Protección de datos en pipelines de ML mediante cifrado de conjuntos de entrenamiento, defensa contra envenenamiento de datos, ataques de inferencia de pertenencia e inversión de modelos que podrían extraer información sensible. Cubre privacidad diferencial, computación multipartita segura para aprendizaje federado, saneamiento de conjuntos de datos sensibles y control de procedencia de datos para prevenir la inyección de puertas traseras durante el entrenamiento.