Aprendizaje Colaborativo

En inteligencia artificial, el aprendizaje colaborativo es el paradigma en el que varias entidades de aprendizaje —modelos, dispositivos, agentes o nodos— entrenan de forma conjunta y coordinada, compartiendo conocimiento (parámetros, gradientes o representaciones) en lugar de trabajar aisladas. Conviene una aclaración de partida: el mismo término tiene un sentido pedagógico —personas que aprenden en grupo— que no es el de esta entrada.

Un paraguas, con el federado en el centro

El aprendizaje colaborativo no es un algoritmo único, sino un paraguas de enfoques distribuidos. Su caso más destacado —hasta el punto de usarse a menudo como sinónimo— es el aprendizaje federado: entrenar un modelo compartido sin centralizar los datos, de modo que cada cliente (un móvil, un hospital, un banco) entrena en local con sus datos privados y solo envía al servidor las actualizaciones del modelo, que este agrega en un modelo global.

Conceptos con los que se relaciona

Está emparentado con el aprendizaje distribuido, más amplio, que reparte el entrenamiento entre varios nodos —el federado es un caso con datos descentralizados y heterogéneos—, y con el aprendizaje multiagente. Conviene no confundirlo con el filtrado colaborativo: pese al nombre, este es una técnica de sistemas de recomendación que predice los gustos de un usuario a partir de los de muchos otros, no un entrenamiento conjunto de varios modelos.

Beneficios y retos

Sus ventajas son aprovechar datos y recursos repartidos en silos y proteger la privacidad, ya que los datos crudos no se mueven de su origen. Sus retos son el coste de comunicación entre nodos, la heterogeneidad de los datos y los dispositivos, y la gobernanza: quién valida las actualizaciones y cómo se defiende el modelo global de posibles ataques.