Todos tenemos claro el valor que los datos pueden aportar a las organizaciones y que la principal premisa en su tratamiento es el estricto cumplimiento de medidas que garanticen la privacidad de los datos personales de los usuarios y la privacidad de los mismos para que no se vean comprometidos de ninguna manera.
Ante la necesidad de garantizar la protección de datos y la privacidad en el mundo empresarial, y además obtener el máximo valor para las empresas y organizaciones en su explotación hay una respuesta tecnológica: el Federated Learning.
Una tecnología revolucionaria que te permitirá, por ejemplo, entrenar modelos de IA, para que analicen y procesen de forma automática tu data, sin poner en peligro ni la seguridad ni la privacidad de los usuarios o clientes.
Por todo ello, es de vital importancia que sepas qué es el Federated Learning, cómo actúa ante la protección de datos sensibles, así como otra serie de tecnologías y herramientas que interactúan y facilitan el Aprendizaje Federativo.
“Federated Learning” o Aprendizaje Federado
Podemos definir Federated Learning Aprendizaje Federado, como el conjunto de tecnologías o la técnica que te permite entrenar modelos de IA con los datos que se encuentran en distintas “entidades”, en forma completamente segura y asegurando la privacidad de datos.
Porque hay que recordar que cada vez son más las firmas de alto nivel que apuestan por automatizar y agilizar sus procesos de análisis y gestión de datos con la introducción de tecnologías de inteligencia artificial.
De hecho, con el Aprendizaje Federado, puedes entrenar una IA con datos que provengan de diferentes ubicaciones, sin necesidad de compartir los datos directamente.
Beneficios del Aprendizaje Federado para la privacidad
- Garantiza la privacidad de los datos al permitir que se usen en diferentes proyectos, pero sin salir en ningún momento del entorno seguro de la empresa.
- Mayor control sobre la información personal de los usuarios o clientes.
- Minimiza la necesidad de transferir y almacenar datos confidenciales.
- Al tener un enfoque descentralizado, con la aplicación de tecnologías Federated tu empresa estaría cumpliendo la normativa establecida en cuanto a privacidad de datos. Según la propia Agencia Española de Protección de Datos, las técnicas de Aprendizaje Federado “permiten el desarrollo de sistemas de aprendizaje automático sin necesidad de comunicar los datos personales entre los intervinientes” y que “son clave”, por ejemplo, en escenarios como los Espacios de Datos.
- Como su nombre indica, favorece la federación de datos. Es decir, el trabajo colaborativo.
- Gracias al Federated Learning podrás crear Modelos de Datos en Data Clean Room Distribuidos (dos conceptos que explicaremos a continuación).
- El análisis de datos da a las empresas información muy valiosa con la que tomar decisiones de forma segura.
- Ayuda a la fidelización de clientes, amoldando acciones a sus necesidades.
En resumen, el Federated Learning es una tecnología que ofrece una solución poderosa para la privacidad y seguridad de los datos. Permite a las organizaciones beneficiarse de las ventajas del aprendizaje automático sin exponer sus datos a posibles ciberataques.
¿Qué son las Privacy Enhancing Technologies (PET)? Empresas y protección de datos
Empecemos por comprender qué son las Privacy Enhancing Technologies, más conocidas por sus siglas PET, entre los que buscan la protección de sus datos en el mundo empresarial y de ciberseguridad.
Porque las PET son el conjunto de tecnologías que se diseñaron, específicamente, para proteger la privacidad de todos los datos, en este caso, que se pueden consultar o compartir diariamente dentro de una organización o empresa.
Por ello, son un factor fundamental dentro del proceso de Aprendizaje Federado cumpliendo una función crucial: garantizar que los datos sensibles se manejen de manera segura y responsable, evitando ataques cibernéticos y posibles filtraciones.
La importancia de las PET en la protección de datos
¿Cómo funcionan las PET en una empresa? Te preguntarás. Muy sencillo. La clave está en seguir siempre esta regla:
- Minimizan el uso de datos personales.
- Maximizan la seguridad de los datos.
- Dan seguridad y tranquilidad a los usuarios al proteger al máximo su privacidad.
Si tenemos en cuenta que, cada vez más, gran parte de los negocios y de las transacciones económicas se centran en los datos a pequeña escala o convertidos en big data, el uso de tecnologías PET en una empresa conlleva unos beneficios claros, como:
- La protección de datos se convierte en el principal objetivo a cumplir.
- Rápida resolución de problemas relacionados con la protección de datos.
- Permite guardar la información personal con un almacenamiento seguro.
- Protege la data durante su análisis o uso.
- La integración de PET facilita el intercambio seguro de datos entre organizaciones.
- Asegura la confidencialidad en proyectos de trabajo colaborativos.
Sin olvidar que, como empresa, tendrás asegurado que todos los procesos y la toma de decisiones estén basados en el análisis de datos seguros y fiables; manteniendo, al mismo tiempo, la privacidad de la información de las personas y organismos a los que pertenece.
Data Clean Rooms Descentralizados (DCRD)
Como ya hemos mencionado, al hablar de los beneficios de aplicar Federated Learning en un negocio, al usar inteligencia artificial para gestionar la información y datos, podrás llegar a conclusiones claras sobre el funcionamiento de tu empresa.
Para ello, se recomienda el uso de Data Clean Room Descentralizados o DCRD, que son entornos seguros donde dos o más entidades pueden compartir datos para crear Modelos de Datos Federados, pero sin comprometer la privacidad.
Dentro del contexto del Aprendizaje Federado, los DCRD permiten que las organizaciones colaboren en proyectos de datos sin riesgos de privacidad, facilitando el cumplimiento regulatorio, permitiendo la colaboración segura y generando indicadores accionables.
Ejemplos de Aprendizaje Federado en DCRD y casos de uso
Ahora que hemos definido y explicado cada uno de estos conceptos:
- Aprendizaje Federado o Federated Learning.
- Privacy Enhancing Technologies o Tecnologías PET.
- Data Clean Rooms Descentralizados (DCRD)
Ya podemos dejar la teoría y dar un salto hacia los ejemplos reales. Estos son algunos de los casos de uso del Aprendizaje Federado usando Modelos de Datos Descentralizados:
- Modelos de atribución: para conocer en las campañas de Marketing, qué medio es el que ha terminado de convertirse en una venta. Mide la conversión de cada uno de los canales de Marketing y ventas de una empresa.
- Cohortes: son agrupaciones de usuarios con perfiles similares en cuanto a sus intereses
- Audiencias: es el perfilado de los distintos usuarios de tus servicios o los de tu competencia que te permita poder emprender acciones diferenciadas para cada uno.
- Segmentaciones: para identificar grupos de personas (clústeres) dentro de una audiencia más amplia.
- Modelos de contactabilidad: para poder determinar qué canal y momento es el adecuado para poder contactar con tus clientes
- Mejora en la retención de clientes (Churn): Un modelo de Churn es una métrica que mide la tasa de cancelación o pérdida de clientes en un negocio. El conocimiento de clientes en riesgo de cancelación facilita que se puedan tomar medidas para retenerlos y mejorar los ratios de Churn.
- Adquisición: Modelos de Upselling / Cross-selling (Next Product To Buy): Un conocimiento profundo de intereses de tus clientes facilita la venta cruzada de nuevos servicios adicionales a los que ya tienen contratados y que también están en el portfolio de la empresa.
El Ecosistema Publicitario y el Mundo Cookieless
El uso de Federated Learning para crear o enriquecer Modelos de datos en un DCRD proporciona soluciones 100% libres de cookies, que permitan el uso de datos recopilados por las organizaciones (lo que se conoce como First Party Data) de manera muy segura.
La Importancia de los Datos Telco
Los datos anonimizados provenientes de los operadores de telecomunicaciones son esenciales para ayudar en casos de uso del Aprendizaje Federado en DCRD. Estos datos enriquecen los modelos de datos y contribuyen significativamente a la generación de conocimientos valiosos para las organizaciones.
Beneficios de los datos anonimizados de Telecomunicaciones
Los datos anonimizados provenientes de los operadores de Telecomunicaciones son un elemento esencial, dada su riqueza, para ayudar en todos estos casos de uso. A través de estos datos, es posible observar datos sociodemográficos determinísticos, patrones de movilidad/presencia y de consumos digitales. Estos patrones permiten segmentar, la detección de intereses y momentos vitales y otros muchos indicadores relevantes para las empresas.
Estos datos, se pueden incorporar como una de las partes en estos procesos federados de generación de Modelos contribuyendo de forma significativa en su enriquecimiento.
En resumen, el Aprendizaje Federado es una tecnología innovadora que permite entrenar modelos de IA sin comprometer la privacidad de los datos y así, facilitar el trabajo de análisis y gestión de la data de una empresa.
En Orange, estamos liderando proyectos que demuestran la relevancia y el potencial del Aprendizaje Federado en el enriquecimiento de datos y la protección de la privacidad. A destacar, el proyecto MLEDGE financiado por el Ministerio de Asuntos Económicos y Transformación Digital, junto a la Unión Europea y sus fondos NextGeneration-EU en el que colaboramos con nuestro partner Acuratio (https://acuratio.com/).
MLEDGE busca desarrollar un ecosistema eficiente y seguro de servicios de Aprendizaje Federado (FL) en el borde, que facilite el uso de datos personales y confidenciales para entrenar modelos de Machine Learning, protegiendo la privacidad de los datos ya que hoy en día las preocupaciones sobre la privacidad y la propiedad obstaculizan su pleno desarrollo.
Así, Orange y Acuratio lideran un caso de uso que demostrará la relevancia de este proyecto para la economía digital. Aportando datos anonimizados obtenidos de los usuarios de telefonía móvil dando la resolución espaciotemporal y la escala necesarias para apoyar, entre otros casos de uso, la detección de patrones de movilidad que permitan abordar problemas como la propagación de enfermedades o la planificación urbana mediante el uso de Aprendizaje Federado, preservando la privacidad de los usuarios en todo momento.
Imágenes | Adobe Stock Photos | Pexels |
