Introducción

Bienvenidos, Tendecieros y Tendecieras. En el episodio de esta semana nos adentramos en uno de los temas más prometedores (y aún poco comprendidos) del mundo de la inteligencia artificial: la IA federada, también llamada federated learning o aprendizaje federado.

¿Te imaginas entrenar modelos colaborativos sin tener que compartir datos sensibles entre entidades? Esa es la propuesta central de la IA federada: que los datos permanezcan “donde están”, mientras las entidades colaboran en entrenar un modelo global seguro.

En este post profundizaremos en lo que hablamos en el podcast: definiciones, diferencias con el ML clásico, aplicaciones reales, sinergia con Edge Computing, retos técnicos y perspectivas de mercado. Al final te lanzo una pregunta abierta para que reflexiones (y comentes).

<figure class="wp-block-media-text__media"></figure>

fracttal

TODO para la gestión de tu mantenimiento.
Tecnología para eliminar fallos, reducir costos,
minimizar riesgos y maximizar la operatividad.
El futuro del mantenimiento está en Fracttal.

1. Crecimiento del mercado de IA Federada

Antes de meternos en definiciones técnicas, conviene contextualizar la relevancia creciente del tema:

• Según Grand View Research, el mercado global de federated learning estaba valorado en USD 138,6 millones en 2024 y se proyecta que alcance USD 297,5 millones para 2030, con una tasa compuesta anual (CAGR) de 14,4 % entre 2025 y 2030. Grand View Research+1





• Otros estudios más conservadores estiman CAGR menores, entre el 10 % y 11 %, y valores hacia USD 250‑260 millones en 2030. P&S Intelligence+2globalriskcommunity.com+2





• Las diferencias entre estimaciones provienen de las distintas metodologías, horizontes de tiempo, segmentos cubiertos (solo soluciones, servicios, verticales) y regiones objeto del estudio.

Este crecimiento robusto responde a una convergencia de factores: mayor volumen de datos generados en el borde (edge), sensibilidad normativa sobre privacidad, demanda de colaboración interinstitucional (por ejemplo en salud) y necesidades de eficiencia en transferencia de datos.

PATROCINADOR

<figure class="wp-block-image size-full"></figure>



<figure class="wp-block-image size-full"></figure>



<figure class="wp-block-image size-full"></figure>

<figure class="wp-block-image size-full"></figure>



<figure class="wp-block-image size-full"></figure>



<figure class="wp-block-image size-full"></figure>

2. ¿Qué es exactamente la IA Federada?

Para aterrizar el concepto:

• La IA federada es un enfoque descentralizado para entrenar modelos de machine learning, en el que cada nodo (por ejemplo, un hospital, dispositivo móvil, sensor IoT) entrena localmente usando sus propios datos, y luego comparte actualizaciones del modelo (pesos, gradientes) en lugar de los datos brutos.





• La idea es que el modelo global se “construya” colectivamente, agregando las mejoras aprendidas localmente en cada entidad, sin exponer los datos privados.





• En otras palabras: compartes lo aprendido, no lo que tienes.





• Una analogía útil: imagina que varios chefs colaboran enviando recetas (qué combinación de pasos mejorar) pero sin compartir los ingredientes exactos que usan, ni sus cantidades ni el proceso íntegro.

También existen variantes según cómo estén distribuidas las características de los datos:

• Federated learning horizontal: los nodos tienen características similares pero diferentes instancias (clientes con el mismo tipo de datos, pero distintos usuarios).





• Federated learning vertical: los nodos tienen diferentes características (features) para un conjunto de instancias común, por ejemplo bancos con distintos atributos financieros.





• Transfer federado: cuando hay poca superposición entre los espacios de características o muestra, y se aprovecha transferencia de aprendizaje.

3. ¿En qué se diferencia del machine learning tradicional?

Para que el lector comprenda claramente, comparemos ambos enfoques:

4. ¿Por qué no centralizar los datos?

Esa pregunta es clave para justificar por qué la IA federada tiene sentido real:

• En sectores como salud, finanzas o empresas con datos confidenciales, compartir datos brutos puede vulnerar regulaciones (por ejemplo GDPR en Europa) o comprometer privacidad de pacientes o clientes.





• Centralizar supone riesgo de fuga masiva: si el repositorio central es atacado, todos los datos se exponen.





• Costes de ancho de banda y latencia: mover grandes volúmenes de datos puede ser costoso e impracticable, especialmente cuando los datos se generan en dispositivos remotos.





• Heterogeneidad del origen: no todos los nodos tienen permiso o capacidad para transferir sus datos.





• Además, muchas veces no es necesario compartir los datos completos: solo las mejoras útiles del modelo bastan para colaboración.

5. Escenarios verticales donde ya se aplica IA Federada

Salud

• Varios hospitales pueden colaborar entrenando modelos de diagnóstico (por ejemplo de imágenes médicas, predicción de enfermedades) sin intercambiar historiales completos.





• Se han reportado proyectos con más de 50 h