Tarjeta de Modelos de IA (Models Card)

Esta tarjeta abarca los tres paquetes de Dedomena.AI EDGE Engine que distribuyen modelos de IA preentrenados: dedomena-edge-text, dedomena-edge-vision y dedomena-edge-audio. Describe el funcionamiento de estos modelos, sus limitaciones en producción y sus posibles fallos.

1. Alcance

Dedomena.AI EDGE incluye dos tipos de IA muy diferentes, y solo uno de ellos es un modelo distribuido.

| dedomena-edge-text, dedomena-edge-vision, dedomena-edge-audio (paquetes del motor) | DENTRO DE ALCANCE. Estos distribuyen modelos preentrenados con pesos fijos que realizan inferencias de forma inmediata, sin necesidad de entrenamiento por parte del cliente. Son el tema de esta tarjeta.

2. Detalles del modelo

3. Perfil de ejecución

Todos los modelos se ejecutan dentro del proyecto de Google Cloud del cliente, en su servidor GPU. El contenido analizado nunca sale de dicho proyecto.

La inferencia es determinista por configuración: la temperatura de muestreo se establece en cero para todos los pasos de detección y verificación, por lo que la misma entrada produce los mismos resultados.

Los pesos del modelo se entregan con el paquete Engine. No se descargan pesos de terceros en tiempo de ejecución ni se utiliza la API del modelo.

La tarea de reconocimiento de voz se ejecuta cuantificada en la CPU; las etapas de visión y lenguaje requieren la GPU.

No se abre ningún acceso público al proyecto del cliente. El único tráfico saliente es la validación de licencias y los contadores de uso.

4. dedomena-edge-text

4.1 Qué hace

Localiza datos personales y entidades nombradas en documentos y texto libre para que puedan ser censurados, enmascarados o sustituidos por datos sintéticos. Es una herramienta de detección y reescritura, no un asistente de propósito general. Permite generar información en lenguaje natural.

4.2 Modelos utilizados

4.3 Limitaciones

• La detección es probabilística. Pueden producirse falsos negativos (datos personales no incluidos) y falsos positivos (sobreedición); siempre se recomienda la revisión humana del análisis de riesgos.

• El rendimiento varía según el idioma, el dominio y el formato del documento. Los documentos escaneados, manuscritos o mal estructurados son considerablemente más difíciles de procesar que el texto digital limpio.

• Los matices sutiles, el sarcasmo y el lenguaje figurado se interpretan de forma poco fiable, lo cual es importante cuando la información de identificación se infiere en lugar de declararse explícitamente.

• Los sesgos y las lagunas en los datos de entrenamiento subyacentes se propagan a la cobertura de detección: los tipos de entidades y las formas de nombres que están subrepresentados en el proceso se detectan con menor fiabilidad.

• El modelo subyacente puede generar texto incorrecto. Los valores sustituidos son plausibles, pero no verificados; nunca deben interpretarse como hechos.

5. dedomena-edge-vision

5.1 Qué hace

Localiza elementos identificativos en imágenes y vídeo — rostros, firmas, logotipos, huellas dactilares y regiones con texto, como los campos de un documento de identidad — y los elimina regenerando la región afectada, de modo que el resultado mantiene la coherencia visual en lugar de quedar cubierto por un recuadro negro. La detección de rostros y huellas se realiza únicamente para localizar elementos potencialmente identificativos y aplicarles una transformación de privacidad, y que el Engine no realiza identificación biométrica, verificación biométrica, reconocimiento de emociones ni categorización biométrica de personas.

5.2 Modelos utilizados

5.3 Mecanismos de seguridad específicos de este Engine

La cadena de procesamiento se apoya en una separación de responsabilidades que conviene enunciar de forma explícita, porque es la propiedad que hace aceptable un modelo de edición dentro de una herramienta de privacidad:

> El detector nunca decide. Solo propone. Cada región propuesta es confirmada o rechazada por una etapa de verificación independiente antes de que se modifique nada.

• Edición exclusivamente regional. El editor queda restringido a la región confirmada; el resto de la imagen permanece intacto, de modo que la estructura del documento, el fondo y el contenido no relacionado no pueden alterarse.

• Detección aditiva en varias pasadas. Cada imagen se analiza más de una vez — de forma directa, con ecualización de contraste para elementos tenues, con filtrado para microtexto y en mosaico para regiones pequeñas — y los resultados se fusionan por solapamiento. Las pasadas solo añaden hallazgos, nunca los eliminan.

• Las zonas de lectura mecánica (MRZ) se borran y se redibujan, nunca se reescriben sobre el original, de forma que no sobrevive ningún residuo de los valores codificados originales.

• Umbrales de aceptación objetivos. Una ocultación solo se acepta si ha funcionado de forma medible: la fidelidad del texto se puntúa frente al reemplazo solicitado, y tanto el detalle residual como el contraste residual de una región ocultada deben quedar por debajo de límites fijos. El resultado que no los cumple se rechaza, no se entrega.

• Alternativa determinista. Cuando ningún candidato generado alcanza los umbrales tras agotar todas las semillas, la cadena recurre a una operación de ocultación determinista. El modo de fallo es una imagen visiblemente más tosca, nunca una imagen que parece anonimizada sin estarlo.

• Las coordenadas confirmadas se reutilizan aguas abajo en lugar de volver a detectarse, porque dos detectores nunca coinciden píxel a píxel y una segunda pasada de detección dejaría franjas sin cubrir.

5.4 Limitaciones

• No se puede presuponer que una imagen sin analizar esté limpia. La ausencia de hallazgos no es prueba de la ausencia de datos personales.

• El rendimiento varía con la resolución, la oclusión, el desenfoque de movimiento, la iluminación y la compresión, y puede variar entre grupos demográficos.

• El microtexto, las sobreimpresiones de bajo contraste y el texto muy estilizado o rotado son los casos más difíciles y la fuente más probable de un fallo de detección.

• Las regiones regeneradas son contenido sintético. Un documento de identidad procesado es una imagen fabricada de un documento y carece de valor probatorio.

• Es el Engine con mayor exigencia computacional; las imágenes grandes y el vídeo son lentos y están limitados por la memoria de la GPU.

6. dedomena-edge-audio

6.1 Qué hace

Transcribe el habla, localiza datos personales en la transcripción y genera audio y transcripción anonimizados.

6.2 Modelos utilizados

6.3 Mecanismos de seguridad específicos de este Engine

Aquí el riesgo determinante se sitúa antes del paso de anonimización:

> Un error de transcripción se propaga. Lo que no aparece en el texto no se detecta y, por tanto, no se anonimiza.

• El idioma se detecta antes de transcribir en lugar de presuponerse, porque una suposición de idioma errónea degrada la transcripción y, con ella, degrada silenciosamente la detección.

• La decodificación se condiciona con los formatos de identificador del idioma detectado, lo que mejora de forma sustancial la captura precisamente de las cadenas que hay que suprimir.

• Los valores que no pueden anclarse a una marca temporal en el audio se registran de forma explícita en lugar de descartarse, de modo que el operador sabe que se encontró un tramo que no pudo localizarse para su supresión.

6.4 Limitaciones

• La precisión varía con la calidad de la grabación, el ruido de fondo, la superposición de hablantes, el acento y el dialecto.

• Los caracteres de control y las letras de verificación de los identificadores dictados se pierden con frecuencia, y los límites entre palabras son aproximados, por lo que la supresión alineada por marcas temporales puede recortar o excederse en una fracción de segundo.

• El condicionamiento de identificadores está configurado actualmente para español, francés e inglés. Los demás idiomas se transcriben, pero sin información previa de formato, y la detección de identificadores en ellos es proporcionalmente más débil.

• Ejecutar la etapa de reconocimiento cuantizada en CPU limita el rendimiento. Las grabaciones largas son lentas.

• La identidad del hablante puede seguir siendo inferible a partir de las características de la voz, incluso cuando se ha suprimido todo identificador pronunciado.

7. Uso previsto

7.1 Usos previstos

• Suprimir datos personales y sensibles de contenido no estructurado para que pueda analizarse, compartirse o conservarse bajo una base legal que el contenido original no permitía.

• Preparar material de entrenamiento, de pruebas y de demostración sin exponer datos personales de producción.

• Reducir el esfuerzo manual de ocultación bajo supervisión humana.

7.2 Usuarios previstos

Equipos de datos, privacidad, riesgo y cumplimiento, e ingenieros de datos, que operen dentro de una organización que posea lícitamente el contenido de origen y que sean competentes para revisar el resultado.

7.3 Usos fuera de alcance

• La reidentificación de personas, o cualquier intento de revertir la anonimización.

• Presentar un documento, imagen o grabación procesados como un original auténtico. El resultado es sintético y nunca debe utilizarse como prueba, como acreditación de identidad ni para obtener un servicio.

• El uso de los Engines como modelos generativos de propósito general. Están restringidos a la cadena de detección y anonimización descrita aquí.

• Servir de base única o automatizada para decisiones con efectos jurídicos o de significación similar sobre las personas.

8. Tratamiento de datos

9. Sintetizadores entrenados por el cliente (contexto, no un modelo distribuido)

El paquete principal dedomena-edge proporciona algoritmos generativos propietarios para datos tabulares, transaccionales, de series temporales y relacionales. No se distribuye ningún modelo entrenado: es el cliente quien entrena un sintetizador con sus propios datos, en su propio proyecto, y quien es propietario del resultado. Se incluye aquí únicamente porque sus limitaciones suelen plantearse junto con las de los Engines.

• La fidelidad depende de los datos de origen. Los conjuntos de datos pequeños o dispersos pueden producir sintetizadores más débiles.

• Las reglas de negocio no declaradas entre campos pueden no preservarse; la integridad relacional declarada sí se preserva.

• La sintetización reduce el riesgo de divulgación, pero no lo elimina matemáticamente. La inferencia de pertenencia y de atributos sigue siendo posible en principio, sobre todo con sintetizadores entrenados sobre conjuntos de datos pequeños y simples.

• La evaluación integrada (synthesizer_evaluations y synthesizer_evaluations_multitable) mide la utilidad y la privacidad antes de utilizar el resultado, y la función de detección de riesgo puntúa el riesgo de reidentificación antes y después de la protección.

10. Equidad y sesgo

• La calidad de la detección no es uniforme entre grupos. La detección de rostros puede variar según el tono de piel y las condiciones de la imagen; el reconocimiento del habla varía según acentos, dialectos e idiomas; la detección de entidades varía según las formas de los nombres y los sistemas de escritura. Una detección desigual significa una protección de la privacidad desigual, y las personas peor servidas son aquellas cuyos datos tienen más probabilidad de pasar desapercibidos.

• Los Engines heredan el sesgo sociocultural presente en los datos de preentrenamiento de los modelos de pesos abiertos subyacentes.

• El condicionamiento de identificadores en el Engine de audio favorece actualmente al español, el francés y el inglés, lo que constituye una brecha de equidad conocida y explícita, no accidental.

• Los clientes con casos de uso sensibles a la equidad deberían medir el rendimiento por subgrupos sobre su propio contenido, en lugar de basarse en cifras agregadas.

Dedomena.AI no ha publicado una evaluación cuantitativa por subgrupos de los Engines: no existen tasas de detección medidas y desglosadas por tono de piel, acento, dialecto, idioma, sistema de escritura o tipo de documento. De ello se derivan dos consecuencias. En primer lugar, la cadena de procesamiento está construida de modo que una detección desigual quede contenida y no oculta: sobredetecta y después verifica, cada ocultación se puntúa frente a umbrales de aceptación objetivos, el resultado que no los cumple se rechaza y se reprocesa mediante una alternativa determinista, y nada se publica sin revisión humana; por ello, una debilidad en un subgrupo tiende a manifestarse como un fallo visible que un operador puede detectar, y no como contenido que parece protegido sin estarlo. En segundo lugar, los clientes cuyo caso de uso sea sensible a la equidad deberían medir el rendimiento sobre su propio contenido y su propia población, dado que una cifra agregada publicada por el proveedor no respondería en ningún caso a esa pregunta para sus datos. La evaluación por subgrupos, por modalidad y por idioma, es un compromiso de la hoja de ruta, y sus resultados se publicarán en una revisión futura de esta ficha.

11. Evaluación

Los Engines se evalúan frente a criterios de aceptación objetivos aplicados a cada elemento en tiempo de ejecución, y no únicamente frente a una prueba de referencia en el momento de la publicación. Las ocultaciones se puntúan por fidelidad del texto, detalle residual y contraste residual, y el resultado que no alcanza los umbrales se rechaza y se reprocesa por la vía alternativa determinista. Los sintetizadores se evalúan sobre los propios datos del cliente, que son la única distribución relevante para su caso de uso.

12. Consideraciones éticas

Tres principios rigen la forma en que se operan estos modelos, y se enuncian aquí porque explican decisiones de diseño presentes en otros puntos de esta ficha.

> Un falso negativo es una fuga de datos personales. Por ello la cadena está ajustada para sobredetectar y después verificar, en lugar de detectar de forma conservadora y cubrir de menos.

> Los modelos generativos se emplean para suprimir o reemplazar información. El resultado procesado es sintético por construcción y se marca y se destina como tal.

> La anonimización automatizada respalda el juicio humano y no lo sustituye. El producto genera material para su revisión; no publica nada ni actúa en nombre del cliente.

13. Estatus legal de los resultados

La anonimización realizada por estos Engines no constituye una determinación jurídica de que el resultado sea dato anónimo conforme al RGPD ni a ningún otro régimen. La anonimidad depende del contexto y se valora frente a los datos, el destinatario y los medios que razonablemente puedan emplearse para la reidentificación. Dedomena.AI proporciona detección, supresión, reemplazo y medición; no realiza esa determinación. El cliente sigue siendo el responsable del tratamiento y debe obtener su propio asesoramiento jurídico, correspondiendo al mismo determinar su rol, base jurídica y demás obligaciones regulatorias aplicables al tratamiento.

14. Recomendaciones para un uso seguro

• Revisar manualmente una muestra del resultado en cada nuevo tipo de documento, fuente de imagen o condición de grabación antes de confiar en la cadena para esa clase de contenido.

• Tratar como desprotegido cualquier elemento no procesado. No inferir cobertura a partir de la ausencia de hallazgos.

• Valorar el riesgo frente al destinatario previsto y no en abstracto: el mismo contenido conlleva riesgos distintos si se comparte internamente o si se publica.

• Mantener un revisor humano en cualquier publicación hacia un contexto regulado o de alto riesgo.

• Mantenerse en una versión soportada. Las correcciones al comportamiento de los modelos y a la cobertura de detección se entregan mediante actualizaciones de los paquetes.

15. Historial de versiones y cambios

Version Model Card: 1.0.2

Ultima Actualizacion: 19 de agosto de 2026