Una de las promesas de la IA en el ámbito militar que parece garantizar su adopción es su amplia aplicabilidad. En un contexto militar, el potencial de la IA está presente en todos los dominios operativos (es decir, tierra, mar, aire, espacio y ciberespacio) y en todos los niveles de la guerra (es decir, político, estratégico, operativo y táctico). Sin embargo, a pesar del potencial, la convergencia entre las necesidades y los avances tecnológicos de la IA aún no es óptima, especialmente en el aprendizaje automático supervisado para aplicaciones militares. Entrenar modelos de aprendizaje automático supervisado requiere una gran cantidad de datos actualizados, a menudo no disponibles o difíciles de producir por una sola organización. Una excelente manera de abordar este desafío es el aprendizaje federado mediante el diseño colaborativo de un canal de datos. Este mecanismo se basa en la implementación de un modelo universal único para todos los usuarios, entrenado utilizando datos descentralizados. Además, este modelo federado garantiza la privacidad y protección de la información sensible gestionada por cada entidad. Sin embargo, este proceso plantea objeciones severas a la efectividad y generalización del modelo federado universal. Por lo general, cada algoritmo de aprendizaje automático muestra sensibilidad en el manejo de los datos disponibles y en revelar las complejas relaciones que los caracterizan, por lo que la predicción tiene algunos sesgos graves. Este documento propone un enfoque holístico de aprendizaje federado para abordar el problema anterior. Es un marco de Aprendizaje Federado de Auto-Meta-Ensamble (FAMEL). FAMEL, para cada usuario de la federación, crea automáticamente el algoritmo más apropiado con los hiperparámetros óptimos que se aplican a los datos disponibles en su posesión. El modelo óptimo de cada usuario federal se utiliza para crear un modelo de aprendizaje por ensamble. Por lo tanto, cada usuario tiene un modelo actualizado y altamente preciso sin exponer datos personales en la federación. Como resulta experimentalmente, este modelo de ensamble ofrece una mejor previsibilidad y estabilidad. Su comportamiento general suaviza el ruido al tiempo que reduce el riesgo de una elección incorrecta resultante de un submuestreo.