<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Data Provenance on Formize.com Blog</title><link>https://blog.formize.com/es/tags/data-provenance/</link><description>Recent content in Data Provenance on Formize.com Blog</description><generator>Hugo</generator><language>es</language><atom:link href="https://blog.formize.com/es/tags/data-provenance/index.xml" rel="self" type="application/rss+xml"/><item><title>Acelerando la Provenancia de Datos y el Cumplimiento en Aprendizaje Federado con Formize</title><link>https://blog.formize.com/es/accelerating-federated-learning-data-provenance-with-formize/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/es/accelerating-federated-learning-data-provenance-with-formize/</guid><description>&lt;h1 id="acelerando-la-provenancia-de-datos-y-el-cumplimiento-en-aprendizaje-federado-con-formize">Acelerando la Provenancia de Datos y el Cumplimiento en Aprendizaje Federado con Formize&lt;/h1>
&lt;p>El aprendizaje federado (FL) se ha convertido en la estrategia de facto para entrenar modelos de IA de alta calidad manteniendo los datos sin procesar en el dispositivo. El enfoque resuelve muchas preocupaciones de privacidad, pero también introduce un nuevo conjunto de desafíos de cumplimiento: rastrear qué datos contribuyeron a qué actualización del modelo, demostrar que se obtuvo el consentimiento y garantizar que los registros de auditoría sean inmutables en miles de nodos de borde.&lt;/p></description></item></channel></rss>