Was ist Transfer Learning?

Beim Transfer Learning wird ein bereits trainiertes Modell auf eine neue Aufgabe angewendet. Das Modell als Konzept des maschinellen Lernens überträgt somit bereits erworbene Kenntnisse und Fähigkeiten auf die neue Aufgabe.

Wozu benötigt man Transfer Learning?

Das Training von Modell kann teilweise sehr zeit- und ressourcenintensiv sein. Durch Transfer Learning kann die Trainingszeit deutlich verkürzt werden. Darüber hinaus eignet sich Transfer Learning auch, wenn nur begrenzte Datenmenge für die Lösung einer Aufgabe vorliegen. Die zentralen Vorteile von Transfer Learning sind:

• Verbesserter Start: Das Training der Modelle startet nicht bei Null. Es wird viel Zeit gespart.
• Beschleunigte Verbesserung: Das Modell steigt in seiner Qualität, weil in Summe mehr Daten zum Training genutzt werden können.

Beispiel für Transfer Learning

Ein bekanntes Beispiel, in dem Transfer Learning zur Anwendung kommt, ist im Bereich der Objekterkennung auf Bildern. Das Modell wird teilweise wochenlang für die Objekt-Erkennung und Objekt-Klassifikation trainiert.

Diese vortrainierten Modelle können genutzt werden, um weitere Objekte in Bildern zu erkennen. Sie verkürzen die Entwicklung der Objekt-Klassifikation erheblich.

Auch im Bereich der natürlichen Sprachverarbeitung ergeben sich Chancen durch Transfer Learning. Bereits trainierte Modelle, die Zusammenhänge von Texten und Sprachen kennen, können genutzt werden, um die Entwicklungszeit zur Lösung neuer Aufgaben zu verkürzen.