La identificación biométrica mediante la marcha —gait recognition— se ha consolidado como una alternativa sólida para entornos donde otros rasgos biométricos resultan invasivos o de difícil captura. Sin embargo, cuando estos sistemas se integran en escenarios de aprendizaje continuo (continual learning) para actualizar modelos sin necesidad de retener todo el conjunto histórico de datos, surgen dos problemas críticos: el olvido catastrófico y la vulnerabilidad frente a ataques de inferencia de pertenencia. Recientemente, las capas de modulación por división de código (CDML) han demostrado ser una solución eficaz para mitigar ambos desafíos, preservando la precisión en todas las tareas sin recurrir a la reproducción de datos. Este artículo analiza en profundidad esta tecnología, su impacto en la seguridad y cómo empresas como Q2BSTUDIO están integrando enfoques similares en desarrollos de software a medida para sectores que requieren alto rendimiento y privacidad.
El olvido catastrófico ocurre cuando un modelo entrenado de forma incremental pierde la capacidad de reconocer patrones aprendidos en etapas anteriores. En el caso de la marcha, cada nuevo conjunto de datos puede representar condiciones de iluminación, superficies o ángulos distintos, y el modelo tiende a sobrescribir el conocimiento previo. Los métodos tradicionales de mitigación, como la reproducción de muestras antiguas (replay), implican almacenar datos sensibles, lo que incrementa el riesgo de filtraciones y el coste computacional. Aquí es donde las capas CDML ofrecen una alternativa elegante: codifican la información de cada tarea mediante patrones ortogonales en el espacio de características, permitiendo que el modelo distinga entre dominios sin necesidad de almacenar ejemplos originales. Este mecanismo no solo evita la interferencia entre tareas, sino que también dificulta que un atacante pueda determinar si un sujeto forma parte del conjunto de entrenamiento, ya que las representaciones no son directamente vinculables a los datos brutos.
Desde una perspectiva empresarial, la implementación de sistemas de identificación continua de marcha con capas CDML abre oportunidades en sectores como la seguridad perimetral, el control de accesos inteligente o la monitorización de personas en entornos controlados. Empresas como Q2BSTUDIO, especializadas en inteligencia artificial y ciberseguridad, desarrollan aplicaciones a medida que integran estas técnicas. Por ejemplo, un sistema de identificación por marcha para un edificio corporativo puede actualizarse progresivamente con nuevos empleados sin necesidad de reentrenar desde cero, manteniendo la exactitud y protegiendo la privacidad de los datos biométricos. La combinación de CDML con estrategias de cloud computing (AWS o Azure) permite escalar el procesamiento de vídeo en tiempo real, mientras que las capas de ciberseguridad garantizan que los patrones de marcha no sean interceptados ni revertidos. Además, el uso de agentes IA autónomos puede gestionar las decisiones de actualización del modelo, minimizando la intervención humana y reduciendo errores.
Otro aspecto relevante es la reducción del impacto de la retransmisión de datos. En los sistemas clásicos de aprendizaje continuo, la reproducción de datos antiguos es necesaria para evitar el olvido, pero esto consume ancho de banda, almacenamiento y expone información sensible cada vez que se accede a ella. Las capas CDML eliminan esta necesidad al no depender de ejemplos previos. Esto resulta especialmente útil en despliegues edge, donde los dispositivos tienen recursos limitados y no pueden almacenar grandes volúmenes de datos. Q2BSTUDIO ha implementado soluciones de automatización de procesos que integran CDML en entornos de bajo consumo, permitiendo que sistemas embebidos actualicen sus modelos de identificación sin conexión constante a la nube. Paralelamente, herramientas de Business Intelligence como Power BI pueden visualizar en tiempo real el rendimiento del sistema, mostrando métricas de precisión por tarea y alertas ante posibles ataques de inferencia.
La ciberseguridad es un pilar innegociable en cualquier sistema biométrico. Los ataques de inferencia de pertenencia (membership inference) intentan determinar si un individuo concreto fue usado para entrenar el modelo. Si un atacante logra extraer esta información, puede comprometer la identidad de los usuarios. Las capas CDML, al generar representaciones ortogonales y no linealmente separables para cada tarea, aumentan la entropía de la salida, haciendo que el clasificador no pueda distinguir si una muestra pertenece al conjunto de entrenamiento o no. Esta propiedad, conocida como privacidad diferencial implícita, es especialmente valorada en entornos regulados como la banca o la sanidad. Q2BSTUDIO ofrece servicios de ciberseguridad que incluyen auditorías de modelos y pruebas de penetración específicas para sistemas de aprendizaje continuo, asegurando que la implementación de CDML cumple con los estándares de protección de datos.
El futuro de la identificación continua pasa por modelos que aprendan sin olvidar y que protejan la privacidad de forma inherente. Las capas CDML representan un avance significativo en esa dirección, y su integración con tecnologías cloud, agentes IA y plataformas de BI permite construir soluciones robustas y escalables. Para las empresas que buscan desarrollar sistemas de identificación biométrica avanzados, contar con un socio tecnológico como Q2BSTUDIO, que combina experiencia en inteligencia artificial, ciberseguridad y desarrollo de software a medida, es clave para lograr un despliegue seguro, eficiente y sostenible. La marcha, como rasgo único y no invasivo, tiene un enorme potencial, y con técnicas como CDML, ese potencial puede realizarse plenamente sin comprometer la privacidad ni la precisión.
