Cómo Construir un Pipeline de IA Air-Gapped para Industrias Reguladas

Has decidido que tu pipeline de IA debe ejecutarse air-gapped — físicamente aislado de internet sin excepciones. Quizás tus datos son clasificados. Quizás tu regulador lo requiere. Quizás tu equipo de seguridad realizó una evaluación de riesgos y concluyó que cualquier conectividad externa es inaceptable para esta carga de trabajo particular.

Este artículo no trata sobre si necesitas operación air-gapped. (Si no estás seguro, consulta nuestra guía de despliegue air-gapped vs on-premise vs auto-hospedado para el marco de decisión.) Este artículo cubre las decisiones de arquitectura que necesitas tomar en cada etapa del pipeline al construir un sistema de IA que nunca tocará internet.

El pipeline tiene cinco etapas. Cada etapa tiene diferentes requisitos de hardware, diferentes restricciones de herramientas y diferentes modos de fallo cuando se elimina la conectividad. Recorreremos cada una.

---

Resumen de Arquitectura del Pipeline

Un pipeline de IA air-gapped tiene las mismas etapas lógicas que cualquier otro pipeline de ML. La diferencia es que cada componente en cada etapa debe funcionar con cero conectividad externa — sin llamadas API, sin servidores de licencias, sin assets hospedados en CDN, sin telemetría, sin descarga de dependencias.

┌──────────┐   ┌──────────┐   ┌──────────┐   ┌──────────────┐   ┌──────────┐
│  Ingest  │──▶│  Clean   │──▶│  Label   │──▶│  Augment     │──▶│  Export  │
│          │   │          │   │          │   │  (Synthetic)  │   │          │
│ OCR      │   │ PII/PHI  │   │ NER      │   │ Local LLM    │   │ JSONL    │
│ PDF      │   │ Redact   │   │ Classify │   │ Inference     │   │ COCO     │
│ Layout   │   │ Normalize│   │ BBox     │   │              │   │ CSV      │
└──────────┘   └──────────┘   └──────────┘   └──────────────┘   └──────────┘
       │              │              │              │                   │
       ▼              ▼              ▼              ▼                   ▼
   [Audit Log]   [Audit Log]   [Audit Log]   [Audit Log]         [Audit Log]

Cada etapa escribe en un log de auditoría local. En entornos air-gapped, la pista de auditoría es tu única evidencia de lo que sucedió con los datos. No hay servicio de logging en la nube al cual recurrir.

---

Etapa 1: Ingestión de Datos

La ingestión de datos convierte archivos empresariales sin procesar — PDFs, documentos Word, imágenes escaneadas, hojas de cálculo, correos electrónicos — en texto legible por máquina y contenido estructurado. En un entorno air-gapped, esto significa que toda la lógica de parsing y OCR debe estar embebida en la aplicación.

Decisiones de arquitectura

Selección de motor OCR: Necesitas OCR que se ejecute completamente de forma local, sin llamadas API externas ni descargas de modelos dependientes de internet.

Para entornos air-gapped, Tesseract y PaddleOCR son las opciones principales. Tesseract está más ampliamente desplegado y tiene mejor documentación para instalación offline. PaddleOCR típicamente produce mejores resultados en layouts complejos (multi-columna, tablas, texto/imagen mixto) pero requiere una gestión de dependencias más cuidadosa para instalación offline.

Parsing de PDFs: El parsing de PDFs tiene dos modos — extracción de texto (para PDFs creados digitalmente) y extracción OCR (para PDFs escaneados). La mayoría de las colecciones de documentos empresariales contienen ambos.

Recomendación para air-gapped: Docling (IBM Research, open source) para parsing primario, con PyMuPDF como respaldo para documentos más simples. La precisión de extracción de tablas de Docling (97.9% en benchmarks) es importante para documentos empresariales donde las tablas contienen datos estructurados críticos.

Requisitos de hardware para ingestión

El multiplicador de almacenamiento tiene en cuenta tanto los documentos originales como la salida estructurada extraída (JSON, texto, metadatos).

---

Etapa 2: Limpieza y Des-identificación

La limpieza transforma el texto crudo extraído en contenido normalizado y consistente. La des-identificación detecta y redacta información de identificación personal (PII) e información de salud protegida (PHI). En entornos air-gapped, todos los modelos NLP para detección de entidades deben ejecutarse localmente.

Decisiones de arquitectura

Enfoque de detección de PII/PHI: Tienes dos opciones — coincidencia de patrones basada en reglas, o reconocimiento de entidades nombradas (NER) basado en modelos NLP. En la práctica, necesitas ambos.

Enfoque recomendado para air-gapped: Combinar ambos métodos. Usar patrones regex para identificadores estructurados (SSNs, teléfonos, emails, números de registros médicos, fechas). Usar un modelo NER cargado localmente (spaCy o transformer cuantizado) para identificadores no estructurados (nombres, organizaciones, ubicaciones en texto libre).

Para datos regulados por HIPAA específicamente, la des-identificación debe satisfacer el método Safe Harbor (eliminación de 18 categorías específicas de identificadores) o el método de Determinación de Experto. Regex captura la mayoría de identificadores estructurados. NER captura los no estructurados. Una etapa de revisión humana después de la des-identificación automatizada es práctica estándar para cumplimiento de HIPAA.

Normalización de datos: Los entornos air-gapped frecuentemente procesan documentos acumulados durante décadas — diferentes esquemas de codificación, formatos de fecha inconsistentes, conjuntos de caracteres legacy. La normalización los convierte a codificación UTF-8 consistente, formatos de fecha estandarizados y manejo consistente de espacios en blanco. Esto es computacionalmente barato y no tiene requisitos de conectividad.

Requisitos de hardware para limpieza

---

Etapa 3: Etiquetado y Anotación

El etiquetado es donde los expertos de dominio asignan categorías, entidades, bounding boxes o puntuaciones de calidad a los datos procesados. En entornos air-gapped, la interfaz de etiquetado debe servirse completamente desde localhost — sin assets de CDN externos, sin proyectos sincronizados en la nube, sin herramientas basadas en navegador que carguen scripts de servidores remotos.

Decisiones de arquitectura

Selección de herramienta de anotación: La mayoría de las herramientas de anotación modernas son aplicaciones web que asumen conectividad a internet. Incluso las versiones auto-hospedadas frecuentemente cargan bibliotecas JavaScript desde CDNs, scripts de análisis o archivos de fuentes desde servidores externos.

La advertencia sobre Label Studio: Label Studio puede ser auto-hospedado, pero la versión auto-hospedada debe ser auditada por llamadas externas. Versiones anteriores cargaban Google Fonts desde CDN externo, incluían scripts de análisis y hacían llamadas para verificar actualizaciones. En un entorno air-gapped, estas llamadas fallan silenciosamente o causan errores. Necesitas verificar — inspeccionando el tráfico de red — que tu instancia auto-hospedada de Label Studio haga cero solicitudes HTTP externas.

Recomendación para air-gapped: Para anotación NLP, Prodigy es la opción más confiablemente air-gapped — es una biblioteca Python sin dependencias web, sirviendo su UI completamente desde localhost. La compensación es que requiere un entorno Python, lo que limita la accesibilidad para expertos de dominio no técnicos.

Para organizaciones donde los expertos de dominio (doctores, abogados, ingenieros) necesitan acceso directo a la interfaz de etiquetado, una herramienta de anotación de escritorio nativa que no requiera terminal, ni Python, ni conectividad de navegador es la mejor opción. Este es el enfoque que toma Ertas Data Suite — una aplicación de escritorio nativa donde toda la interfaz de anotación se ejecuta localmente con cero dependencias de red.

Requisitos de hardware para etiquetado

El etiquetado es la etapa menos intensiva en cómputo. Es principalmente una actividad humana con asistencia de software.

---

Etapa 4: Augmentación de Datos Sintéticos

La augmentación de datos sintéticos usa LLMs para generar ejemplos de entrenamiento adicionales a partir de datos etiquetados existentes. En un entorno air-gapped, esto requiere ejecutar inferencia de LLM localmente — sin APIs en la nube, sin endpoints de modelo externos.

Decisiones de arquitectura

Selección de runtime de LLM local:

Recomendado para air-gapped: Ollama para augmentación de propósito general. Soporta una amplia gama de modelos GGUF, tiene instalación offline sencilla (copiar el binario + archivos del modelo) y sirve una API compatible con OpenAI en localhost. Para entornos donde se prefiere el ecosistema de Microsoft, Foundry Local es la alternativa — con la compensación de una selección de modelos más reducida.

Selección de modelo para augmentación:

Para la mayoría de tareas de augmentación empresarial — generar paráfrasis, crear variantes de clasificación, expandir ejemplos de entidades — un modelo cuantizado de 8B-14B es el punto óptimo práctico. La calidad es suficiente, los requisitos de hardware son manejables, y los archivos del modelo (4-10 GB) son factibles de transferir vía medios removibles.

Requisitos de hardware para augmentación

Se recomienda fuertemente GPU para augmentación. La inferencia solo con CPU en modelos 7B funciona pero genera datos 5-10x más lento, lo cual importa cuando necesitas producir miles de ejemplos de entrenamiento sintéticos.

---

Etapa 5: Exportación

La exportación convierte datos procesados, etiquetados y augmentados en formatos consumibles por sistemas downstream de entrenamiento y despliegue. En un entorno air-gapped, la exportación apunta a almacenamiento local — nunca almacenamiento de objetos en la nube.

Decisiones de arquitectura

La selección de formato de exportación depende del caso de uso downstream:

Exportación de pista de auditoría: En entornos regulados, los datos de entrenamiento solos no son suficientes. También debes exportar:

• Linaje de datos (qué documento fuente produjo qué ejemplo de entrenamiento)
• Log de transformación (cada operación de limpieza, redacción y modificación con marcas de tiempo)
• Log de operadores (quién etiquetó qué, cuándo y qué cambió)
• Métricas de calidad (acuerdo inter-anotador, puntuaciones de confianza)

Para cumplimiento del Artículo 30 del EU AI Act, esta documentación de auditoría debe acompañar los datos de entrenamiento y estar disponible para inspección. Para HIPAA, la pista de auditoría de des-identificación debe demostrar que la PHI fue debidamente eliminada antes de que los datos fueran usados para entrenamiento.

Requisitos de hardware para exportación

---

Mecanismos de Transferencia: Introducir Software y Modelos en Entornos Air-Gapped

El aspecto más pasado por alto de la IA air-gapped es la configuración inicial. No puedes instalar software desde internet. No puedes descargar pesos de modelos. Todo debe transferirse a través de canales físicos aprobados.

Transferencia por medios físicos

El enfoque estándar para entornos clasificados y air-gapped:

1. Preparar en una máquina conectada: Descargar todos los instaladores de software, dependencias, pesos de modelos y archivos de configuración en una unidad limpia y formateada
2. Escaneo de seguridad: Pasar el medio por el proceso de escaneo de malware y revisión de seguridad de tu organización
3. Cadena de custodia: Documentar quién preparó el medio, qué contiene y cuándo fue transferido
4. Instalar en la máquina air-gapped: Copiar archivos del medio aprobado al sistema objetivo
5. Verificar integridad: Comparar checksums (SHA-256) de archivos instalados contra el manifiesto preparado

Para pesos de modelos específicamente: un modelo GGUF de 7B es aproximadamente 4-6 GB. Un modelo de 70B es 35-45 GB. Unidades USB o SSDs portátiles manejan estos tamaños fácilmente. Datasets más grandes (cientos de GB de documentos fuente) pueden requerir dispositivos NAS portátiles o múltiples unidades.

Diodos de datos unidireccionales

Para organizaciones con redes air-gapped más sofisticadas, los diodos de datos de hardware proporcionan un mecanismo de transferencia unidireccional. Los datos fluyen hacia la red air-gapped pero no pueden fluir hacia afuera. Esto se usa en entornos de defensa e infraestructura crítica donde los medios removibles también están restringidos.

Los diodos de datos permiten transferencias automatizadas y programadas de actualizaciones de modelos y parches de software hacia el entorno air-gapped sin crear ninguna ruta de salida de datos.

Qué debe ser pre-staged

Antes de aislar la máquina, transfiere todo lo siguiente:

Total de pre-staging para un pipeline de IA air-gapped completo: aproximadamente 10-70 GB, dependiendo de cuántos modelos LLM incluyas.

---

Mapeo de Cumplimiento: ¿Quién Realmente Requiere Air-Gapped?

No toda regulación requiere operación air-gapped. Entender qué regulaciones requieren qué modelo de despliegue previene la sobre-ingeniería.

La pauta práctica: Air-gapped es requerido para datos clasificados/defensa y redes OT de infraestructura crítica. On-premise es suficiente para la mayoría de industrias reguladas (salud, finanzas, legal). Nube soberana (proveedor doméstico) es aceptable para datos que requieren control jurisdiccional pero no aislamiento físico.

---

Uniendo Todo: Arquitectura de Referencia

Un pipeline de IA air-gapped completo para una empresa regulada:

Hardware:

• Estación de trabajo o servidor: 16+ núcleos, 64 GB RAM, NVIDIA RTX 4090 (24 GB VRAM) o A6000 (48 GB VRAM)
• Almacenamiento local: 2+ TB NVMe SSD para proyectos activos, más NAS para archivo
• Estación de medios removibles: para configuración inicial y actualizaciones periódicas de modelos/software

Stack de software:

• SO: Linux (Ubuntu/RHEL) o Windows, completamente actualizado antes del aislamiento
• Ingestión: Docling + PyMuPDF + Tesseract/PaddleOCR
• Limpieza: spaCy NER + patrones regex + reglas personalizadas
• Etiquetado: Herramienta de anotación de escritorio nativa (sin Docker, sin dependencias de navegador)
• Augmentación: Ollama + Llama 3.1 8B (GGUF Q4)
• Exportación: JSONL + generador de pista de auditoría
• Runtime de inferencia: Ollama, llama.cpp o Foundry Local

Costo estimado de hardware: $8,000-$15,000 para una estación de trabajo (clase RTX 4090), o $20,000-$40,000 para un servidor (clase A6000). Compara con costos de GPU en la nube de $2-$4/hora para cómputo equivalente — el hardware on-premise se paga solo en 6-18 meses de uso continuo.

Esta arquitectura maneja el pipeline completo desde documentos sin procesar hasta datos de entrenamiento listos para IA, completamente dentro de un perímetro air-gapped, con pista de auditoría completa en cada etapa.

---

Lectura Relacionada

• Machine Learning Air-Gapped: Cómo Construir Pipelines de Datos de IA Sin Acceso a Internet — Resumen conceptual de despliegue air-gapped vs on-premise vs auto-hospedado, con análisis de herramientas para cada etapa del pipeline.
• IA Soberana para Empresas: Qué Significa y Por Qué Importa en 2026 — Las tres capas de soberanía de IA y por qué importan para empresas reguladas.
• IA Soberana vs IA en la Nube: Requisitos de Residencia de Datos por País y Región — Guía de referencia país por país de requisitos de residencia de datos para sistemas de IA.