Bei der Konzeption und Durchführung von Machine-Learning-Vorhaben stehen viele Unternehmen vor der Herausforderung, nur über eine begrenzte Datenmenge für Modell-Trainings zu verfügen. Eine Lösungsmöglichkeit bestünde in einer Sammlung von Daten, die in verschiedenen Unternehmen erhoben werden – dies wird jedoch aus wettbewerbsstrategischer und datenschutzrechtlicher Sicht in der Regel abgelehnt. Um dieses Dilemma zu lösen, bietet sich das Federated Learning (auch: föderales Lernen) an. Mittels Federated Learning können Modellgüten verbessert werden, während gleichzeitig notwendige Datenschutzbestimmungen eingehalten werden. Beim Federated Learning wird dazu aus den Analysemodellen unterschiedlicher Teilnehmer ein zentrales Modell gebildet. Dieses beeinflusst wiederum iterativ die jeweiligen Analysemodelle.
Forschungsseitig ist die Erprobung des Federated Learning bspw. im Hinblick auf das effektive und schnelle Anlernen von Pick-and-Place Robotern bekannt. Weitere industrielle Anwendungsmöglichkeiten bestehen u.a. mit Blick auf Optimierungsvorhaben im Bereich Predictive Maintenance und Predictive Ordering.