El presente estudio evalúa a fondo los desafíos de bloqueo más comunes que enfrenta el ecosistema de aprendizaje federado (FL) y analiza las soluciones existentes de vanguardia. Se diseña un pipeline de adaptación del sistema para permitir la integración de diferentes herramientas basadas en IA en el sistema FL, mientras que el entrenamiento de FL se lleva a cabo en condiciones realistas utilizando una infraestructura de hardware distribuido. El pipeline sugerido y la robustez del sistema FL se prueban frente a desafíos relacionados con el despliegue de herramientas, la heterogeneidad de datos y ataques a la privacidad para múltiples tareas y tipos de datos. Se ha seleccionado un conjunto representativo de herramientas basadas en IA y conjuntos de datos relacionados para cubrir varios casos de validación y se distribuyeron a cada dispositivo de borde para reflejar de cerca escenarios del mundo real. El estudio presenta resultados significativos de los experimentos y analiza el rendimiento de los modelos bajo diferentes condiciones realistas de FL, al tiempo que destaca las limitaciones y problemas potenciales que ocurrieron durante el proceso de FL.