Apprentissage par transfert
Données & entraînementRéutiliser un modèle existant pour l'adapter à une nouvelle tâche avec moins d'efforts.
Explication
L'apprentissage par transfert est une technique qui part d'un modèle déjà entraîné sur une tâche large (comme comprendre le langage ou reconnaître des images) pour le spécialiser sur une mission plus précise. Au lieu de créer un modèle de zéro, on exploite les connaissances générales déjà acquises, ce qui économise du temps, des données et des ressources informatiques. Cela ressemble au fine-tuning, qui en est souvent la méthode concrète, mais l'apprentissage par transfert est plus large : il peut aussi inclure des adaptations comme le gel de certaines parties du modèle ou l'ajout de nouvelles couches. Par exemple, un modèle capable de reconnaître des objets dans des photos peut être réutilisé pour identifier spécifiquement des espèces de fleurs, avec seulement quelques centaines d'images supplémentaires.
Cas d'usage
- ✓Adapter un modèle de langage pour qu'il réponde à des questions médicales spécifiques
- ✓Spécialiser un outil de reconnaissance d'images pour détecter des défauts sur une chaîne de production
- ✓Personnaliser un chatbot pour qu'il adopte le ton et le vocabulaire d'une entreprise
- ✓Créer un système de traduction automatique pour un dialecte rare à partir d'un modèle généraliste