{"id":4772,"date":"2021-03-03T11:03:21","date_gmt":"2021-03-03T10:03:21","guid":{"rendered":"https:\/\/www.nommon.es\/?post_type=pr_investigacion&p=4772"},"modified":"2026-07-13T10:34:36","modified_gmt":"2026-07-13T08:34:36","slug":"aichain","status":"publish","type":"pr_investigacion","link":"https:\/\/www.nommon.es\/es\/proyectos-de-investigacion\/aichain\/","title":{"rendered":"AICHAIN"},"content":{"rendered":"\n

Contexto<\/h2>\n\n\n\n

Las t\u00e9cnicas de aprendizaje autom\u00e1tico (ML, por las siglas en ingl\u00e9s de Machine Learning<\/em>) han demostrado un gran potencial para mejorar los procesos de predicci\u00f3n y optimizaci\u00f3n en las operaciones de gesti\u00f3n del tr\u00e1fico a\u00e9reo (ATM, por las siglas en ingl\u00e9s de Air Traffic Management<\/em>). Sin embargo, la necesidad de entrenar modelos de ML con datos hist\u00f3ricos plantea desaf\u00edos relacionados con la privacidad<\/strong>, ya que las partes interesadas en la gesti\u00f3n del tr\u00e1fico a\u00e9reo a menudo no est\u00e1n dispuestas a revelar informaci\u00f3n comercial confidencial. Adem\u00e1s, las leyes de protecci\u00f3n de datos imponen restricciones de privacidad en el intercambio de datos, especialmente en lo que respecta a los datos de los pasajeros.<\/p>\n\n\n\n

El aprendizaje autom\u00e1tico federado (FedML, por Federated Machine Learning<\/em>) ha surgido como una posible soluci\u00f3n para abordar estos problemas de privacidad.<\/strong> Esta tecnolog\u00eda permite el entrenamiento de modelos de ML con los mejores datos disponibles a la vez que preserva la privacidad de los datos. El proceso implica cuatro pasos iterativos: 1) el servidor env\u00eda el modelo a los nodos; 2) los nodos entrenan localmente el modelo de ML con sus respectivos datos (nunca abandonan el host); 3) cada nodo env\u00eda el modelo entrenado de vuelta al servidor; y 4) el servidor agrega los modelos utilizando funciones matem\u00e1ticas para crear un modelo general.<\/p>\n\n\n\n

M\u00e1s all\u00e1 de salvaguardar la privacidad de los datos, las tecnolog\u00edas FedML tambi\u00e9n ofrecen la ventaja de acelerar el entrenamiento de modelos de ML grandes y complejos. Esta eficiencia se atribuye a la naturaleza descentralizada y paralelizada del entrenamiento federado.<\/p>\n\n\n\n

El proyecto<\/h2>\n\n\n\n

AICHAIN es un proyecto de investigaci\u00f3n financiado en el marco del programa SESAR 2020 Exploratory Research<\/a>. El proyecto propuso desarrollar un concepto innovador de gesti\u00f3n de la informaci\u00f3n digital (DIM, por las siglas en ingl\u00e9s de Digital Information Management) \u2014la soluci\u00f3n AICHAIN\u2014 que permitiera la explotaci\u00f3n segura de grandes conjuntos de datos privados pertenecientes a de diferentes stakeholders <\/em>y que contienen informaci\u00f3n valiosa para mejorar las operaciones del sector de ATM.<\/strong> Para superar las reticencias de las distintas partes interesadas a la hora de compartir estos datos sensibles, la explotaci\u00f3n no se llevar\u00eda a cabo intercambiando los datos en s\u00ed, sino a trav\u00e9s de una arquitectura avanzada de aprendizaje federada que preserva la privacidad, ya que no requiere exponer ni los datos ni el modelo. Esto fue posible gracias a la combinaci\u00f3n de dos tecnolog\u00edas DIM emergentes: las tecnolog\u00edas FedML y las tecnolog\u00edas blockchain.<\/p>\n\n\n\n

Objetivos de AICHAIN<\/h2>\n\n\n\n

Los objetivos espec\u00edficos de AICHAIN se estructuraron en tres \u00e1reas de investigaci\u00f3n:<\/p>\n\n\n\n

    \n
  1. La soluci\u00f3n tecnol\u00f3gica DIM<\/strong>: definir la arquitectura de la soluci\u00f3n AICHAIN \u200b\u200bcomo un posible habilitador tecnol\u00f3gico de SESAR para la explotaci\u00f3n del valor de los datos privados, e implementar un prototipo funcional a peque\u00f1a escala para la validaci\u00f3n del usuario y la experimentaci\u00f3n del valor operativo.<\/li>\n\n\n\n
  2. El valor operacional de la soluci\u00f3n DIM<\/strong>: demostrar y cuantificar el valor operacional del concepto propuesto con AICHAIN \u200b\u200bcon un caso de uso de ATM en el \u00e1rea de servicios A-DCB.<\/li>\n\n\n\n
  3. Aspectos de gobernanza e incentivos<\/strong>: desarrollar un mecanismo de incentivos que aborde los aspectos motivacionales de los propietarios de los datos para facilitar la adopci\u00f3n y el uso efectivo de la soluci\u00f3n AICHAIN.<\/li>\n<\/ol>\n\n\n\n

    El papel de Nommon<\/h2>\n\n\n\n

    Nommon desempe\u00f1\u00f3 un papel fundamental en la definici\u00f3n, implementaci\u00f3n y puesta en marcha de los casos de uso para mostrar la soluci\u00f3n AICHAIN. <\/strong>Espec\u00edficamente, Nommon lider\u00f3 el desarrollo de un modelo de aprendizaje autom\u00e1tico y su integraci\u00f3n en la arquitectura federada para la predicci\u00f3n de trayectorias durante la fase pret\u00e1ctica. Esto incluy\u00f3 escenarios para condiciones normales, as\u00ed como situaciones con condiciones clim\u00e1ticas severas o restricciones relacionadas con el equilibrio de demanda y capacidad (DCB, por \u201cDemand and Capacity Balancing<\/em>\u201d). Nommon tambi\u00e9n dirigi\u00f3 la tarea de definici\u00f3n de mecanismos de gobernanza e incentivos para la adopci\u00f3n de las soluciones AICHAIN.<\/p>\n\n\n\n

    Resultados<\/h2>\n\n\n\n

    La investigaci\u00f3n realizada durante el proyecto AICHAIN ofreci\u00f3 los siguientes resultados:<\/p>\n\n\n\n