Ir al contenido principal

Soberanía de Datos

Resumen Ejecutivo. Esta página explica los principios de soberanía de datos OCAP®, CARE y Te Mana Raraunga, y qué significan para desarrolladores que construyen métodos de traducción para lenguas indígenas. Cubre cuándo se requiere consentimiento comunitario, cómo la arquitectura del método api de champollion respalda la soberanía de datos, y las obligaciones éticas de cualquiera que trabaje con datos lingüísticos indígenas.

La traducción automática para lenguas indígenas plantea preguntas que no existen para el francés o el japonés. ¿Quién es dueño de los datos de entrenamiento? ¿Quién controla cómo habla un modelo de lenguaje? ¿Quién decide si una traducción es lo suficientemente buena para publicar?

La respuesta siempre es la comunidad.

champollion está construido para respaldar esto. El método api mantiene todos los recursos lingüísticos del lado del servidor bajo control comunitario. El sistema de plugins separa el método de la herramienta. Pero la herramienta no puede imponer ética — esta página explica los principios que debe seguir.

Principios OCAP®​

OCAP (Ownership, Control, Access, Possession — Propiedad, Control, Acceso, Posesión) es un conjunto de principios desarrollados por el First Nations Information Governance Centre (FNIGC) que establecen cómo los datos de las Primeras Naciones deben ser recopilados, protegidos, utilizados y compartidos.

PrincipioQué Significa para la Traducción
PropiedadLa comunidad es dueña de sus datos lingüísticos — diccionarios, gramáticas, textos paralelos, archivos de entrenamiento y cualquier traducción producida a partir de ellos.
ControlLa comunidad controla cómo se utilizan sus datos lingüísticos, quién tiene acceso y qué métodos de traducción son aceptables.
AccesoLos miembros de la comunidad tienen derecho a acceder y gestionar sus propios recursos lingüísticos independientemente de dónde estén almacenados.
PosesiónLos datos físicos (archivos de entrenamiento, diccionarios, pesos del modelo) deben residir en infraestructura que la comunidad controla — no en la nube de un tercero.

Qué significa OCAP en la práctica​

  • No publique traducciones de una lengua indígena sin autorización explícita de la comunidad.
  • No entrene modelos con datos lingüísticos proporcionados por la comunidad sin un acuerdo de compartición de datos.
  • No raspe recursos lingüísticos comunitarios de sitios web, redes sociales o materiales educativos.
  • Use el método api para que los prompts, datos de entrenamiento y diccionarios permanezcan en servidores controlados por la comunidad. El método api de champollion es un "tubo tonto" — envía claves y recibe traducciones. Toda la propiedad intelectual lingüística permanece del lado del servidor.
  • Documente la procedencia — el campo provenance en el manifiesto del plugin debe listar cada recurso utilizado, su licencia y su origen.

:::warning OCAP® es una marca registrada OCAP® es una marca registrada del First Nations Information Governance Centre. Se aplica específicamente a las Primeras Naciones en Canadá. Los principios tienen relevancia más amplia, pero la marca registrada y la autoridad de gobernanza pertenecen a FNIGC. :::

Principios CARE​

Los Principios CARE para la Gobernanza de Datos Indígenas fueron desarrollados por la Global Indigenous Data Alliance (GIDA) como complemento a los principios FAIR. FAIR dice que los datos deben ser Findable (Localizables), Accessible (Accesibles), Interoperable (Interoperables) y Reusable (Reutilizables). CARE dice que eso no es suficiente — la gobernanza de datos también debe centrar los derechos indígenas.

PrincipioAplicación
Beneficio ColectivoLas herramientas de traducción deben beneficiar primero a la comunidad lingüística. Las puntuaciones en el ranking son un medio para mejorar métodos, no para extraer valor comercial de lenguas comunitarias.
Autoridad para ControlarLas comunidades tienen la autoridad para gobernar cómo se recopilan, utilizan y comparten sus datos lingüísticos. Una puntuación alta en el ranking no otorga permiso para publicar traducciones.
ResponsabilidadLos investigadores y desarrolladores que trabajan con datos lingüísticos indígenas tienen la responsabilidad de construir relaciones, obtener consentimiento y compartir beneficios.
ÉticaLos derechos y el bienestar de los pueblos indígenas deben ser la preocupación principal. Los métodos de traducción deben desarrollarse con las comunidades, no sobre ellas.

Te Mana Raraunga — Soberanía de Datos Māori​

Te Mana Raraunga es la Māori Data Sovereignty Network. Afirma que los datos Māori — incluyendo datos lingüísticos — son un taonga (tesoro) sujeto a los principios del Tratado de Waitangi y tikanga Māori (ley consuetudinaria Māori).

Principios clave:

PrincipioSignificado
Rangatiratanga (Autoridad)Los Māori tienen un derecho inherente a ejercer autoridad sobre sus datos, incluyendo datos lingüísticos.
Whakapapa (Relaciones)Los datos tienen orígenes y conexiones. Los datos lingüísticos llevan las relaciones y conocimientos de las personas que los crearon.
Whanaungatanga (Obligaciones)Quienes poseen o procesan datos Māori tienen obligaciones recíprocas con las comunidades de las que provienen.
Kotahitanga (Beneficio colectivo)Los datos Māori deben utilizarse para el beneficio colectivo de los Māori.
Manaakitanga (Reciprocidad)El uso de datos Māori debe implicar cuidado, respeto y reciprocidad.
Kaitiakitanga (Guardianía)Los guardianes de datos tienen el deber de proteger los datos y asegurar que se utilicen apropiadamente.

Estos principios se aplican a te reo Māori (la lengua Māori) y a cualquier trabajo computacional que implique datos de la lengua Māori.

Qué Significa Esto para Usuarios de champollion​

Para lenguas estándar (francés, japonés, español...)​

Use champollion normalmente. Estas lenguas tienen grandes corpus disponibles públicamente, APIs de traducción establecidas y sin preocupaciones de soberanía. Traduzca, sincronice y publique como desee.

Para lenguas indígenas y de bajo recurso​

La situación es fundamentalmente diferente:

  1. Obtenga consentimiento primero. Antes de construir un método de traducción para una lengua indígena, establezca una relación con la comunidad. Un método construido sin participación comunitaria — sin importar cuán técnicamente impresionante sea — no debe ser publicado o distribuido.

  2. Use el método api. Aloje el pipeline de traducción en infraestructura controlada por la comunidad. El método api en champollion está diseñado para esto: envía claves y recibe traducciones sin exponer los prompts, diccionarios o datos de entrenamiento que hacen que el método funcione.

    Community-controlled setup
    {
      "pairs": {
        "en:crk": {
          "method": "api",
          "endpoint": "https://api.community-server.example/translate"
        }
      }
    }

  3. Documente todo. Use el campo provenance en su manifiesto de plugin para listar cada recurso, su licencia y si fue proporcionado con consentimiento comunitario.

  4. Las puntuaciones no son licencias. Una puntuación alta en el ranking prueba que un método funciona bien técnicamente. No otorga permiso para publicar traducciones, distribuir el plugin o comercializar el método. La comunidad decide.

  5. Comparta el método, no los datos. Si desarrolla una técnica que funciona bien (p. ej., "LLM con puerta FST y prompts entrenados"), comparta la arquitectura y el enfoque en el ranking. La comunidad retiene control sobre los datos lingüísticos que la hacen funcionar para su lengua específica.

El Método api y la Soberanía​

El método de traducción api existe específicamente para respaldar la soberanía de datos. Aquí está el por qué:

AspectoOtros MétodosMétodo api
Dónde viven los promptsEn archivos de configuración de champollion (visibles para todos los desarrolladores)En el servidor de la comunidad (privado)
Dónde viven los datos de entrenamientoEn directorio .champollion/coaching/ (comprometido a git)En el servidor de la comunidad (privado)
Dónde viven los diccionariosEn el directorio del plugin (distribuido con el plugin)En el servidor de la comunidad (privado)
Quién controla el pipelineQuien ejecute champollion syncLa comunidad que opera la API
Qué ve champollionTodoClaves adentro, traducciones afuera

El método api es una opción arquitectónica deliberada. Es un "tubo tonto" porque la propiedad intelectual — el conocimiento lingüístico, las reglas gramaticales, los ejemplos de entrenamiento cuidadosamente curados — pertenece a la comunidad, no a la herramienta.

Vea Serving a Method via API para detalles de implementación.

Caso de Estudio: OMT-1600 y Soberanía de Datos​

OMT-1600 de Meta (marzo de 2026) proporciona un ejemplo concreto de por qué la soberanía de datos importa para lenguas indígenas. OMT-1600 entrenó modelos de traducción para 1.600 lenguas usando:

  • CC-2000-Web: Texto monolingüe raspado de la web de 2.000+ languoides — recopilado sin consentimiento comunitario
  • Traducciones de la Biblia: Textos religiosos utilizados como datos de entrenamiento paralelo y evaluación para las lenguas de menor recurso
  • MeDLEy: Bitext manualmente curado — pero sin cumplimiento documentado de OCAP® o CARE
  • Datos sintéticos retrotraducidos: ~270 millones de oraciones paralelas sintéticas generadas por los propios modelos

Para lenguas indígenas como Plains Cree (CRK), esto significa:

PrincipioPráctica de OMT-1600Impacto
PropiedadMeta es dueña de los modelos y decide cómo liberarlosLa comunidad no tiene participación en la propiedad de cómo se modela su lengua
ControlMeta controla la selección de datos de entrenamiento, arquitectura del modelo y cronograma de lanzamientoLa comunidad no tiene participación en qué datos se utilizan o cómo se representa la lengua
AccesoLos pesos del modelo no están disponibles actualmente — "no se liberaron debido a factores fuera del control de los autores"La comunidad no puede acceder, inspeccionar o modificar el modelo que habla su lengua
PosesiónTodos los datos y modelos residen en infraestructura de MetaLa comunidad no puede alojar, auditar o eliminar los datos utilizados para entrenar el modelo

OMT-1600 es un logro de investigación. También es un ejemplo de práctica de datos extractiva: datos lingüísticos fueron recopilados de la web y textos religiosos, procesados en un modelo y publicados como un artículo — todo sin participación comunitaria, consentimiento o compartición de beneficios.

Este es exactamente el patrón que la arquitectura de soberanía de champollion previene. El método api mantiene la propiedad intelectual lingüística en servidores controlados por la comunidad. Los corpus de evaluación se proporcionan con consentimiento comunitario y se almacenan bajo custodia de claves comunitarias. Los métodos ganadores de premios se transfieren a propiedad comunitaria. La diferencia no es técnica — es ética y estructural.

:::note OMT-1600 no es únicamente culpable Este patrón — raspado de web seguido de entrenamiento de modelos sin consentimiento comunitario — es práctica estándar en investigación de PNL multilingüe masiva. OMT-1600 es un caso de estudio por su escala (1.600 lenguas) y recencia (marzo de 2026), no porque sea únicamente extractiva. La misma crítica se aplica a NLLB-200, los esfuerzos multilingües de Google y la mayoría de investigación de MT a gran escala. :::

Lecturas Adicionales​

Véase También​