Transfer learning
Start fra en fortrænet model i stedet for at træne en fra bunden.
Indhold
Transfer learning betyder, at man tager en model, som allerede er trænet på en bred opgave, og genbruger dens viden som udgangspunkt for en ny, snævrere opgave. I stedet for at samle millioner af eksempler og betale for massiv træning, starter man fra en fortrænet model og justerer den med langt færre data, så den lærer jeres specifikke sprog, produkter eller processer.
Sådan virker Transfer learning i praksis
En fortrænet model har allerede lært almindelige mønstre: ordsammenhænge, billedernes grundformer eller talmønstre. Når du bruger transfer learning, fryser du ofte de dele af modellen, der har generel viden, og træner kun de sidste lag på dine data. Det svarer til at købe en færdig maskine og så tune den til jeres opgave i stedet for at bygge én fra bunden. Fordelen er, at du behøver færre eksempler, mindre computerkraft og kortere tid til et brugbart resultat.
Hvorfor Transfer learning betyder noget for din virksomhed
For små og mellemstore virksomheder gør transfer learning, at AI-projekter ikke kræver millioninvesteringer i datainfrastruktur og træning. Du kan få en model, der forstår jeres produkter, prislister eller support-mails ved at give den nogle hundrede eller tusinde relevante eksempler. Det betyder, at en beslutning om at prøve AI bliver en praktisk beslutning om dataindsamling og kvalitet, ikke om at betale for et stort forskningsprojekt.
Eksempel: Transfer learning hos en indkøbschef
En indkøbschef i en mellemstor produktionsvirksomhed skulle automatisere gennemgang af leverandørpriser midt i en travl kvartalsslutning. Hun havde en Excel med 12.000 linjer fra 2019 til 2023, tre PDF-filer med gamle leverandøraftaler og en kollega på ferie, som tidligere håndterede de svære sager. Projektet startede to uger før en indkøbsrunde. Teamet brugte en fortrænet sprogmodel og finjusterede den med 1.200 eksempler fra deres egne priser. Modellen forstod hurtigt terminologi, men fejlede på scannede kontrakter i starten, så det krævede ekstra tid på at rense og strukturere data, omkring tre arbejdsdage ekstra. Resultatet var en model, som kunne foreslå hvilke poster, der skulle følges op på, men opsætningen tog faktisk tid og krævede håndtering af gamle, ustrukturerede filer.
Transfer learning er ikke det samme som Træning eller Fine-tuning
Transfer learning er princippet: genbrug af viden fra en fortrænet model. Træning kan betyde at opbygge en model fra nul med store datamængder. Fine-tuning er den konkrete handling: du tilpasser den fortrænede model med dine data, så den fungerer bedre på jeres opgave. De to hænger sammen, men de er ikke identiske.
Det er svært at læse sig til transfer learning. I kommer længere med en workshop, hvor I bygger på jeres egne opgaver. Valget om transfer learning er sjældent kun teknisk. Retningen sættes med AI-rådgivning.
Ofte stillede spørgsmål om Transfer learning
Er transfer learning det samme som at bruge en fortrænet model?
Ja, transfer learning bygger på fortrænede modeller. Begrebet dækker hele ideen om at genbruge en model trænet på en bred opgave og tilpasse den til en snævrere opgave.
Koster transfer learning penge?
Ja, men typisk langt mindre end at træne fra bunden. Du betaler for adgang til den fortrænede model og for den tid, det tager at samle og forberede jeres data til fine-tuning.
Hvad er forskellen på transfer learning og fine-tuning?
Transfer learning er princippet om genbrug af viden; fine-tuning er den praktiske proces, hvor du træner en fortrænet model videre på jeres egne data for at tilpasse den.
Kan jeg bruge transfer learning uden udviklere?
I visse tilfælde ja. Mange værktøjer tilbyder skabeloner til fine-tuning, men du vil typisk få et bedre resultat med en teknisk person til at rydde i data og styre træningen.
AI-rådgiver og underviser, grundlægger af AI Hero i Herning. Har bygget digitalt i over 20 år og hjælper danske virksomheder med at få AI i drift. Læs mere om Brian.