Desarrollo de un Modelo de Machine Learning con Preservación de Privacidad para Datos Institucionales

1. Introducción

Las instituciones gubernamentales suelen poseer grandes volúmenes de datos que pueden ser utilizados para obtener conocimiento útil mediante técnicas de Machine Learning (ML). Sin embargo, estos datos frecuentemente contienen información sensible o personal, por lo que su uso requiere mecanismos que garanticen la protección de la privacidad.

Este documento describe una propuesta técnica para el desarrollo de un modelo de aprendizaje automático basado en redes neuronales, diseñado por estudiantes, que permita analizar datos institucionales sin exponer información personal.

La propuesta se basa principalmente en:

• aprendizaje federado
• control de acceso a datos
• procesamiento interno dentro de la institución
• intercambio únicamente de métricas y parámetros del modelo

Este enfoque permite que el proyecto académico se desarrolle sin comprometer la seguridad o confidencialidad de los datos institucionales.

2. Objetivo del Proyecto

Objetivo general

Desarrollar un sistema de análisis basado en Machine Learning capaz de generar predicciones o clasificaciones utilizando datos institucionales, garantizando la preservación de la privacidad de los registros individuales.

Objetivos específicos

• Diseñar un pipeline completo de Machine Learning.
• Implementar un modelo basado en redes neuronales.
• Ejecutar el entrenamiento dentro de la infraestructura de la institución.
• Evitar la transferencia de datos personales fuera del entorno institucional.