ROBIOTIC
Lexikon
Transfer Learning
Auf einen Blick
Transfer Learning ist eine von mehreren Lernmethoden, die für maschinelles Lernen genutzt werden. Die Methode wird vor allem dann eingesetzt, wenn eine künstliche Intelligenz für einen speziellen Zweck ausgebildet werden soll, also z. B. für spezifische Aufgaben wie Gesichtserkennung oder automatisierte Textanalyse.
Lernen aus älteren Modellen
Das Besondere an der Methode ist, dass sie andere KI-Modelle nutzt, welche bereits vorab mit passenden Daten trainiert wurden. Beim Transfer Learning versucht die künstliche Intelligenz sozusagen, aus den Erkenntnissen dieser Modelle zu lernen. Neue Systeme können sich so auch die Daten aneignen, die komplexe Deep Learning Systeme über einen langen Zeitraum hinweg angesammelt haben. Das ist vergleichbar mit dem Wissenstransfer bei Menschen: Statt mühsam und langwierig alle wichtigen Informationen zu einem Thema selbst herauszuarbeiten, können wir einen Kurs besuchen, einen Experten befragen oder ein Buch lesen. Die Fachleute haben bereits die Arbeit geleistet, um uns nun in kurzer Zeit die wichtigsten Erkenntnisse mit auf den Weg zu geben.
Vorteile von Transfer Learning
Das Lernen per Wissenstransfer bietet einige Vorteile, die es unter anderem auch für IoT-Anwendungen attraktiv machen. Vor allem kann mit der Methode die Effizienz und Präzision beim maschinellen Lernen verbessert werden.
Schnellere Resultate
Dadurch, dass sich eine KI das angehäufte Wissen vorhergehender KI-Systeme zunutze machen kann, erzielt sie mit Transferlernen in der Regel erheblich schneller ein brauchbares Datenmodell.
Trainieren neuer KIs
Transferlernen ist nicht nur effizient, sondern von grundlegender Bedeutung: KIs benötigen einen Trainingsdatensatz, damit sie lernen können, welches Problem sie lösen bzw. welches Ziel sie verfolgen sollen. KI-Systeme für Gesichtserkennung können z. B. mit den Ergebnissen eines Deep Learning Modells befüllt werden, um erste Anhaltspunkte zu erhalten, die ihnen zeigen, welche markanten Eigenschaften ein Gesicht von anderen Mustern unterscheidet. Die neue KI kann somit direkt damit beginnen, sich weiter z. B. auf die Unterscheidung von einzelnen Gesichtern zu fokussieren, und muss nicht erst selbst lernen, welche Muster sie allgemein als Gesicht einstufen kann.
Kontinuierliche Verbesserung
Außerdem kann das Transferlernen genutzt werden, um die einzelnen Lernvorgänge immer wieder aufeinander aufbauen zu lassen. So kann das System mit jeder Iteration weiter optimiert werden und immer weiter ins Detail gehen. Im Zusammenhang mit IoT könnte das z. B. bedeuten, dass das System kontinuierlich optimierte Lösungswege entwickelt, indem es aus dem bisherigen Zusammenwirken der vernetzten Geräte lernt.
