教育新闻网在2019年底暂停评估企业AI的地位后，去年推出了一种新的业务模型，该模型鼓励通过共享数据进行分布式模型培训。
根据项目的不同，被称为“联合学习”的新兴AI模型提出的关键问题是企业竞争对手是否愿意共享数据?另一方面，分布式机器学习框架可以为初创企业创造机会，最终改善AI应用程序。
AI顾问亚历山大Gonfalonieri使得情况下即联合学习的是，是用来建立一个“模范集体”不同数据之间共享的分布式机器学习框架车主，代表一个可行的AI的商业模式。
一些技术供应商已经接受了医疗应用程序的联合方法，这些方法带来了棘手的数据隐私问题。例如，Nvidia本周(纳斯达克股票代码：NVDA)推出了一种联邦学习工具，作为其Clara AI平台的一部分，该平台旨在在保护患者隐私的同时促进协作。
针对医学成像社区，英伟达表示，其联合方法将使分布式客户端能够通过边缘服务器在本地培训深度学习模型，然后合作开发可被临床医生使用的准确“全局模型”。
实际上，Gonfalonieri认为，即使在医学等严格管制的市场中，分布式机器学习方法也可以产生改进的模型和引人注目的AI应用程序。他说：“在医学领域，[联合学习]可能是更好的治疗和更快的药物发现的代名词。”
鉴于最近的挫折，例如IBM(NYSE：IBM)最近撤回了其Watson AI药物发现工具，批评家们断言撤退凸显了AI的缺点。不过，一些观察者指出，机器学习框架在诊断成像等领域显示出了希望，其中“确认偏见”和其他偏见仍然是一个问题。
“集中化(机器学习)远非完美，” Gonfalonieri总结道。“实际上，训练模型需要公司将大量相关数据收集到中央服务器或数据中心。在某些项目中，这意味着收集用户的敏感数据。”
数据共享(无论是竞争性数据还是规范性数据)，似乎是推动分布式机器学习作为未来AI业务模型发展的最大绊脚石。在某些方面，联合方法类似于已建立的开源软件和硬件开发，超大规模开发人员已广泛采用该软件和硬件开发。
其他人提出了联合学习方法，包括其中模型开发分布在数百万个边缘设备之间的框架。支持者认为，他们可以通过限制对原始用户数据的访问或标记来确保数据隐私。
