En la actualidad, nuestros datos personales están siendo utilizados a gran escala para el entrenamiento de la inteligencia artificial. Sin embargo, un innovador proyecto de Cadena de bloques está cambiando este panorama, ofreciendo recompensas sustanciales a los contribuyentes de datos.

Este proyecto llamado openledger propone el concepto de "Prueba de Atribución" (Proof of Attribution), que esencialmente crea un certificado electrónico inalterable para cada conjunto de datos. Este mecanismo se puede comparar con una combinación de "identificación" y "facturación" de los datos.

En concreto, cada dato subido obtiene una identificación única y se registra en la Cadena de bloques, asegurando que todas las acciones de uso sean trazables. Al mismo tiempo, cuando el modelo de IA utiliza estos datos, el contrato inteligente realiza automáticamente la liquidación según las reglas preestablecidas, permitiendo que los ingresos lleguen puntualmente a la cuenta del proveedor de datos.

Este mecanismo innovador ha traído múltiples efectos positivos:

En primer lugar, logra la equidad. Los contribuyentes de datos que antes eran anónimos, ya sean creadores comunes, profesionales de la salud o investigadores, pueden beneficiarse de ello y convertirse en participantes remunerados.

En segundo lugar, mejora la trazabilidad. Cuando un modelo de IA presenta problemas o se enfrenta a cuestionamientos, se puede rastrear rápidamente la fuente de datos específica a través de la Cadena de bloques.

Finalmente, crea un ciclo virtuoso. Los datos de alta calidad obtienen más recompensas debido a un uso más frecuente, lo que a su vez incentiva más contribuciones de datos de alta calidad.

Desde un punto de vista técnico, este sistema no requiere una implementación excesivamente compleja. Principalmente se trata de registrar metadatos clave y pesos de contribución en la Cadena de bloques, utilizando contratos inteligentes para la distribución automática de ingresos. Al mismo tiempo, se protege la privacidad mediante la subida solo de resúmenes de datos o el uso de pruebas de conocimiento cero, garantizando la verificabilidad mientras se protege la privacidad de los proveedores de datos.

Por ejemplo, en el campo de la medicina, los médicos pueden subir datos de casos anonimizados a una plataforma de datos médicos especializada. Cuando el modelo de IA utiliza estos datos y mejora realmente la precisión del diagnóstico, el sistema enviará automáticamente las recompensas correspondientes a los proveedores de datos según su contribución, garantizando así la transparencia y simplificando el proceso.

Este mecanismo abre nuevas vías para la valoración y recompensa de los datos, con la esperanza de que, al mismo tiempo que se desarrolla la IA, los proveedores de datos también reciban la recompensa que merecen.