noun
L’apprentissage par transfert est une méthode d’apprentissage automatique où un modèle pré-entraîné, formé sur un grand jeu de données, est adapté pour une tâche différente mais similaire. Plutôt que de former un modèle à partir de zéro, cette technique exploite les connaissances existantes, ce qui le rend plus rapide et plus efficace.
Cette approche est largement utilisée en traitement automatique du langage (TAL) et en vision par ordinateur. Par exemple, un modèle entraîné à reconnaître des chats et des chiens peut être affiné pour identifier des races spécifiques avec beaucoup moins de données. L’avantage principal est la réduction du temps de formation et des coûts informatiques.
Pour les développeurs, l’apprentissage par transfert abaisse les barrières d’entrée pour les projets d’IA. Cependant, il nécessite une sélection minutieuse du modèle pré-entraîné pour garantir sa pertinence pour la nouvelle tâche. Un modèle mal choisi peut entraîner des performances médiocres ou nécessiter un ajustement approfondi.
Exemple : Stable Diffusion, un outil d’IA de génération d’images, utilise l’apprentissage par transfert en s’appuyant sur des modèles formés sur d’énormes ensembles de données, permettant aux utilisateurs de créer des œuvres d’art de haute qualité avec peu d’effort.
Une startup utilise un modèle de langage pré-entraîné pour construire un chatbot de support client, réduisant le temps de formation de plusieurs mois à quelques semaines.
Dans les autres langues
Voir aussi : fine-tuning