La seguridad en entornos IoT e IIoT afronta dos grandes desafíos: la heterogeneidad de dispositivos y la escasez de datos etiquetados. Los sistemas tradicionales de detección de intrusiones, basados en modelos centralizados, no escalan bien y comprometen la privacidad de los datos. El aprendizaje federado surge como alternativa, pero los enfoques estándar suelen fallar al generalizar entre comportamientos muy diversos y desaprovechan la enorme cantidad de información no etiquetada que generan los dispositivos en el borde de la red. Para abordar estos problemas, se han propuesto arquitecturas que combinan agrupación dinámica de flujos de tráfico con aprendizaje dual: por un lado, detección de anomalías no supervisada y, por otro, clasificación supervisada de ataques. Esta combinación permite que el sistema aproveche tanto los datos etiquetados como los no etiquetados, mientras que la agrupación evita que modelos globales divergentes pierdan precisión al mezclar patrones operativos muy distintos. El resultado es un marco que no descarta ningún dato y mantiene la especificidad de cada grupo de dispositivos, mejorando significativamente la detección con un coste de comunicación reducido. En Q2BSTUDIO entendemos que la ciberseguridad moderna requiere soluciones flexibles y adaptables. Desarrollamos aplicaciones a medida que integran inteligencia artificial para empresas, incluyendo agentes IA capaces de aprender en entornos distribuidos y heterogéneos. Nuestros servicios cloud AWS y Azure proporcionan la infraestructura necesaria para desplegar sistemas de detección federados, mientras que nuestras capacidades en ciberseguridad y pentesting garantizan que las soluciones sean robustas desde el diseño. Además, ofrecemos servicios inteligencia de negocio con Power BI para visualizar las métricas de seguridad y comportamiento de los dispositivos, facilitando la toma de decisiones basada en datos. La combinación de software a medida con técnicas avanzadas de machine learning, como las que se exploran en estos marcos de aprendizaje federado, permite a las organizaciones proteger sus ecosistemas IoT de forma eficiente y escalable, sin sacrificar la privacidad ni la capacidad de adaptación a entornos reales con datos escasos o desbalanceados.