Le nombre des dispositifs mobiles et les données qu'ils produisent ont considérablement augmenté au cours des 10 dernières années. Alors qu'en 2009, les téléphones mobiles ne généraient que 0,7% du trafic de données dans le monde, ce nombre dépassait 50% en 2018. En outre, la confidentialité des utilisateurs est un problème important car les scandales liés à la confidentialité (par exemple PRISM ou Cambridge Analytica) continuent de se dérouler et de nouvelles réglementations entrent en vigueur (par exemple le RGPD de l'UE). Par conséquent, les grands acteurs industriels cherchent maintenant à exploiter la puissance croissante des périphériques pour réduire la demande sur leurs infrastructures cloud, tout en protégeant la confidentialité de leurs utilisateurs. Dans ce contexte, un nouveau paradigme informatique appelé Federated Learning a émergé, dirigé en principale par les grandes entreprises technologiques (en particulier Google). Le Federated Learning décharge le cloud des coûts de stockage et de calcul des applications ML, en entraînant un modèle d'apprentissage global sur les données décentralisées stockées localement sur les téléphones portables. Même si l'apprentissage "fédéré" ouvre de merveilleuses perspectives dans des domaines sensibles à la vie privée (par exemple dans le domaine de la santé) jusqu'à présent réticents à l'apprentissage automatique, il dévoile un nouvel ensemble de défis liés aux abstractions du système, à l'efficacité énergétique et à la tolérance aux pannes.