- ES Español (Latinoamérica)

3.50. AI366 Sistemas de IA Distribuidos (Obligatorio)
- Semestre: 8vo Sem. Créditos: 4
- Horas del curso: Teoría: 2 horas; Laboratorio: 4 horas;
- Sílabo:


Español (Latinoamérica)

English - Prerrequisitos:
- AI264 Aprendizaje Profundo (7mo Sem)
- AI265 Aprendizaje por Refuerzo (7mo Sem)
- ES Español (Latinoamérica)

3.50.1. Justificación Volver arriba

Este curso cubre el diseño e implementación de sistemas de IA distribuidos, incluyendo aprendizaje federado, inteligencia de enjambre y arquitecturas descentralizadas para entrenamiento colaborativo de modelos.
- ES Español (Latinoamérica)

3.50.2. Objetivos Generales Volver arriba

- Implementar algoritmos de aprendizaje federado
- Diseñar arquitecturas descentralizadas para entrenamiento distribuido
- Evaluar compensaciones en privacidad-comunicación-eficiencia
- ES Español (Latinoamérica)

3.50.3. Contribución a los resultados (Outcomes) Volver arriba

- AG-C05) Gestión de Proyectos: Aplica los principios de gestión en computación para gestionar proyectos. (Usage)
- AG-C09) Diseño y Desarrollo de Soluciones: Diseña, implementa y evalúa soluciones para problemas complejos de computación. (Usage)
- ES Español (Latinoamérica)

3.50.4. Contenido Volver arriba

- ES Español (Latinoamérica)

3.50.4.1. Fundamentos de IA Distribuida (12 horas) [Habilidades AG-C05,AG-C09] Volver arriba

Referencias Bibliográficas: (Bonawitz et al., 2019)
Temas
- Arquitecturas centralizadas vs descentralizadas
- Protocolos de comunicación (gRPC, MPI)
- Sincronización en sistemas heterogéneos
Aprendizaje esperado (Learning Outcomes)
- Comparar enfoques de distribución [Evaluar]
- Configurar entornos de prueba distribuidos [Usar]
- ES Español (Latinoamérica)

3.50.4.2. Técnicas Avanzadas (24 horas) [Habilidades AG-C05,AG-C09] Volver arriba

Referencias Bibliográficas: (Nguyen et al., 2022; Li et al., 2021)
Temas
- Aprendizaje federado (horizontal/vertical)
- Algoritmos de enjambre para optimización
- Blockchain para IA descentralizada
Aprendizaje esperado (Learning Outcomes)
- Implementar FL con PySyft [Usar]
- Diseñar sistemas tolerantes a fallos [Evaluar]
- ES Español (Latinoamérica)

3.50.4.3. Seguridad y Gobernanza (8 horas) [Habilidades AG-C05,AG-C09] Volver arriba

Referencias Bibliográficas: (Bonawitz et al., 2019)
Temas
- Ataques a sistemas distribuidos (poisoning, sybil)
- Mecanismos de consenso para modelos
- Gobernanza en sistemas autónomos colectivos
Aprendizaje esperado (Learning Outcomes)
- Analizar vectores de ataque [Familiarizarse]
- Implementar defensas básicas [Usar]
- ES Español (Latinoamérica)

3.50.5. Referencias Bibliográficas Volver arriba

Bonawitz, K., Kairouz, P., and McMahan, B. (2019). Federated Learning: Fundamentals and Advances. MIT Press.
Nguyen, T., Nguyen, D., and Khoa, N. L. D. (2022). Swarm intelligence for distributed machine learning. IEEE Transactions on Neural Networks, 33(7).
Li, Q., Lin, Y., and Zhou, Z. (2021). Decentralized federated learning: A survey and perspective. In NeurIPS.