Federated Learning – uczenie modelu na rozproszonych danych bez ich kopiowania.

Metoda polegająca na trenowaniu modeli sztucznej inteligencji na zbiorach danych znajdujących się na wielu rozproszonych urządzeniach lub serwerach, bez konieczności ich centralnego gromadzenia. Pozwala to na zachowanie prywatności i bezpieczeństwa danych, ponieważ informacje nie są przesyłane ani kopiowane do jednego miejsca, a jedynie agregowane w postaci aktualizacji modelu. Takie podejście umożliwia wykorzystanie danych z różnych źródeł, minimalizując ryzyko wycieku lub nieautoryzowanego dostępu.

Proces polega na tym, że lokalne modele są trenowane indywidualnie na danych poszczególnych klientów, a następnie parametry tych modeli są przesyłane do centralnego serwera, gdzie następuje ich uśrednianie lub inna forma fuzji w celu uzyskania globalnego modelu. Taki model jest następnie dystrybuowany z powrotem do uczestniczących urządzeń, umożliwiając ciągłe uczenie się i poprawę bez konieczności dzielenia się surowymi danymi. Metoda ta jest szczególnie istotna w obszarach takich jak medycyna, finanse czy telekomunikacja, gdzie ochrona danych osobowych jest kluczowa.