Consiste en un modelo de computación distribuida orientado a preservar la privacidad y la confidencialidad de los datos, permitiendo llevar los modelos de aprendizaje automático a donde están los datos en vez de trabajar con un único dataset centralizado.

La anonimización se constituye en una herramienta para mitigar los riesgos que presentan la obtención y tratamiento masivo de los datos de carácter personal, consistente en un proceso que oculta la información personal o sensible, permitiendo su divulgación sin que ello implique vulnerar los derechos de protección de datos de las personas. No obstante, una base de datos anonimizada es susceptible de sufrir lo que se conoce como un ataque de re-identificación, que consiste en intentar trazar los registros supuestamente anónimos en los registros de otra base o fuente de datos relacionada para extraer de ésta la información confidencial.

Conscientes de ello, GMV participa en el proyecto “MPC-Learning: Aprendizaje automático seguro y protegido mediante compartición de secretos”. Un proyecto cofinanciado por el departamento de I+D+i de Secure e-Solutions de GMV y por el Ministerio de Asuntos Económicos y Transformación Digital, enfocado en el desarrollo de técnicas matemáticas y computacionales capaces de realizar cálculo numérico sin necesidad de compartir datos. “GMV dentro de este proyecto tiene una doble función. Por un lado contribuye al proyecto ofreciendo su experiencia en sectores tales como Banca o Sanidad, ayudando así a construir casos de uso que permitan solucionar las dificultades de nuestros clientes. Por otro lado GMV aporta su conocimiento en ciencia de datos, que es el área que se encarga del desarrollo del cálculo de un modo seguro. Las sinergias resultantes de estas aportaciones es lo que hace posible consolidar los retos de este proyecto” señala Juan Miguel Auñón-García, Data Scientist de Secure e-Solutions de GMV.

El proyecto MPC-Learning nace de una premisa: en muchas ocasiones, existe interés por parte de varias organizaciones en compartir información entre sí con el objetivo de que todos puedan aprender de todos, pero pueden existir barreras para este intercambio, como la regulación/legislación aplicable o el interés legítimo. Multi-Party Computation (MPC, por sus siglas en inglés) integra a individuos (parties) que quieren realizar un cálculo (computation) sin tener que revelar sus datos, pero siendo conscientes de que la colaboración es esencial para conseguir un bien común.

El proyecto tiene como objetivo construir una plataforma de aprendizaje federado y un modelo de computación distribuido orientado a preservar la privacidad y la confidencialidad de los datos, en el que los participantes puedan entrenar sus modelos de Machine/Deep Learning de una forma segura y todos los miembros aprendan del resto.