Transfer Learning (deutsch etwa „Übertragen von Gelerntem“) ist eine Methode im maschinellen Lernen, bei der ein bereits trainiertes KI-Modell als Ausgangspunkt für eine neue, verwandte Aufgabe genutzt wird. Statt bei null anzufangen, baut man auf vorhandenem Wissen auf.

Der Grundgedanke

Der Vergleich mit dem Menschen liegt nahe: Wer schon Gitarre spielt, lernt Ukulele deutlich schneller, weil sich Grundlagen wie Rhythmus und Fingerhaltung übertragen lassen. Genauso greift Transfer Learning auf Fähigkeiten zurück, die ein Modell an einer großen Datenmenge erworben hat, und passt sie mit vergleichsweise wenig zusätzlichem Aufwand an ein neues Ziel an.

Ein leistungsfähiges KI-Modell von Grund auf zu trainieren kostet riesige Datenmengen, viel Rechenleistung und Geld – Ressourcen, die die wenigsten haben. Transfer Learning senkt diese Hürde drastisch. Man nimmt ein fertiges Basismodell, das allgemeine Muster bereits kennt, und trainiert nur den letzten Teil auf die eigene, kleinere Datenmenge nach.

Was es möglich macht

Ein Beispiel: Eine KI wurde an Millionen Alltagsfotos darauf trainiert, Formen, Kanten und Objekte allgemein zu erkennen. Ein Startup möchte damit Pflanzenkrankheiten auf Blättern einschätzen. Dank Transfer Learning muss es der KI nicht das Sehen von Grund auf beibringen, sondern nur mit einigen tausend Fachbildern nachschärfen – ein Bruchteil des sonst nötigen Aufwands.

Transfer Learning ist einer der Gründe, warum leistungsstarke KI heute auch kleineren Teams offensteht. Die Schwerarbeit haben große Basismodelle bereits erledigt; man setzt nur noch das letzte, spezialisierte Stück obendrauf.