La creciente adopción de modelos de inferencia en entornos compartidos y en la nube plantea un desafío de seguridad y privacidad que va más allá del control de acceso a los datos. Cuando una representación de entrada se diseña para una tarea específica, existe el riesgo de que otros modelos no autorizados la reutilicen para fines distintos, lo que se conoce como reapropiación de entradas. Para abordar esto, se han desarrollado técnicas de compresión variacional de características que permiten generar representaciones compactas y específicas del modelo, manteniendo la utilidad para un clasificador designado mientras se suprime drásticamente la transferencia a modelos no deseados. El enfoque se basa en un cuello de botella latente variacional entrenado con un objetivo de entropía cruzada y regularización KL, sin recurrir a pérdidas de reconstrucción a nivel de píxel. Una máscara binaria dinámica, calculada a partir de la divergencia KL por dimensión y la saliencia basada en gradientes respecto al modelo objetivo congelado, elimina las dimensiones latentes que no aportan información relevante para la tarea principal. Este proceso, aunque requiere acceso a los gradientes durante el entrenamiento, opera con una simple inferencia en tiempo real. Los resultados experimentales muestran que es posible mantener una precisión elevada para el clasificador legítimo mientras se reduce el rendimiento de cualquier clasificador no autorizado por debajo del 2%, logrando una supresión superior a 45 veces. En Q2BSTUDIO, aplicamos estos principios en el desarrollo de soluciones de inteligencia artificial para empresas, garantizando que los datos procesados en entornos cloud (AWS, Azure) no sean explotados por modelos ajenos. Nuestros equipos diseñan aplicaciones a medida que integran mecanismos de ciberseguridad avanzados, como el aislamiento de representaciones, y complementan con servicios de inteligencia de negocio basados en Power BI y agentes IA. La combinación de software a medida y técnicas de compresión variacional permite a las organizaciones desplegar inferencia en la nube con la certeza de que cada representación sirve exclusivamente al propósito para el que fue creada, sin filtraciones de conocimiento hacia modelos no deseados.