Az adatok elosztott jellegének dominánssá válása új lendületet adott az elosztott mesterséges intelligencia és gépi tanulási kutatásoknak. Az új kutatási irányok átfogtak több, évtizedek óta fejlődő részterületet is, mint például a kooperatív rendszerek elméletét, a multi-ágens rendszerek elméletét, a párhuzamos számítások területét, a statisztikai meta- és mega-elemzések megközelítéseit, illetve a statisztikai adat- és tudásfúziós módszerek vizsgálatát. Bár az új megközelítések, mint például a federált (gépi) tanulás, egy standardizált, könnyen felskálázható környezetet tételeztek fel, például homogén adatforrásokkal és résztvevőkkel, hamar megjelentek ennek a standardizált federált/kollaboratív tanulásnak a komplex általánosításai. A komplex elosztott gépi tanulási módszerek pedig sok tekintetben visszatértek a korábban vizsgált heterogén adat- és tudásforrások heterogén számítási egységek rendszere által végzett együttes elemzésének a kérdéséhez, amelyet nagy mennyiségű részleges statisztikák elérhetősége vagy a terület többfeladatos (multi-task) jellege is gazdagít.

A tantárgy célja elosztott adatforrások, részleges statisztikák és tudásforrások intelligens elemzési kereteinek és módszereinek bemutatása, elsősorban a mesterséges intelligencia és a gépi tanulás iránt érdeklődő hallgatók számára. A tárgy szisztematikusan bemutatja a több adatforrás használatának statisztikai problémáit és megközelítéseit, az elosztott kooperatív, intelligens rendszerek alapelveit, a horizontálisan és vertikálisan felosztott adat esetén használható gépi tanulási módszereket, a népszerű federatív és kollaboratív tanulási sémákat és azok komplex kiterjesztéseit különös tekintettel inhomogén és multimodális adatforrások használatára többfeladatos problémákban.

A tárgy épít a Mesterséges intelligencia tantárgyban tanult módszerekre és ezeket felhasználva végigköveti az intelligens szolgáltatások kialakításának folyamatát a tudásalapú modellezés technológiáitól indulva, az adatok gyűjtését és kiértékelését egységesen kezelő automatizált gépi tanulás (AutoML) és aktív tanulás bemutatásával is. A tárgy továbbá kitekintést ad az elosztott, versengő vagy együttműködő többágenses megoldásokra, robotikus környezetekre, elosztott vegyes ember-gép rendszerek lehetőségeire, beleértve a gépi tanítás friss paradigmáját is.