GMV presenta el caso de éxito de uTile en el I Congreso de IA de la Junta de Andalucía

La obtención y el intercambio de los datos necesarios para entrenar modelos capaces de ofrecer información de valor a través de la IA y el aprendizaje automático suponen desafíos significativos, derivados tanto del enorme volumen de información de calidad necesaria como de la obligación de garantizar su seguridad. Los propietarios de los datos --entidades gubernamentales, empresas privadas o instituciones de investigación- han de garantizar su privacidad, seguridad y soberanía, asumiendo que compartir cierta información puede plantear riesgos considerables y que, en la mayoría de los casos, existen restricciones legales o políticas que limitan la compartición de datos.

Como explicó Pablo González, especialista en Inteligencia Artificial de GMV, en la charla TED que ofreció en el I Congreso de IA de la Junta de Andalucía: “hemos desarrollado uTile, una herramienta basada en las tecnologías PET (Privacy-enhancing technologies o tecnologías de mejora de la privacidad) que resuelve el desafío de trabajar con grandes volúmenes de datos garantizando su privacidad y gobierno, mediante un enfoque de aprendizaje federado aplicable a cualquier sector de actividad”.

En este esquema, el proceso de entrenamiento del modelo se realiza de manera distribuida entre los desarrolladores de modelos y los propietarios de los datos. Cada parte entrena una porción del modelo en su entorno local, sin necesidad de compartir directamente los datos brutos. Luego, estas partes colaboran para combinar sus contribuciones y construir un modelo de inteligencia artificial completo y preciso.

Caso de éxito de Observación de la Tierra.

González compartió el caso de éxito con el que se comenzó el desarrollo de la herramienta de GMV uTile: la observación de la Tierra aplicando tecnología digital, en respuesta a un reto de la Agencia Espacial Europea. Como explicó, el aprendizaje federado proporciona una solución efectiva para preservar la privacidad y la seguridad de los datos mientras se aprovechan para entrenar modelos avanzados. En este caso, la herramienta de GMV permite analizar la evolución de las cosechas, el riesgo de incendios o inundaciones o el estado de las carreteras al facilitar que los creadores de programas y los dueños de fotos tomadas desde satélites colaboren sin tener que compartir sus datos, cada uno entrena una parte del programa en su ordenador, y luego juntan las partes para tener un programa completo. Así, nadie ve ni envía los datos del otro, y todos salen ganando.