Învățarea federată (federated learning) este o tehnică de antrenare a modelelor de inteligență artificială în care datele rămân descentralizate, distribuite pe dispozitivele utilizatorilor sau pe serverele mai multor organizații, iar modelul „călătorește” către date, nu invers — spre deosebire de abordarea tradițională, unde toate datele sunt colectate central pe un server pentru antrenament.
Procesul funcționează astfel: un model inițial este trimis către mai multe dispozitive sau instituții participante (de exemplu, telefoane mobile individuale sau spitale diferite); fiecare participant antrenează local o versiune a modelului folosind propriile date, fără să le partajeze niciodată; doar actualizările modelului (schimbările în parametrii rețelei neuronale, nu datele brute) sunt trimise înapoi către un server central, care le combină pentru a îmbunătăți modelul global; procesul se repetă iterativ, îmbunătățind progresiv modelul fără ca vreo dată sensibilă să părăsească vreodată dispozitivul de origine.
Această abordare are un avantaj major de confidențialitate: permite antrenarea unor modele puternice din date extrem de sensibile — istoricul medical al pacienților din mai multe spitale, tastarea și obiceiurile de utilizare de pe telefoanele personale — fără a centraliza aceste informații, reducând riscurile de securitate și facilitând conformitatea cu reglementări stricte precum GDPR.
Aplicații cunoscute includ îmbunătățirea tastaturilor predictive de pe telefoanele mobile (Google Gboard folosește învățare federată), colaborarea între spitale pentru diagnosticare medicală asistată de AI fără partajarea directă a datelor pacienților, și cercetarea financiară colaborativă între bănci care nu pot partaja legal datele clienților.
