Privacidad reproducible: por qué los equipos de ML necesitan presets de configuración
El DPO aprobó el procedimiento de anonimización. Cubre cuatro elementos: nombres, correos electrónicos, números de teléfono y fechas de nacimiento. El método es Reemplazar. El documento tiene cuatro páginas y está en la wiki de cumplimiento.
Doce científicos de datos lo leen en el inicio del proyecto. Cada uno configura la herramienta por su cuenta. Algunos añaden identificadores nacionales. Otros añaden direcciones IP. Otros cambian a Redactar. Tres meses después, los conjuntos no son coherentes.
La CNIL investigó varias empresas de IA en 2024. El problema: uso indebido de datos personales en conjuntos de modelos. No solo preguntaron si se había producido la anonimización. Preguntaron con qué coherencia se había aplicado.
La documentación es necesaria. No es suficiente. La solución técnica es el preset.
Por qué los conjuntos de ML necesitan configuración propia
Construir conjuntos de modelos tiene requisitos únicos. La anonimización general de documentos no los comparte.
Reemplazar, no Redactar. Los modelos entrenados en textos donde los nombres se convierten en [REDACTADO] aprenden ese token como marcador de posición de nombre. Esto daña al modelo. Reemplazar cambia "Juan García" por "Carlos López". El modelo ve patrones reales de nombres. No ve un token de máscara.
Mismo proceso para todos los registros. Un conjunto donde el 70 % de los nombres se reemplazan y el 30 % se redactan envía señal mixta. Cada registro debe pasar por los mismos pasos.
Misma lista de entidades. Si el conjunto contiene datos de salud, eliminar nombres pero dejar fechas de nacimiento en algunos registros crea lagunas. Los doce científicos de datos deben eliminar los mismos tipos de entidades.
Sin exceso de eliminación. Eliminar fechas que son marcas de tiempo — no fechas de nacimiento — reduce la calidad del conjunto sin mejorar el cumplimiento. El preset aprobado define exactamente qué eliminar.
Resultados reproducibles. Si un conjunto debe reprocesarse — tras detectar un tipo de entidad omitido — el preset da el mismo resultado cada vez. Las configuraciones ad hoc no lo hacen.
El problema de los doce científicos de datos
Un equipo ML de una fintech europea usa conjuntos de registros de clientes. El DPO aprobó el propósito — detección de fraude — con una regla: todos los nombres de clientes, correos electrónicos, teléfonos e identificadores de pago deben reemplazarse antes de que comience el trabajo con el modelo.
Sin presets:
- Persona 1 elimina nombres, correos y teléfonos — pero omite identificadores de pago
- Persona 2 incluye identificadores de pago pero usa Redactar, no Reemplazar
- Persona 3 sigue el documento de procedimiento exactamente
- Personas 4–12 varían
El conjunto combinado es en parte no conforme y en parte sobreprocesado. Un DPO no puede certificarlo.
Con un preset aprobado por el DPO:
- El DPO crea "ML Dev — Detección de fraude" con tipos de entidades exactos y el método Reemplazar
- El preset va a las doce personas con una regla: usar este para todo el trabajo con conjuntos
- Nadie puede cambiar el preset sin aprobación del DPO
Cada persona produce el mismo resultado. El conjunto combinado es coherente. La auditoría anual de IA pasa con cero hallazgos. El año anterior tuvo tres hallazgos por trabajo inconsistente con conjuntos.
RGPD y la Ley de IA
Actualizado para 2026
La Ley de IA de la UE entró plenamente en vigor en agosto de 2024. Añade reglas para los sistemas de IA que usan datos personales para el trabajo con modelos. Los sistemas de IA de alto riesgo deben documentar sus conjuntos, incluidas las medidas de anonimización aplicadas.
El artículo 5(1)(b) del RGPD — la regla de limitación de finalidades — bloquea el uso de datos personales sin una base legal clara. Las acciones de la CNIL en 2024 se centraron en esta brecha: datos recogidos para un servicio usados para trabajo con modelos sin base válida ni anonimización.
Los presets ayudan a cumplir ambos conjuntos de reglas:
- Nombre y configuración del preset: el método documentado
- Registros de procesamiento: prueba de que el método se aplicó
- Aprobación del DPO: decisión registrada sobre la configuración
Esto crea el rastro de auditoría que ambas leyes requieren. Para los detalles del artículo 10, consulte la guía de datos de entrenamiento de la Ley de IA de la UE.
Configuración de preset para conjuntos NLP
Tipos incluidos en la mayoría de conjuntos NLP:
- PERSON — Reemplazar por nombres similares
- EMAIL_ADDRESS — Reemplazar por direcciones sintéticas
- PHONE_NUMBER — Reemplazar por números sintéticos
- CREDIT_CARD / IBAN — Reemplazar o Redactar
- LOCATION — Reemplazar por lugares similares si la geografía importa; Redactar si no
- DATE_OF_BIRTH — Redactar; la generalización por edad suele ser necesaria
Tipos habitualmente excluidos:
- Fechas generales — las marcas de tiempo ayudan a los modelos temporales
- Nombres de organizaciones — ayudan a los modelos de reconocimiento de entidades
- URLs — ayudan a los modelos de enlaces y referencias
El responsable de ML y el DPO definen estas reglas en el preset aprobado. Los miembros del equipo lo aplican. No toman decisiones de configuración.
Los presets como memoria institucional
Antes de los presets. La configuración correcta de entidades vivía en las cabezas de tres científicos de datos. Dos se fueron en el T3. El conocimiento se fue con ellos.
Después de los presets. La configuración vive en "ML Dev — Registros de clientes v2.1". El historial de versiones muestra cuándo se creó, quién lo aprobó y qué cambió desde v2.0. Los nuevos miembros del equipo usan el preset y heredan todo el conocimiento incorporado.
La versión 2.1 añadió detección de IBAN tras descubrir que faltaba en una revisión. La versión 2.0 fue aprobada en febrero de 2025. El registro está completo.
Para cómo funcionan los registros de procesamiento y los flujos de revisión del DPO, consulte la guía de anonimización ML para RGPD.
Presets y el patrón de la CNIL
Los casos de IA de la CNIL en 2024 establecen un patrón claro. Preguntan no solo qué se eliminó, sino cómo se gobernó. Un preset compartido con un registro de aprobación del DPO y registros de procesamiento responde esto directamente.
Una configuración ad hoc no lo hace. La misma brecha existe en otras autoridades de protección de datos de la UE que siguen la lógica de la CNIL. Para más sobre el enfoque de IA de la CNIL, consulte la guía de cumplimiento de IA RGPD de la CNIL.
Conclusión
La documentación dice a los miembros del equipo qué hacer. Los presets hacen que sea fácil — y ejecutable — hacerlo de la misma manera cada vez.
Para los conjuntos ML, la coherencia es tanto un requisito legal como técnico. El preset satisface ambos a la vez.
Las autoridades de protección de datos que examinan las prácticas de IA buscan pruebas de una anonimización uniforme. Un preset aplicado de la misma manera en todo el trabajo con conjuntos es la prueba más clara que puede aportar.