\n

Los avances en inteligencia artificial, especialmente en la rama del aprendizaje autom\u00e1tico, est\u00e1n desbocados. Dentro de la larga lista de aplicaciones recientes destacan el archiconocido ChatGPT<\/a> o Gemini<\/a>, que adem\u00e1s de texto procesa im\u00e1genes, audio y v\u00eddeo. Para poner en marcha estos modelos se usan grandes cantidades de datos que, en ocasiones, son confidenciales. Un ejemplo es el caso de algoritmos que ayudan en el diagn\u00f3stico y tratamiento de enfermedades, que emplean datos m\u00e9dicos personales. Por ello, es fundamental encontrar formas de preservar la privacidad de los datos usados. Un reciente enfoque hace uso de conceptos matem\u00e1ticos de la f\u00edsica cu\u00e1ntica para hacer frente a este reto.<\/p>\n

En concreto, se trata de estudiar las simetr\u00edas que aparecen en los par\u00e1metros del modelo, es decir, en los n\u00fameros que lo configuran. Los algoritmos <\/a>(o modelos) de inteligencia artificial son, al fin y al cabo, complejas funciones que procesan la informaci\u00f3n recibida para realizar una predicci\u00f3n. Estas funciones est\u00e1n definidas por unos n\u00fameros llamados par\u00e1metros \u2014en el caso de ChatGPT, 220000 millones de ellos\u2015, que determinan qu\u00e9 porciones de la informaci\u00f3n se procesa y con qu\u00e9 intensidad se hace. Por ejemplo, un modelo que anticipe el riesgo de padecer una enfermedad, r, a partir de la edad e, la altura a, y el peso p de cada persona, podr\u00eda ser r = (x.e + y.a) \/ z.p. Este modelo cuenta con tres par\u00e1metros, x, y, y z, que determinan la intensidad con la que cada una de las variables de entrada \u2014edad, altura y peso\u2015 influye en el riesgo; introduciendo los datos de un paciente concreto, el algoritmo har\u00e1 la predicci\u00f3n sobre la posibilidad de que una persona con esas caracter\u00edsticas desarrolle la enfermedad.<\/p>\n