Învățarea federată este o metodă de antrenare a modelelor AI în care datele rămân descentralizate — pe dispozitivele sau serverele utilizatorilor — iar modelul „călătorește” pentru a învăța local, fără ca datele brute să fie transmise către un server central.
Fiecare dispozitiv antrenează local o versiune a modelului folosind propriile date, apoi trimite doar actualizările (nu datele în sine) către un server central, care le combină pentru a îmbunătăți modelul global.
Această tehnică este folosită, de exemplu, de tastaturile predictive de pe telefoane, care învață stilul de scriere al utilizatorului fără ca textele acestuia să părăsească dispozitivul.
Avantajul major este protejarea confidențialității datelor sensibile, fiind extrem de relevantă în sănătate sau finanțe. Provocarea constă în complexitatea tehnică ridicată și în riscurile legate de securitatea comunicării dintre dispozitive.
Învățarea federată câștigă teren pe măsură ce reglementările privind protecția datelor devin mai stricte la nivel global.