L’apprentissage fédéré (federated learning) est une approche innovante de l’intelligence artificielle décentralisée, qui permet d’entraîner un modèle de machine learning à partir de données réparties sur plusieurs appareils (comme des smartphones ou des objets connectés), sans jamais transférer ces données vers un serveur central. Au lieu de collecter les données dans un cloud, chaque appareil entraîne localement une version du modèle sur ses propres données. Ensuite, seuls les poids mis à jour (et non les données brutes) sont envoyés au serveur, qui les agrège pour améliorer le modèle global. Ce processus peut être répété sur plusieurs cycles.