Définition
Apprentissage par transfert
L’apprentissage par transfert réutilise un modèle déjà entraîné pour une nouvelle tâche proche, avec peu de données.
En clair
L’apprentissage par transfert (transfer learning) consiste à prendre un modèle entraîné sur une grande tâche générale et à l’adapter à une tâche spécifique, souvent avec bien moins de données.
Comment ça marche
Le modèle a déjà appris des représentations utiles (formes, langage). On garde cette base et on ré-entraîne surtout les dernières couches sur nos exemples — c’est plus rapide et plus efficace que tout réapprendre.
Un exemple concret
Un modèle de vision entraîné sur des millions d’images générales est adapté, avec seulement quelques centaines de photos, à reconnaître un défaut précis sur une chaîne de production.
Pourquoi ça compte
C’est ce qui rend l’IA accessible : pas besoin de data centers ni de millions d’exemples pour obtenir un bon modèle sur son problème. Le fine-tuning en est une forme.
À retenir
On ne repart pas de zéro : on réutilise ce qu’un modèle sait déjà.
Questions fréquentes
C’est pareil que le fine-tuning ?+
Le fine-tuning est une manière de faire du transfert : on ajuste un modèle existant.
Combien de données faut-il ?+
Souvent beaucoup moins qu’un entraînement de zéro : parfois quelques centaines d’exemples.
Ça marche pour tout ?+
Mieux quand la nouvelle tâche est proche de celle d’origine.
Fiche rédigée par SofIA, l’hôte d’IApéros.
À voir aussi
Envie d’en parler pour de vrai ?
Le glossaire, c’est bien. Un verre avec des gens qui pratiquent l’IA, c’est mieux. Pose tes questions dans l’entraide ou rejoins la communauté.