¿Qué diferencia hay entre aprendizaje federado y privacidad diferencial?
Son técnicas distintas que se complementan. El aprendizaje federado evita centralizar los datos; la privacidad diferencial añade ruido para que no se pueda identificar a una persona concreta. Se combinan a menudo para reducir el riesgo de fuga por las actualizaciones.
¿El aprendizaje federado me exime de cumplir la Ley 81 en Panamá?
No. Si los datos de cada participante son personales, ese tratamiento local sigue sujeto a la ley de protección de datos. Necesitas una base legal, transparencia con los titulares y medidas de seguridad en cada punto.
¿Qué empresas usan aprendizaje federado?
El caso documentado más conocido es el de Google, que lo probó en 2017 en su teclado Gboard. La AEPD y el SEPD citan además usos en salud, asistentes de voz y vehículos autónomos.
Fuentes
- Federated Learning: Collaborative Machine Learning without Centralized Training Data, Google Research (consultado el 21-10-2026).
- Communication-Efficient Learning of Deep Networks from Decentralized Data, McMahan y otros, arXiv (consultado el 21-10-2026).
- Federated Learning for Mobile Keyboard Prediction, Hard y otros, arXiv (consultado el 21-10-2026).
- TechDispatch: aprendizaje federado, AEPD y Supervisor Europeo de Protección de Datos (consultado el 21-10-2026).
- La Agencia y el Supervisor Europeo analizan las ventajas y desafíos del aprendizaje federado, AEPD (consultado el 21-10-2026).
- El uso indebido de los datos personales y sus consecuencias legales en Panamá, Órgano Judicial de Panamá (consultado el 21-10-2026).