{"id":33627,"date":"2025-04-16T14:35:00","date_gmt":"2025-04-16T14:35:00","guid":{"rendered":"https:\/\/www.iprofesional.com\/tecnologia\/426537-apple-mejorara-los-modelos-de-inteligencia-artificial-con-los-datos-de-los-usuarios-en-los-dispositivos"},"modified":"2025-04-16T14:35:00","modified_gmt":"2025-04-16T14:35:00","slug":"apple-mejorara-los-modelos-de-inteligencia-artificial-con-los-datos-de-los-usuarios-en-los-dispositivos","status":"publish","type":"post","link":"https:\/\/latecordoba.com\/index.php\/2025\/04\/16\/apple-mejorara-los-modelos-de-inteligencia-artificial-con-los-datos-de-los-usuarios-en-los-dispositivos\/","title":{"rendered":"Apple mejorar\u00e1 los modelos de inteligencia artificial con los datos de los usuarios en los dispositivos"},"content":{"rendered":"\n
<\/div>\n
<\/div>\n

Apple <\/strong>planea mejorar su plataforma Apple Intelligence<\/a> analizando datos de los usuarios directamente en los dispositivos, un cambio estrat\u00e9gico respecto a su anterior dependencia \u00fanicamente de datos sint\u00e9ticos, mientras mantiene su compromiso con la privacidad al garantizar que la informaci\u00f3n personal nunca salga de los dispositivos de los usuarios.<\/p>\n

T\u00e9cnicas de privacidad diferencial en el dispositivo<\/h2>\n

El enfoque de privacidad diferencial <\/strong>de Apple funciona transformando la informaci\u00f3n antes de que salga del dispositivo del usuario, haciendo imposible que Apple reproduzca los datos reales mientras obtiene informaci\u00f3n valiosa de las tendencias agregadas.<\/p>\n

La t\u00e9cnica implica a\u00f1adir un ruido estad\u00edstico ligeramente sesgado <\/strong>para enmascarar los datos individuales del usuario, que se promedia al analizar grandes cantidades de puntos de datos, permitiendo que emerjan patrones significativos. Este sistema que preserva la privacidad opera de manera opcional, requiriendo que los usuarios compartan el an\u00e1lisis del dispositivo con Apple.<\/p>\n

La implementaci\u00f3n incluye varias salvaguardas t\u00e9cnicas<\/strong>: se eliminan los identificadores del dispositivo, los datos se transmiten a trav\u00e9s de canales cifrados y un estricto “presupuesto de privacidad” (cuantificado por el par\u00e1metro \u00e9psilon) limita el n\u00famero de contribuciones de cualquier usuario individual.<\/p>\n

Para su nuevo enfoque de entrenamiento de IA, Apple <\/a>primero genera datos sint\u00e9ticos <\/strong>que imitan el contenido real del usuario, luego env\u00eda incrustaciones de estos datos sint\u00e9ticos a los dispositivos que han optado por participar, los cuales los comparan con muestras reales de datos del usuario.<\/p>\n

Solo la se\u00f1al que indica qu\u00e9 variante sint\u00e9tica coincide mejor con los datos del usuario se env\u00eda de vuelta a Apple\u2014el contenido real nunca sale del dispositivo<\/strong>\u2014permitiendo a Apple mejorar sus modelos mientras mantiene la privacidad.<\/p>\n

Limitaciones de los datos sint\u00e9ticos<\/h2>\n

Si bien los datos sint\u00e9ticos ofrecen ventajas de privacidad para el entrenamiento de IA, vienen con limitaciones significativas<\/strong>. Los conjuntos de datos sint\u00e9ticos a menudo tienen dificultades para capturar la complejidad completa y los matices de los escenarios del mundo real, lo que puede llevar a modelos de IA que funcionan bien con datos artificiales, pero fallan al generalizar en situaciones aut\u00e9nticas. Esta falta de realismo puede resultar en representaciones simplificadas que omiten casos l\u00edmite cruciales y atributos raros que existen en datos genuinos.<\/p>\n

La calidad de los datos sint\u00e9ticos depende inherentemente de la informaci\u00f3n original utilizada para generarlos. Los modelos entrenados progresivamente con datos sint\u00e9ticos sin suficiente entrada de datos reales frescos experimentan una degradaci\u00f3n <\/strong>tanto en precisi\u00f3n como en diversidad con el tiempo, un fen\u00f3meno que los investigadores llaman “colapso del modelo”.<\/p>\n

Preocupaciones adicionales incluyen posibles riesgos de privacidad a trav\u00e9s de ataques de reidentificaci\u00f3n<\/strong>, salidas sesgadas que reflejan y potencialmente amplifican prejuicios en los conjuntos de datos fuente, y desaf\u00edos en la validaci\u00f3n y verificaci\u00f3n para garantizar que los datos sint\u00e9ticos representen con precisi\u00f3n las distribuciones del mundo real. Estas limitaciones subrayan por qu\u00e9 los datos sint\u00e9ticos deber\u00edan complementar, en lugar de reemplazar completamente, a los datos aut\u00e9nticos en el desarrollo de IA.<\/p>\n

M\u00e9todos de entrenamiento de inteligencia de Apple<\/h2>\n

Los modelos fundacionales de Apple<\/a> est\u00e1n entrenados en su marco AXLearn<\/strong>, un proyecto de c\u00f3digo abierto lanzado en 2023 que se basa en JAX y XLA para un entrenamiento eficiente y escalable en diversas plataformas de hardware.<\/p>\n

La compa\u00f1\u00eda emplea una combinaci\u00f3n sofisticada de paralelismo de datos<\/strong>, paralelismo de tensores, paralelismo de secuencias y t\u00e9cnicas de paralelismo totalmente fragmentado de datos para escalar el entrenamiento en m\u00faltiples dimensiones.<\/p>\n

Para los datos de entrenamiento, Apple utiliza una mezcla cuidadosamente seleccionada de datos con licencia, contenido elegido por caracter\u00edsticas espec\u00edficas y datos disponibles p\u00fablicamente recopilados por AppleBot<\/strong>. La compa\u00f1\u00eda enfatiza pr\u00e1cticas \u00e9ticas de manejo de datos mediante:<\/p>\n