Aplica privacidad diferencial a un modelo de scoring para una banca IBEX-35
Visión general
De qué trata este proyecto.
Implementa DP-SGD con Opacus sobre un dataset bancario de 800.000 créditos, mide AUC y recall, y obtén un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Entrenar un modelo de scoring con DP-SGD para 3 presupuestos de privacidad y entregar Pareto + informe que el DPO pueda firmar.
Earning criteria — what you'll demonstrate
- Aplicar privacidad diferencial práctica (DP-SGD) a un modelo real
- Calcular y comunicar presupuestos de privacidad (ε, δ) honestamente
- Evaluar el trade-off privacidad/utilidad con métricas alineadas al negocio
- Producir documentación firmable para una persona DPO de cumplimiento RGPD
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Privacy-Preserving Machine Learning
Master · Ai Ml
Fit score: 1
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosInvestigador/a en Seguridad de IA
Aplicar DP-SGD práctica y entregar documentación firmable por DPO es exactamente el trabajo del AI safety researcher orientado a cumplimiento RGPD.
Este proyecto afina
- differential-privacy
- dp-sgd
- gdpr-compliance
Ingeniero/a de Machine Learning
Saber entrenar modelos con garantías formales de privacidad es competencia diferenciadora del MLE en sectores regulados como banca y salud.
Este proyecto afina
- dp-sgd
- pytorch
- model-evaluation
Científico/a Aplicado/a de IA
Traducir un trade-off técnico (privacidad/calidad) en una decisión defendible para cumplimiento es competencia del applied AI scientist.
Este proyecto afina
- differential-privacy
- model-evaluation
- gdpr-compliance