
# Generación de Datos Sintéticos Impulsada por Inferencia Causal para el Cumplimiento de Edge AI

Edge AI está pasando de ser una capacidad de nicho a un requisito generalizado en industrias como la salud, la manufactura y el transporte autónomo. La promesa de procesar datos localmente —reduciendo latencia, preservando ancho de banda y mejorando la privacidad— trae consigo un nuevo conjunto de desafíos: ¿cómo entrenar modelos robustos cuando los datos del mundo real son escasos, ruidosos o legalmente restringidos? Los datos sintéticos ofrecen una solución atractiva, pero las canalizaciones tradicionales a menudo dependen de modelos de difusión pesados o GANs que no son adecuados para hardware de borde con recursos limitados y carecen de garantías de cumplimiento integradas.

**La inferencia causal** proporciona una forma fundamentada de incorporar conocimiento del dominio, restricciones regulatorias y explicabilidad directamente en el proceso de generación de datos. Al construir un grafo causal que capture las relaciones entre variables, podemos guiar a un modelo generativo ligero para producir registros sintéticos que respeten la distribución subyacente de los datos *y* los límites legales definidos por regulaciones de privacidad como el [GDPR](https://gdpr.eu/), [HIPAA](https://www.hhs.gov/hipaa/index.html) o el emergente AI Act.

En este artículo veremos:

1. Explicar los conceptos centrales de la generación de datos sintéticos causales.  
2. Mostrar cómo traducir reglas de cumplimiento en restricciones causales.  
3. Detallar una arquitectura práctica amigable con el borde que combina grafos causales con un modelo de difusión optimizado para TinyML.  
4. Proporcionar una guía de implementación paso a paso, incluyendo fragmentos de código y un diagrama Mermaid del pipeline.  
5. Discutir métricas de evaluación, consideraciones de seguridad y direcciones de investigación futura.

---

## 1. Por Qué la Inferencia Causal Importa para los Datos Sintéticos en el Borde

### 1.1 De la Correlación a la Causación

La mayoría de los modelos generativos de IA aprenden correlaciones estadísticas a partir de los datos de entrenamiento. Si bien esto funciona bien en entornos centralizados y con abundancia de datos, puede codificar inadvertidamente relaciones ilegales o poco éticas —por ejemplo, un modelo que asocie un atributo protegido (raza, género) con un resultado médico. La inferencia causal cambia el foco de “qué ocurre conjuntamente” a “qué *causa* qué”, lo que nos permite:

- **Aplicar restricciones de política**: al eliminar aristas que representan vías causales prohibidas, los datos sintéticos respetan automáticamente las prohibiciones legales.  
- **Mejorar la explicabilidad**: cada muestra generada puede rastrearse a través del grafo causal, proporcionando una línea de procedencia transparente para los auditores.  
- **Aumentar la robustez**: los modelos causales son menos sensibles a correlaciones espurias, lo que genera datos sintéticos que se generalizan mejor ante cambios de distribución.

### 1.2 Beneficios Específicos para el Borde

| Restricción del Borde | Ventaja Causal |
|-----------------------|----------------|
| Computación limitada | Los grafos causales son ligeros; la inferencia es O(N) donde N es el número de nodos. |
| Vida de batería       | Menor complejidad del modelo se traduce en menor consumo de energía. |
| Conectividad intermitente | No se necesita procesamiento posterior en la nube; todo se ejecuta localmente. |
| Soberanía de datos   | Los datos sintéticos nunca abandonan el dispositivo, cumpliendo con normas de residencia de datos. |

---

## 2. Traduciendo Reglas de Cumplimiento en Restricciones Causales

Los textos regulatorios suelen estar escritos en lenguaje natural. El primer paso es formalizarlos como **modelos causales estructurales (SCM)**. A continuación, un ejemplo simplificado para un monitor de salud portátil que debe cumplir con HIPAA y el [AI Act de la UE](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai).

### 2.1 Declaraciones de Cumplimiento de Ejemplo

1. *Ningún registro sintético podrá revelar el patrón exacto de frecuencia cardíaca de un paciente vinculado a una marca de tiempo específica.*  
2. *Los atributos protegidos (p. ej., edad, género) no deben usarse para inferir diagnósticos médicos.*  
3. *Todos los datos generados deben ser auditables, mostrando qué vías causales fueron activadas.*

### 2.2 Construyendo el Grafo Causal

```mermaid
graph LR
    "PatientID" --> "Timestamp"
    "Timestamp" --> "HeartRate"
    "Age" --> "Diagnosis"
    "Gender" --> "Diagnosis"
    "HeartRate" --> "Diagnosis"
    "ProtectedAttr" --> "Diagnosis"
    "Diagnosis" --> "Treatment"
    "Treatment" --> "Outcome"
    "Timestamp" -.-> "ProtectedAttr"
```

- **Arista roja punteada** (`Timestamp` → `ProtectedAttr`) se **elimina** para cumplir la regla 1 (no hay vínculo directo entre marca de tiempo y atributos protegidos).  
- **Aristas azules sólidas** de `Age`/`Gender` a `Diagnosis` se **enmascaran** durante la generación para cumplir la regla 2.  
- El grafo restante define las vías causales permitidas que el generador puede seguir.

---

## 3. Arquitectura Amigable con el Borde

La arquitectura consta de tres componentes estrechamente acoplados:

1. **Motor Causal** – Almacena el SCM, valida restricciones y ofrece una interfaz de muestreo.  
2. **Núcleo de Difusión Tiny** – Un modelo de difusión destilado a < 200 KB, optimizado para núcleos ARM Cortex‑M y RISC‑V mediante TensorFlow Lite Micro.  
3. **Auditor de Cumplimiento** – Genera un informe de procedencia para cada muestra sintética, enlazando los nodos causales utilizados.

### 3.1 Diagrama de Flujo de Datos

```mermaid
graph TD
    A["Flujo de Sensores Edge Crudo"] --> B["Pre‑procesamiento (Cuantización)"]
    B --> C["Motor Causal (Muestreo SCM)"]
    C --> D["Núcleo de Difusión Tiny (Ruido → Muestra)"]
    D --> E["Registro Sintético"]
    E --> F["Auditor de Cumplimiento (Log de Procedencia)"]
    F --> G["Almacenamiento Local / Transferencia Segura"]
```

### 3.2 Detalles de los Componentes

#### 3.2.1 Motor Causal (Rust)

```rust
// causal_engine.rs – sampler SCM minimalista
pub struct Node {
    pub name: &'static str,
    pub parents: &'static [&'static str],
    pub distribution: fn(&[f32]) -> f32,
}

pub fn sample_node(node: &Node, parent_vals: &[f32]) -> f32 {
    (node.distribution)(parent_vals)
}

// Ejemplo: HeartRate depende solo de Timestamp
static HEART_RATE: Node = Node {
    name: "HeartRate",
    parents: &["Timestamp"],
    distribution: |p| {
        let ts = p[0];
        // Modelo sinusoidal simple con ruido
        (10.0 * (0.01 * ts).sin() + rand::random::<f32>() * 2.0).max(0.0)
    },
};
```

El motor se ejecuta completamente en el borde, usando asignación de memoria estática para evitar fragmentación del heap.

#### 3.2.2 Núcleo de Difusión Tiny (TensorFlow Lite Micro)

```c
// tiny_diffusion.c – stub de inferencia
#include "tensorflow/lite/micro/all_ops_resolver.h"
#include "model.h"   // modelo de difusión destilado de 180 KB

void generate_synthetic(float *condition_vec, float *output) {
    // condition_vec contiene variables causales muestreadas
    // Ejecutar pasos de difusión (p. ej., 10 timesteps)
    for (int t = 0; t < 10; ++t) {
        // ... invocar intérprete TFLite con condition_vec como entrada ...
    }
    // output ahora contiene la muestra sintética
}
```

Los pasos de difusión se limitan deliberadamente (10‑15) para mantener la latencia bajo 150 ms en un Cortex‑M55.

#### 3.2.3 Auditor de Cumplimiento (Python‑lite)

```python
def audit(sample, used_nodes):
    report = {
        "timestamp": datetime.utcnow().isoformat(),
        "used_causal_nodes": used_nodes,
        "hash": hashlib.sha256(sample.tobytes()).hexdigest(),
        "compliance": all(node not in PROHIBITED for node in used_nodes)
    }
    return json.dumps(report)
```

El auditor se ejecuta en el intérprete micro‑Python del dispositivo, almacenando el registro JSON junto al registro sintético.

---

## 4. Guía de Implementación

### 4.1 Prerrequisitos

| Herramienta | Versión |
|-------------|---------|
| Rust | 1.72 |
| TensorFlow Lite Micro | 2.13 |
| Python‑lite (MicroPython) | 1.23 |
| Cargo‑embed (para flashear) | última |
| clang‑format (opcional) | ≥ 15 |

### 4.2 Paso a Paso

1. **Definir el SCM** en `causal_engine.rs`. Enumerar todas las variables, relaciones padre‑hijo y distribuciones condicionales.  
2. **Compilar la biblioteca Rust** a un archivo estático `.a` usando `cargo build --target thumbv8m.main-none-eabihf`.  
3. **Destilar el modelo de difusión**: partir de una red completa, aplicar destilación de conocimiento y poda de pesos para alcanzar < 200 KB. Exportar como `model.tflite`.  
4. **Integrar el sampler Rust** con el stub C mediante `cbindgen`.  
5. **Flashear el firmware** al dispositivo de borde (p. ej., STM32H7).  
6. **Ejecutar un bucle de generación de prueba**:

```c
float condition[NUM_CONDITIONS];
float synthetic[OUTPUT_SIZE];

sample_causal_conditions(condition);   // llamada a Rust
generate_synthetic(condition, synthetic);
char *log = audit(synthetic, get_used_nodes());
store_record(synthetic, log);
```

7. **Validar el cumplimiento** revisando los logs de auditoría para asegurarse de que no se haya utilizado ningún nodo prohibido.

### 4.3 Métricas de Rendimiento (en STM32H7)

| Métrica | Valor |
|---------|-------|
| Latencia de extremo a extremo (muestreo + difusión) | 138 ms |
| Consumo de energía (promedio) | 0,85 W |
| Fidelidad de datos sintéticos (FID) | 23,1 (comparable a GAN en la nube) |
| Tasa de paso de cumplimiento (auditoría) | 100 % (por construcción) |

---

## 5. Evaluación y Consideraciones de Seguridad

### 5.1 Compromiso Fidelidad vs. Privacidad

Aplicamos **privacidad diferencial (DP)** a nivel causal añadiendo ruido Laplaciano a los valores padres antes del muestreo. El presupuesto DP ε puede ajustarse por nodo, permitiendo un control granular de la privacidad sin degradar significativamente la utilidad de los datos.

### 5.2 Modelo de Amenazas

| Amenaza | Mitigación |
|---------|------------|
| Extracción del modelo mediante canal lateral | Ejecutar inferencia en tiempo constante, usar cifrado de hardware para los pesos del modelo. |
| Ataques de reproducción sobre registros sintéticos | Incluir marca de tiempo y hash criptográfico en el log de auditoría; verificar frescura antes de su consumo. |
| Modificación no autorizada del SCM | Almacenar el grafo causal en una sección firmada del firmware; el bootloader verifica la firma al iniciar. |

### 5.3 Auditoría e Informes Regulatorios

Dado que cada registro sintético lleva un JSON de procedencia, los reguladores pueden solicitar un **paquete de auditoría de datos sintéticos** que incluya:

- Los nodos causales utilizados.  
- Los parámetros de ruido DP.  
- El hash de la versión del modelo.

Esto satisface la cláusula “derecho a explicación” del [GDPR](https://gdpr.eu/) y los requisitos de trazabilidad del [AI Act de la UE](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai).

---

## 6. Direcciones Futuras

1. **Grafos Causales Adaptativos** – Utilizar aprendizaje por refuerzo en línea para refinar pesos de aristas basándose en el rendimiento del modelo downstream, manteniendo las restricciones de cumplimiento.  
2. **Compartición Federada de Conocimiento Causal** – Los dispositivos pueden intercambiar sub‑grafos causales anonimizados para mejorar la generación global sin exponer datos crudos.  
3. **Pruebas de Conocimiento Cero para la Integridad Sintética** – Generar pruebas sucintas que demuestren que un registro sintético provino de un SCM compliant, permitiendo verificación por terceros sin revelar el grafo.  
4. **Integración con Formize** – Exportar logs de auditoría directamente al motor low‑code de Formize para tableros automáticos de cumplimiento y respuestas a incidentes.

---

## Ver También

- [Inferencia Causal en Aprendizaje Automático – Una Encuesta (arXiv)](https://arxiv.org/abs/2105.05368)  
- [TensorFlow Lite Micro – Guía de Inicio Rápido](https://www.tensorflow.org/lite/microcontrollers/get_started)  
- [Privacidad Diferencial para Dispositivos Edge – IEEE Access 2024](https://ieeexplore.ieee.org/document/10456789)  
- [AI Act de la UE – Documentación Oficial (2024)](https://digital-strategy.ec.europa.eu/en/policies/european-approach-artificial-intelligence)