Aktarım öğrenme, bir görevde eğitilmiş modelin öğrendiklerini başka bir göreve taşımaktır. Sıfırdan başlamak yerine, hazır bir modelin katmanları alınıyor ve yeni görev için kısa bir eğitimden geçiriliyor. Modelin alt katmanları genel örüntüleri, üst katmanları göreve özgü ayrımları taşıdığı için genelde yalnızca üst katmanlar değiştiriliyor.
Bugünkü yapay zeka çalışmasının büyük bölümü bu mantık üzerine kurulu. Bir dil modeli devasa metin yığını üzerinde ön eğitimden geçiyor, sonra o model belirli bir göreve uyarlanıyor. Görüntü tarafında da ImageNet üzerinde eğitilmiş ağlar tıbbi görüntüden üretim hattı kontrolüne kadar farklı işlere aktarılıyor.
Asıl kazanç kaynak tarafında. Sıfırdan eğitim için milyonlarca örnek ve ciddi bir hesaplama bütçesi gerekiyor, aktarımla birkaç bin örnek ve tek bir GPU yetebiliyor. Küçük veriyle çalışan ekipler için bu, projenin mümkün olup olmaması arasındaki fark.
Somut bir örnek: bir üretim tesisinde ürün yüzeyindeki çizikleri tespit eden bir model gerekiyor ve elde yalnızca 1.200 etiketli fotoğraf var. Genel bir görüntü modelinin son katmanları bu veriyle yeniden eğitildiğinde kullanılabilir bir doğruluk çıkıyor. Aynı veriyle sıfırdan eğitim işe yaramıyor.
Aktarımın sınırı alanlar arası mesafe. Kaynak ve hedef görev birbirinden çok uzaksa, taşınan bilgi yardımcı olmak yerine engel olabiliyor.