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