連合学習ソリューション市場の2030年までの予測： 展開モデル、組織規模、用途、エンドユーザー、地域別の世界分析

Stratistics MRCによると、世界の連合学習ソリューション市場は2024年に1億3,749万米ドルを占め、2030年には2億9,237万米ドルに達すると予測され、予測期間中のCAGRは13.4%で成長する見込みです。

データのプライバシーとセキュリティを保証しながら、分散化されたデバイスやサーバー間で協調的にモデルをトレーニングする手段を提供する連合学習ソリューションは、機械学習分野のパラダイムシフトを象徴しています。連合学習は、様々なソースからの生データを単一のサーバーに統合する代わりに、ローカル・トレーニングが行われるデータ・ロケーションにモデルを送信します。基礎となるデータは決して共有されないです。その代わりに、ローカルで訓練されたモデルが組み合わされて世界のモデルが生成されます。さらに、この戦略は、セキュリティ上の懸念やプライバシー法により機密データの共有が困難なヘルスケア、IT・通信などの業界で特に有用です。

世界保健機関（WHO）によると、健康の社会的決定要因に対処することは、集団全体の健康の公平性と転帰を改善するために極めて重要です。

iotデバイスの使用の増加

モノのインターネット（IoT）の結果、接続されたデバイスの数は指数関数的に増加し、ネットワークのエッジで大量のデータを生成しています。産業用センサーからスマート家電まで、これらのガジェットは、新たな視点を得て生産性を高めるために活用できる有用なデータを生成します。ネットワーク容量に負担をかけることなく、連合学習はこのデータを機械学習に利用するスケーラブルな方法を提供します。さらに、連合学習は、IoTデバイス上でローカルにデータを処理することにより、中央ストレージや大規模なデータ伝送の必要性を減らすことで、エッジでのリアルタイムの分析と意思決定を可能にします。

計算と通信の法外なコスト

連合学習は通信コストが高く、多くの処理能力を必要とします。ローカル学習は参加するすべてのデバイスに必要で、特に複雑なモデルの場合、リソースを大量に消費する可能性があります。これらの仕様は、時代遅れのスマートフォンやIoTセンサーのような処理能力の低いデバイスには難しく、パフォーマンスが安定せず、遅延が発生する可能性があります。さらに、数千台、数百万台のデバイスを使用する大規模な展開では、モデルの更新を集約するためにデバイスと中央サーバー間で頻繁に通信を行うと、大量の帯域幅を消費する可能性があります。

プライバシーを重視する分野での成長

連合学習は、ヘルスケア、金融、法律など、データのセキュリティとプライバシーが重要な関心事である分野に大きな可能性を提示します。患者のプライバシーを保護しながら複数のクリニックや病院のデータを活用することで、ヘルスケアにおける連合学習は、病気の発見や患者のケアのための予測モデルの作成を促進することができます。さらに金融分野では、複数の金融機関の個人金融データを活用することで、信用スコアリングや不正検知を改善することができます。法律事務所では、クライアントの守秘義務を守りつつ、連合学習を使ってデリケートな法律文書や事件履歴を調べることができます。

プライバシーとセキュリティへのリスク

連合学習はデータ・プライバシーの改善を意図しているが、セキュリティ・リスクは依然として存在します。メンバシップ推論やモデルの逆変換を含む様々な攻撃が、共有されたモデルの更新からプライベートなデータを取得するために敵によって仕掛けられる可能性があります。また、悪意のある参加者は、汚染されたデータや欠陥のあるモデル更新をトレーニングプロセスに持ち込む可能性があり、その結果、結果が危険にさらされたり、モデル性能が悪化したりする可能性があります。さらに、安全な集約、異常検知、差分プライバシーのような強力な防御を作成し展開することは重要ですが困難です。

COVID-19の影響：

COVID-19の大流行により、連携学習ソリューションの導入が加速しています。さまざまな分野の機関が、データのプライバシーとセキュリティに関する厳格な基準を守りながら、重要な洞察のためにデータを活用することを目指しているからです。分散型データ処理技術の必要性は、リモートワークの動向とデジタルインフラへの依存の高まりによって浮き彫りになった。さらに、個人情報保護法に抵触することなく、患者の転帰やウイルス蔓延の予測モデルを作成することが急務となっているため、ヘルスケア業界では連携学習が大きな関心を集めています。

予測期間中、クラウドベースのセグメントが最大になる見込み

連合学習ソリューション市場では、クラウドベースのセグメントが最大のシェアを占めています。クラウドベースの連携学習ソリューションには、費用対効果、拡張性、柔軟性の面でいくつかの利点があります。クラウド・インフラストラクチャの広範な処理能力とストレージ容量を利用することで、これらのソリューションは、企業が大量の連合学習課題を効果的に処理・処理するのに役立ちます。さらに、クラウドは、特に複数の拠点を持つ企業にとって、分散したネットワーク間でのスムーズなコラボレーションとデータ共有を可能にする能力を備えているため、連合学習に最適な環境です。

予測期間中、CAGRが最も高くなると予想される中小企業（SMEs）セグメント

連合学習ソリューション市場の中小企業（SMEs）セグメントは、最も高いCAGRで成長すると予測されます。セキュリティとプライバシーを犠牲にすることなく、データ主導の洞察に対する需要が高まっているため、中小企業は連携学習ソリューションを採用する割合が増加しています。中小企業には、大企業とは対照的に、従来の集中型データ処理に必要な充実したインフラやリソースがないことが多いです。連携学習は、中小企業に、分散化されたデータで機械学習の可能性を活用できる、手頃な価格で拡張可能な代替手段を提供します。

最大のシェアを持つ地域

北米が連合学習ソリューション市場で最大のシェアを占めています。重要な市場プレイヤーの強い存在感、技術新興国市場、幅広い産業における最先端技術の急速な採用が、この優位性の理由です。連合学習ソリューションは、北米の強固なITインフラ、良好な規制環境、研究開発への大規模投資によって成長しています。さらに、ヘルスケア、金融、小売、通信などの業界における連合学習の採用は、この地域がデータのプライバシーとセキュリティを重視していることに加え、パーソナライズされたサービスと予測分析の需要が高まっていることが要因となっています。

CAGRが最も高い地域：

連合学習ソリューションの市場は、アジア太平洋地域で最も高いCAGRで成長すると予測されます。急速なデジタルトランスフォーメーション、クラウドベースの技術採用の拡大、さまざまな業界におけるAIと機械学習への投資の増加が、この成長を促進する要因の一部です。中国、インド、日本、韓国などの国々では、データ分析、IoT、エッジコンピューティングが大きく進歩しており、連携学習のようなプライバシーを保護する機械学習ソリューションの需要が高まっています。さらに、データプライバシーとセキュリティに関する意識の高まり、イノベーションとデジタル化を奨励する政府の取り組みなどが、アジア太平洋地域における市場機会の拡大に寄与しています。

無料のカスタマイズサービス

本レポートをご購読のお客様には、以下の無料カスタマイズオプションのいずれかをご利用いただけます：

• 企業プロファイル
  • 追加市場プレイヤーの包括的プロファイリング（3社まで）
  • 主要企業のSWOT分析（3社まで）
• 地域セグメンテーション
  • 顧客の関心に応じた主要国の市場推計・予測・CAGR（注：フィージビリティチェックによる）
• 競合ベンチマーキング
  • 製品ポートフォリオ、地理的プレゼンス、戦略的提携に基づく主要企業のベンチマーキング

目次

第1章 エグゼクティブサマリー

第2章 序文

• 概要
• ステークホルダー
• 調査範囲
• 調査手法
  • データマイニング
  • データ分析
  • データ検証
  • 調査アプローチ
• 調査情報源
  • 1次調査情報源
  • 2次調査情報源
  • 前提条件

第3章 市場動向分析

• 促進要因
• 抑制要因
• 機会
• 脅威
• 用途分析
• エンドユーザー分析
• 新興市場
• COVID-19の影響

第4章 ポーターのファイブフォース分析

• 供給企業の交渉力
• 買い手の交渉力
• 代替品の脅威
• 新規参入業者の脅威
• 競争企業間の敵対関係

第5章 世界連合学習ソリューション市場：展開モデル別

• クラウドベース
• オンプレミス
• ハイブリッド
• その他の展開モデル

第6章 世界連合学習ソリューション市場：組織規模別

• 中小企業
• 大企業

第7章 世界連合学習ソリューション市場：用途別

• 創薬
• データプライバシーとセキュリティ管理
• 危機管理
• ショッピング体験のパーソナライゼーション
• 産業用 IoT
• オンライン視覚物体検出
• その他の用途

第8章 世界連合学習ソリューション市場：エンドユーザー別

• BFSI
• ヘルスケアとライフサイエンス
• 小売業とeコマース
• 製造業
• エネルギーと公共事業
• 政府
• メディアとエンターテイメント
• 電気通信および情報技術（IT）
• その他のエンドユーザー

第9章 世界の連合学習ソリューション市場：地域別

• 北米
  • 米国
  • カナダ
  • メキシコ
• 欧州
  • ドイツ
  • 英国
  • イタリア
  • フランス
  • スペイン
  • その他欧州
• アジア太平洋地域
  • 日本
  • 中国
  • インド
  • オーストラリア
  • ニュージーランド
  • 韓国
  • その他アジア太平洋地域
• 南米
  • アルゼンチン
  • ブラジル
  • チリ
  • その他南米
• 中東・アフリカ
  • サウジアラビア
  • アラブ首長国連邦
  • カタール
  • 南アフリカ
  • その他中東とアフリカ

第10章 主な発展

• 契約、パートナーシップ、コラボレーション、合弁事業
• 買収と合併
• 新製品発売
• 事業拡大
• その他の主要戦略

第11章 企業プロファイリング

• Microsoft Corporation
• DataFleets Ltd
• IBM Corporation
• Alphabet Inc
• Nvidia Corporation
• Enveil Inc
• Owkin Inc.
• Edge Delta Inc
• Intellegens Ltd
• Secure AI Labs
• Cloudera Inc
• Sherpa.ai

List of Tables

• Table 1 Global Federated Learning Solutions Market Outlook, By Region (2022-2030) ($MN)
• Table 2 Global Federated Learning Solutions Market Outlook, By Deployment Model (2022-2030) ($MN)
• Table 3 Global Federated Learning Solutions Market Outlook, By Cloud-based (2022-2030) ($MN)
• Table 4 Global Federated Learning Solutions Market Outlook, By On-premises (2022-2030) ($MN)
• Table 5 Global Federated Learning Solutions Market Outlook, By Hybrid (2022-2030) ($MN)
• Table 6 Global Federated Learning Solutions Market Outlook, By Other Deployment Models (2022-2030) ($MN)
• Table 7 Global Federated Learning Solutions Market Outlook, By Organization Size (2022-2030) ($MN)
• Table 8 Global Federated Learning Solutions Market Outlook, By Small and Medium-sized Enterprises (SMEs) (2022-2030) ($MN)
• Table 9 Global Federated Learning Solutions Market Outlook, By Large Enterprises (2022-2030) ($MN)
• Table 10 Global Federated Learning Solutions Market Outlook, By Application (2022-2030) ($MN)
• Table 11 Global Federated Learning Solutions Market Outlook, By Drug Discovery (2022-2030) ($MN)
• Table 12 Global Federated Learning Solutions Market Outlook, By Data Privacy & Security Management (2022-2030) ($MN)
• Table 13 Global Federated Learning Solutions Market Outlook, By Risk Management (2022-2030) ($MN)
• Table 14 Global Federated Learning Solutions Market Outlook, By Shopping Experience Personalization (2022-2030) ($MN)
• Table 15 Global Federated Learning Solutions Market Outlook, By Industrial Internet of Things (2022-2030) ($MN)
• Table 16 Global Federated Learning Solutions Market Outlook, By Online Visual Object Detection (2022-2030) ($MN)
• Table 17 Global Federated Learning Solutions Market Outlook, By Other Applications (2022-2030) ($MN)
• Table 18 Global Federated Learning Solutions Market Outlook, By End User (2022-2030) ($MN)
• Table 19 Global Federated Learning Solutions Market Outlook, By BFSI (2022-2030) ($MN)
• Table 20 Global Federated Learning Solutions Market Outlook, By Healthcare and Life Sciences (2022-2030) ($MN)
• Table 21 Global Federated Learning Solutions Market Outlook, By Retail and E-commerce (2022-2030) ($MN)
• Table 22 Global Federated Learning Solutions Market Outlook, By Manufacturing (2022-2030) ($MN)
• Table 23 Global Federated Learning Solutions Market Outlook, By Energy and Utilities (2022-2030) ($MN)
• Table 24 Global Federated Learning Solutions Market Outlook, By Government (2022-2030) ($MN)
• Table 25 Global Federated Learning Solutions Market Outlook, By Media and Entertainment (2022-2030) ($MN)
• Table 26 Global Federated Learning Solutions Market Outlook, By Telecommunications and Information Technology (IT) (2022-2030) ($MN)
• Table 27 Global Federated Learning Solutions Market Outlook, By Other End Users (2022-2030) ($MN)

Note: Tables for North America, Europe, APAC, South America, and Middle East & Africa Regions are also represented in the same manner as above.

According to Stratistics MRC, the Global Federated Learning Solutions Market is accounted for $137.49 million in 2024 and is expected to reach $292.37 million by 2030 growing at a CAGR of 13.4% during the forecast period. Federated learning solutions, which provide a means of training models cooperatively across decentralized devices or servers while guaranteeing data privacy and security, represent a paradigm shift in the field of machine learning. Federated learning sends models to the data locations, where local training takes place, as an alternative to combining raw data from various sources into a single server. The underlying data is never shared; instead, the locally trained models are combined to produce a global model. Moreover, this strategy is especially helpful in industries like healthcare, finance, and telecommunications, where security concerns and privacy laws make it difficult to share sensitive data.

According to the World Health Organization (WHO), addressing social determinants of health is crucial for improving health equity and outcomes across populations.

Market Dynamics:

Driver:

Increasing use of iot devices

The number of connected devices has increased exponentially as a result of the Internet of Things (IoT), producing massive amounts of data at the network's edge. These gadgets, which range from industrial sensors to smart home appliances, generate useful data that can be utilized to gain new perspectives and boost productivity. Without taxing network capacity, federated learning provides a scalable way to use this data for machine learning. Additionally, federated learning enables real-time analytics and decision-making at the edge by reducing the need for central storage and large-scale data transmission by processing data locally on IoT devices.

Restraint:

Exorbitant costs of computation and communication

Federated learning is expensive to communicate with and requires a lot of processing power. Local training is required for every participating device, and it can be resource-intensive, particularly for complex models. These specifications may be difficult for devices with low processing power, like outdated smartphones or IoT sensors, which could result in inconsistent performance and possible delays. Furthermore, in large-scale deployments with thousands or millions of devices, frequent communication between the devices and the central server to aggregate model updates can consume a large amount of bandwidth.

Opportunity:

Growth in privacy-concerned sectors

Federated learning presents a great deal of potential for sectors like healthcare, finance, and law, where data security and privacy are critical concerns. By utilizing data from several clinics and hospitals while protecting patient privacy, federated learning in healthcare can facilitate the creation of predictive models for illness detection and patient care. Moreover, in the financial sector, it can improve credit scoring and fraud detection by leveraging private financial data from multiple institutions. While preserving client confidentiality, legal firms can use federated learning to examine delicate legal documents and case histories.

Threat:

Risks to privacy and security

Federated learning is intended to improve data privacy, but security risks still exist. A variety of attacks, including membership inference and model inversion, can be launched by adversaries to obtain private data from the shared model updates. Malicious participants may also introduce tainted data or faulty model updates into the training process, which could result in compromised results or worse model performance. Additionally, it's important but difficult to create and deploy strong defenses like secure aggregation, anomaly detection, and differential privacy.

Covid-19 Impact:

The COVID-19 pandemic has expedited the implementation of federated learning solutions, as institutions from diverse sectors aim to utilize data for crucial insights while upholding strict standards for data privacy and security. The necessity for decentralized data processing technologies was brought to light by the trend toward remote work and the growing reliance on digital infrastructure. Furthermore, federated learning has attracted a lot of interest in the healthcare industry because of the pressing need to create predictive models for patient outcomes and virus spread without breaking privacy laws.

The Cloud-based segment is expected to be the largest during the forecast period

In the market for federated learning solutions, the cloud-based segment commands the largest share. Solutions for cloud-based federated learning have several benefits in terms of cost-effectiveness, scalability, and flexibility. By utilizing the extensive processing power and storage capacity of cloud infrastructure, these solutions help enterprises effectively handle and process massive federated learning assignments. Moreover, the cloud is a perfect environment for federated learning because of its built-in capacity to enable smooth collaboration and data sharing across dispersed networks, especially for businesses with multiple locations.

The Small and Medium-sized Enterprises (SMEs) segment is expected to have the highest CAGR during the forecast period

The Small and Medium-sized Enterprises (SMEs) segment of the Federated Learning Solutions Market is anticipated to grow at the highest CAGR. Due to the increasing demand for data-driven insights without sacrificing security and privacy, SMEs are adopting federated learning solutions at a rate that is increasing. SMEs frequently lack the substantial infrastructure and resources needed for conventional centralized data processing, in contrast to large corporations. Federated learning offers SMEs an affordable and expandable substitute that lets them leverage the potential of machine learning on decentralized data.

Region with largest share:

North America holds the largest market share in the Federated Learning Solutions market. The strong presence of important market players, technological developments, and the rapid adoption of cutting-edge technologies across a wide range of industries are all credited with this dominance. Federated learning solutions are growing due to North America's robust IT infrastructure, favorable regulatory environment, and large investments in research and development. Moreover, the adoption of federated learning in industries like healthcare, finance, retail, and telecommunications is fueled by the region's emphasis on data privacy and security, as well as the rising demand for personalized services and predictive analytics.

Region with highest CAGR:

The market for Federated Learning Solutions is anticipated to grow at the highest CAGR in Asia-Pacific. Rapid digital transformation, growing cloud-based technology adoption, and rising investments in AI and machine learning across a range of industry verticals are some of the factors driving this growth. Significant progress in data analytics, IoT, and edge computing is being made in countries like China, India, Japan, and South Korea, which is increasing demand for privacy-preserving machine learning solutions like federated learning. Additionally, the growing awareness of data privacy and security concerns, along with government initiatives to encourage innovation and digitalization, all contribute to the expanding market opportunities in the Asia-Pacific region.

Key players in the market

Some of the key players in Federated Learning Solutions market include Microsoft Corporation, DataFleets Ltd, IBM Corporation, Alphabet Inc, Nvidia Corporation, Enveil Inc, Owkin Inc., Edge Delta Inc, Intellegens Ltd, Secure AI Labs, Cloudera Inc and Sherpa.ai.

Key Developments:

In June 2024, Multinational technology company IBM and Rapidus Corporation, a manufacturer of advanced logic semiconductors, announced a joint development partnership aimed at establishing mass production technologies for chiplet packages. Through this agreement, Rapidus will receive packaging technology from IBM for high-performance semiconductors, and the two companies will collaborate with the aim to further innovate in this space.

In May 2024, Microsoft Corp and Brookfield Asset Management's renewable energy arm has signed a record-breaking clean energy agreement, according to a statement released Wednesday. The partnership comes as Microsoft ramps up its investment in artificial intelligence, Bloomberg reported. Tech companies are increasingly seeking clean energy solutions to meet their own sustainability goals while grappling with rising overall energy demands.

In February 2024, Google announced a series of Power Purchase Agreements (PPAs) across Europe for more than 700 MW of clean energy, enabling the company to reach more than 90% carbon-free energy in areas including the Netherlands, Italy and Poland, and close to 85% in Belgium in the next two years.

Deployment Models Covered:

• Cloud-based
• On-premises
• Hybrid
• Other Deployment Models

Organization Sizes Covered:

• Small and Medium-sized Enterprises (SMEs)
• Large Enterprises

Applications Covered:

• Drug Discovery
• Data Privacy & Security Management
• Risk Management
• Shopping Experience Personalization
• Industrial Internet of Things
• Online Visual Object Detection
• Other Applications

End Users Covered:

• BFSI
• Healthcare and Life Sciences
• Retail and E-commerce
• Manufacturing
• Energy and Utilities
• Government
• Media and Entertainment
• Telecommunications and Information Technology (IT)
• Other End Users

Regions Covered:

• North America
  • US
  • Canada
  • Mexico
• Europe
  • Germany
  • UK
  • Italy
  • France
  • Spain
  • Rest of Europe
• Asia Pacific
  • Japan
  • China
  • India
  • Australia
  • New Zealand
  • South Korea
  • Rest of Asia Pacific
• South America
  • Argentina
  • Brazil
  • Chile
  • Rest of South America
• Middle East & Africa
  • Saudi Arabia
  • UAE
  • Qatar
  • South Africa
  • Rest of Middle East & Africa

What our report offers:

• Market share assessments for the regional and country-level segments
• Strategic recommendations for the new entrants
• Covers Market data for the years 2022, 2023, 2024, 2026, and 2030
• Market Trends (Drivers, Constraints, Opportunities, Threats, Challenges, Investment Opportunities, and recommendations)
• Strategic recommendations in key business segments based on the market estimations
• Competitive landscaping mapping the key common trends
• Company profiling with detailed strategies, financials, and recent developments
• Supply chain trends mapping the latest technological advancements

Free Customization Offerings:

All the customers of this report will be entitled to receive one of the following free customization options:

• Company Profiling
  • Comprehensive profiling of additional market players (up to 3)
  • SWOT Analysis of key players (up to 3)
• Regional Segmentation
  • Market estimations, Forecasts and CAGR of any prominent country as per the client's interest (Note: Depends on feasibility check)
• Competitive Benchmarking
  • Benchmarking of key players based on product portfolio, geographical presence, and strategic alliances

Table of Contents

1 Executive Summary

2 Preface

• 2.1 Abstract
• 2.2 Stake Holders
• 2.3 Research Scope
• 2.4 Research Methodology
  • 2.4.1 Data Mining
  • 2.4.2 Data Analysis
  • 2.4.3 Data Validation
  • 2.4.4 Research Approach
• 2.5 Research Sources
  • 2.5.1 Primary Research Sources
  • 2.5.2 Secondary Research Sources
  • 2.5.3 Assumptions

3 Market Trend Analysis

• 3.1 Introduction
• 3.2 Drivers
• 3.3 Restraints
• 3.4 Opportunities
• 3.5 Threats
• 3.6 Application Analysis
• 3.7 End User Analysis
• 3.8 Emerging Markets
• 3.9 Impact of Covid-19

4 Porters Five Force Analysis

• 4.1 Bargaining power of suppliers
• 4.2 Bargaining power of buyers
• 4.3 Threat of substitutes
• 4.4 Threat of new entrants
• 4.5 Competitive rivalry

5 Global Federated Learning Solutions Market, By Deployment Model

• 5.1 Introduction
• 5.2 Cloud-based
• 5.3 On-premises
• 5.4 Hybrid
• 5.5 Other Deployment Models

6 Global Federated Learning Solutions Market, By Organization Size

• 6.1 Introduction
• 6.2 Small and Medium-sized Enterprises (SMEs)
• 6.3 Large Enterprises

7 Global Federated Learning Solutions Market, By Application

• 7.1 Introduction
• 7.2 Drug Discovery
• 7.3 Data Privacy & Security Management
• 7.4 Risk Management
• 7.5 Shopping Experience Personalization
• 7.6 Industrial Internet of Things
• 7.7 Online Visual Object Detection
• 7.8 Other Applications

8 Global Federated Learning Solutions Market, By End User

• 8.1 Introduction
• 8.2 BFSI
• 8.3 Healthcare and Life Sciences
• 8.4 Retail and E-commerce
• 8.5 Manufacturing
• 8.6 Energy and Utilities
• 8.7 Government
• 8.8 Media and Entertainment
• 8.9 Telecommunications and Information Technology (IT)
• 8.10 Other End Users

9 Global Federated Learning Solutions Market, By Geography

• 9.1 Introduction
• 9.2 North America
  • 9.2.1 US
  • 9.2.2 Canada
  • 9.2.3 Mexico
• 9.3 Europe
  • 9.3.1 Germany
  • 9.3.2 UK
  • 9.3.3 Italy
  • 9.3.4 France
  • 9.3.5 Spain
  • 9.3.6 Rest of Europe
• 9.4 Asia Pacific
  • 9.4.1 Japan
  • 9.4.2 China
  • 9.4.3 India
  • 9.4.4 Australia
  • 9.4.5 New Zealand
  • 9.4.6 South Korea
  • 9.4.7 Rest of Asia Pacific
• 9.5 South America
  • 9.5.1 Argentina
  • 9.5.2 Brazil
  • 9.5.3 Chile
  • 9.5.4 Rest of South America
• 9.6 Middle East & Africa
  • 9.6.1 Saudi Arabia
  • 9.6.2 UAE
  • 9.6.3 Qatar
  • 9.6.4 South Africa
  • 9.6.5 Rest of Middle East & Africa

10 Key Developments

• 10.1 Agreements, Partnerships, Collaborations and Joint Ventures
• 10.2 Acquisitions & Mergers
• 10.3 New Product Launch
• 10.4 Expansions
• 10.5 Other Key Strategies

11 Company Profiling

• 11.1 Microsoft Corporation
• 11.2 DataFleets Ltd
• 11.3 IBM Corporation
• 11.4 Alphabet Inc
• 11.5 Nvidia Corporation
• 11.6 Enveil Inc
• 11.7 Owkin Inc.
• 11.8 Edge Delta Inc
• 11.9 Intellegens Ltd
• 11.10 Secure AI Labs
• 11.11 Cloudera Inc
• 11.12 Sherpa.ai