L'apprentissage fédéré est une technique où plusieurs organisations entraînent conjointement un modèle d'IA sans partager leurs données brutes. Chaque participant entraîne une copie locale du modèle sur ses propres données, puis ne partage que les mises à jour du modèle — pas les données — avec un serveur central qui les agrège. C'est comme plusieurs hôpitaux étudiant leurs propres dossiers patients puis mettant en commun ce qu'ils ont appris, sans qu'aucun dossier ne quitte l'hôpital. La confidentialité et la conformité réglementaire en sont les principaux moteurs.