Ingeniería de software aplicada al aprendizaje federado: estudio de bibliotecas y mecanismos de protección de datos

El federated learning (FL) se ha consolidado como una alternativa innovadora dentro del aprendizaje automático distribuido, permitiendo entrenar modelos sin necesidad de centralizar los datos, lo que favorece la privacidad y el cumplimiento de regulaciones de protección de información. Sin embargo, a pesar de sus ventajas, su adopción práctica sigue siendo limitada debido a desafíos técnicos, especialmente en lo relacionado con la seguridad, la privacidad y la complejidad de implementación en entornos reales. Este estudio analiza bibliotecas de FL desde una perspectiva de ingeniería de software, evaluando cómo implementan componentes esenciales como el entrenamiento local, la agregación de modelos, la comunicación entre clientes y servidores, y los mecanismos de protección de datos. Además, se examina el soporte para funcionalidades avanzadas como auditoría, detección de anomalías y verificación de privacidad. La metodología utilizada se basa en una revisión estructurada de la literatura y un análisis comparativo de diez bibliotecas seleccionadas por su relevancia en la comunidad académica y de desarrollo. Los resultados evidencian que, aunque todas las bibliotecas soportan las operaciones básicas del FL, existen diferencias significativas en su arquitectura, extensibilidad y nivel de madurez. Asimismo, se identifica una brecha importante en la integración de mecanismos avanzados de seguridad, los cuales suelen requerir extensiones adicionales. Se concluye que el principal reto del FL no es únicamente algorítmico, sino también de ingeniería de software, ya que se requiere equilibrar privacidad, utilidad del modelo y eficiencia computacional. Esto resalta la necesidad de desarrollar frameworks más robustos, flexibles y seguros para su adopción en aplicaciones reales.