Pysyft Federated Ml

PySyft — Aprendizaje Federado y Privacidad (v2)

Resumen

PySyft (repo OpenMined/PySyft, ~10K⭐, licencia Apache-2.0) permite a data scientists enviar cómputos que otros ejecutan sin compartir los datos subyacentes. Es el framework de referencia en ML federado (federated learning) y computación privada. La versión actual (syft 0.10+) adoptó una API nueva respecto al legacy ≤0.9.

Instalación y uso

pip install -U "syft[data_science]" "syft-rds"   # instalar el sync engine + dataset/jobs registry

import syft as sy                       # motor de sync (nuevo)
from syft_rds import login_do, login_ds # datasets y jobs (login_do = data owner, login_ds = data scientist)

Si dependes de la API legacy ≤0.9, fija syft<0.10 (la vieja API cambió).

Arquitectura / Patrones reutilizables

• Sync engine: import syft as sy — los datasets y jobs viven en syft-rds (from syft_rds import ...).
• Separación de roles: login_do (dueño de datos) vs login_ds (científico). El dato nunca se transfiere, se envía el cómputo al dato (pattern submit-computation-to-data).
• Privacidad por diseño: aplicar modelos sobre datos que no ves — útil para proyectos que tratan datos sensibles (salud, movilidad personal, geo) sin exponerlos.
• Patrón de training federado: los workers entrenan localmente y solo comparten gradientes/actualizaciones.

Pitfalls

• La API cambió entre ≤0.9 y 0.10: si copias código viejo, syft-client ya no aplica → usa syft + syft_rds.
• Requiere Python 3.10+.
• El flujo federado real necesita varios workers/nodos activos; para pruebas locales, levantar nodos de entrenamiento simulados (tutorial oficial) antes de esperar convergencia.

Verificación

pip install -U "syft[data_science]" "syft-rds" + import syft as sy; from syft_rds import login_do, login_ds debe ejecutarse sin error.

Referencia

• Repo: https://github.com/OpenMined/PySyft
• Docs: https://docs.openmined.org
• PyPI: syft (0.10+), syft-rds (datasets/jobs)