Transfer Learning

Transfer Learning ist ein ML-Verfahren, bei dem ein Modell, das für eine bestimmte Aufgabe trainiert wurde, für eine andere verwandte Aufgabe wiederverwendet wird. Das Vorwissen aus der Erstaufgabe wird auf die neue Aufgabe übertragen, was weniger Daten und Rechenressourcen erfordert.

Funktionsweise: vortrainiertes Modell laden (z. B. BERT für Text, ResNet für Bilder) → untere Schichten einfrieren (enthalten allgemeines Wissen) → obere Schichten für neue Aufgabe trainieren → bei Bedarf Fine-Tuning des gesamten Modells. Vorteile: Effizienz, weniger Datenbedarf, Kostensparsamkeit, universelle Anwendbarkeit.

Anwendungsbeispiele: vortrainiertes Bildmodell → medizinische Bildanalyse; BERT → juristischer Dokumentenanalyse-Chatbot. Transfer Learning hat in Kombination mit Foundation Models die KI-Anwendungsentwicklung radikal beschleunigt.