Waarom is dit belangrijk?
Teams kunnen via transfer learning een model sneller trainen voor een volgende taak, waardoor het leerproces minder tijd kost. Onderzoekers in de zorg zetten deze aanpak in bij medische beeldvorming en bij het herkennen van verschillende vormen van kanker. Op het werk betekent dit sneller een bruikbaar model voor beeldonderzoek, maar een verkeerde overdracht kan de uitkomst van die analyse verslechteren.
Zo werkt het in de praktijk
Google bracht in 2018 het taalmodel BERT uit voor taaltechnologie. Teams stellen het model bij voor tekstclassificatie en vraag-antwoordsystemen. In de energiesector voorspelt een bijgesteld netwerk de rookgasdruk in een centrale van 660 megawatt.
Onderzoekers van University College London bekijken hoe transfer learning een mislukt model herstelt als de data verschuiven. Zij vergelijken een combinatie van modellen, alle lagen of alleen de laatste laag. Welke aanpak past, hangt af van de nieuwe meetreeks.
Die stap zit in MLOps, een werkwijze om modellen betrouwbaar in gebruik te nemen en te onderhouden. Transfer learning werkt het model in productie bij wanneer de invoerdata veranderen. De studie gebruikt dat voor het volgen van een industrieel proces.




