RespuestasPublicado22 fuentes
Cómo Singapur quiere hacer más práctica la IA que protege la privacidad
El 20 de julio de 2026, la Comisión de Protección de Datos Personales de Singapur y la autoridad digital IMDA anunciaron nuevas guías y casos de prueba sobre tecnologías para proteger la privacidad. Un proyecto del Hospital General de Singapur aplica entornos de ejecución confiables a la IA en la nube para analizar...
Publicado porEditado con GPT-6 LunaImágenes generadas con GPT Image 2
Respuesta de investigación
Conclusiones clave
- El 20 de julio de 2026, la Comisión de Protección de Datos Personales de Singapur y la autoridad digital IMDA anunciaron nuevas guías y casos de prueba sobre tecnologías para proteger la privacidad.
- Un proyecto del Hospital General de Singapur aplica entornos de ejecución confiables a la IA en la nube para analizar imágenes médicas; Ant International combina varias tecnologías para colaborar en modelos de predicc...
- La elección depende del objetivo: entrenar un modelo entre organizaciones sin trasladar sus datos originales o generar un conjunto de datos sintéticos para compartir y analizar.
Prompt de IA
openai.comCreate a landscape editorial hero image for this Studio Global article: How are Singapore’s Personal Data Protection Commission (PDPC) and Infocomm Media Development Authority (IMDA) advancing privacy-preserving. Article summary: PDPC and IMDA are combining practical privacy-enhancing technology (PET) guidance with sandbox experimentation to make data-driven innovation easier without requiring unrestricted access to sensitive data; these initiati. Topic tags: general, general web, user generated, government, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, water
Cuando varias organizaciones tienen datos útiles para desarrollar inteligencia artificial, pero no pueden o no quieren reunir información sensible en una sola base, ¿cómo pueden colaborar? Singapur busca responder con nuevas guías y proyectos piloto sobre tecnologías de mejora de la privacidad, conocidas por la sigla inglesa PETs. 1
38
Los anuncios se hicieron el 20 de julio de 2026 durante el Singapore Data Festival. La Comisión de Protección de Datos Personales (PDPC) y la Autoridad de Desarrollo de Medios e Infocomunicación (IMDA) presentaron una nueva guía sobre aprendizaje federado, una versión actualizada de la guía sobre generación de datos sintéticos y nuevos casos para probar estas tecnologías. 1
38
Dos caminos para aprovechar los datos
Las PETs pueden facilitar la colaboración sin compartir los datos originales o transformar los datos para que compartirlos sea más seguro. Son enfoques distintos: conviene elegir según si se necesita entrenar un modelo en conjunto o disponer de un conjunto de datos para trabajar. 2
Aprendizaje federado: entrenar sin sacar los datos de su lugar
Con el aprendizaje federado, distintas organizaciones entrenan un modelo a partir de datos que permanecen en sus propios sistemas. En vez de reunir los registros originales, intercambian actualizaciones del modelo o información agregada. 18
32
Esto puede permitir la colaboración cuando los datos están repartidos entre varias entidades. Pero no significa que cualquier intercambio o modelo esté libre de riesgos: hacen falta medidas adecuadas de privacidad, seguridad y gobernanza. 16
Datos sintéticos: crear un conjunto artificial
La generación de datos sintéticos produce datos artificiales, en lugar de trasladar los registros originales entre organizaciones. Puede servir para una necesidad diferente de la del aprendizaje federado: trabajar con un conjunto de datos, en vez de entrenar un modelo compartido mientras los datos siguen distribuidos. La guía de la PDPC se centra en datos estructurados. 48
Que los datos sean artificiales no basta para considerarlos anónimos. Las organizaciones aún deben evaluar si podrían revelar información sobre personas y si son apropiados para el uso previsto. En general, la PDPC también ha advertido que las PETs no sustituyen una buena gobernanza, seguridad, controles de acceso ni supervisión humana. 16
Guías para pasar de la teoría a la práctica
Los anuncios del Singapore Data Festival incluyeron una nueva guía de aprendizaje federado y una versión actualizada de la guía sobre generación de datos sintéticos. El objetivo es ayudar a las organizaciones a aplicar estas tecnologías; la cobertura de la guía sobre aprendizaje federado menciona rutas de adopción y recomendaciones para gestionar riesgos. 1
37
48
La decisión depende del caso de uso: el aprendizaje federado puede ser pertinente cuando varias partes quieren desarrollar un modelo sin reunir sus datos originales; los datos sintéticos, cuando lo que se necesita es un conjunto que se pueda compartir. Ningún método evita por sí solo evaluar los riesgos de privacidad, la calidad de los datos, la seguridad y la viabilidad operativa.
Proyectos piloto en salud y pagos
IMDA puso en marcha su entorno de pruebas PET Sandbox en 2022 para que las empresas puedan ensayar estas tecnologías con apoyo de la autoridad. 6
46 Los nuevos casos anunciados en 2026 muestran aplicaciones en salud y pagos.
38
- Imágenes médicas: el Hospital General de Singapur utiliza entornos de ejecución confiables —espacios protegidos para procesar información— con el fin de hacer inferencia de IA en la nube sobre imágenes médicas. El proyecto ilustra una forma de procesar material sensible en un entorno protegido; el anuncio no demuestra por sí mismo beneficios clínicos o económicos concretos.
15
38
- Colaboración en pagos: el caso de Ant International describe una combinación de aprendizaje federado, computación multipartita y cifrado homomórfico. Las organizaciones participantes pueden identificar clientes en común mientras mantienen los datos personales subyacentes en sus propios entornos y entrenan conjuntamente un modelo de predicción.
Los ejemplos también muestran por qué sirven los proyectos piloto: una tecnología debe funcionar para la colaboración concreta, no limitarse a llevar una etiqueta de privacidad atractiva. Probarla puede ayudar a evaluar si encaja antes de implementarla a mayor escala. 6
46
La clave: elegir según la tarea y evaluar los riesgos
La estrategia de Singapur combina orientación práctica con experimentación. Si el objetivo es entrenar un modelo entre organizaciones cuyos datos deben permanecer en sus sistemas, puede considerarse el aprendizaje federado. Si resulta más útil contar con un conjunto de datos compartible, pueden evaluarse los datos sintéticos. En ambos casos, importa probar los supuestos técnicos y de privacidad en el contexto previsto.
Las PETs pueden reducir la necesidad de exponer los datos originales, pero son solo una parte del uso responsable de la información: no garantizan por sí solas la privacidad. 2
16
38
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
La gente también pregunta
¿Cuál es la respuesta corta a "Cómo Singapur quiere hacer más práctica la IA que protege la privacidad"?
El 20 de julio de 2026, la Comisión de Protección de Datos Personales de Singapur y la autoridad digital IMDA anunciaron nuevas guías y casos de prueba sobre tecnologías para proteger la privacidad.
¿Cuáles son los puntos clave a validar primero?
El 20 de julio de 2026, la Comisión de Protección de Datos Personales de Singapur y la autoridad digital IMDA anunciaron nuevas guías y casos de prueba sobre tecnologías para proteger la privacidad. Un proyecto del Hospital General de Singapur aplica entornos de ejecución confiables a la IA en la nube para analizar imágenes médicas; Ant International combina varias tecnologías para colaborar en modelos de predicc...
¿Qué debo hacer a continuación en la práctica?
La elección depende del objetivo: entrenar un modelo entre organizaciones sin trasladar sus datos originales o generar un conjunto de datos sintéticos para compartir y analizar.