Formatos de trabajo concretos para que un equipo pueda revisar sus prácticas de privacidad, entender qué verifican las pruebas de conocimiento cero y detectar sesgos antes de que lleguen a producción.
Estas aclaraciones evitan interpretaciones que no se corresponden con el contenido práctico de la jornada.
El taller cubre técnicas de anonimización y privacidad diferencial aplicadas a conjuntos de datos reales. No se abordan aspectos legales ni normativos de cada jurisdicción.
Se asume familiaridad con Python y nociones básicas de estadística. Los ejercicios de ZK-proofs se presentan de forma conceptual, sin implementación criptográfica completa.
Los asistentes reciben los cuadernos de trabajo y los conjuntos de datos utilizados durante la sesión. La duración estimada es de cuatro horas con una pausa intermedia.
Cada proceso parte de una revisión concreta de tus datos, tu modelo y el contexto de uso. Elegí el nivel de acompañamiento que necesites; el objetivo siempre es el mismo: que la IA funcione con reglas claras y verificables.