في نقل التعلم ، يتم "استيراد" المعرفة القابلة للتطبيق التي تم إنشاؤها في نموذج الذكاء الاصطناعي الذي تم تدريبه مسبقًا واستخدامها كأساس لنموذج جديد. بعد أخذ هذا الاختصار باستخدام نموذج تم اختباره مسبقًا ، مثل صورة مفتوحة المصدر أو مجموعة بيانات NLP ، يمكن إضافة كائنات جديدة لتخصيص النتيجة لسيناريو معين.
السقوط الأساسي لهذا النظام هو الدقة. يتطلب الضبط الدقيق للنموذج المحدد مسبقًا كميات كبيرة من البيانات الخاصة بالمهمة لإضافة أوزان أو نقاط بيانات جديدة. نظرًا لأنه يتطلب العمل مع الطبقات في النموذج الذي تم اختباره مسبقًا للوصول إلى حيث يكون له قيمة لإنشاء النموذج الجديد ، فقد يتطلب أيضًا مهارات وأدوات وموردي خدمات أكثر تخصصًا في التعلم الآلي.
عند استخدامه لتطبيقات الذكاء الاصطناعي المتطورة ، فإن نقل التعلم يتضمن إرسال البيانات إلى السحابة لإعادة التدريب وتحمل مخاطر الخصوصية والأمان. بمجرد تدريب نموذج جديد ، في أي وقت توجد معلومات جديدة للتعلم ، يجب تكرار عملية التدريب بأكملها. يعد هذا تحديًا متكررًا في Edge AI ، حيث يجب أن تتكيف الأجهزة باستمرار مع التغييرات في المجال.
"أولاً وقبل كل شيء ، مسألة وجود نموذج متاح يمكنك تنفيذه لتطبيقك ، وهو أمر غير مرجح لأي شيء سوى الذكاء الاصطناعي الأساسي للغاية ، وبعد ذلك تحتاج إلى عينات كافية لإعادة تدريبه بشكل صحيح" ، كما يقول الشريك المؤسس لـ Brianchip أنيل مانكار ، "نظرًا لأن هذا يتطلب الانتقال إلى السحابة لإعادة التدريب ثم الرجوع إلى الجهاز ، فإن نقل التعلم لا يزال عملية معقدة ومكلفة للغاية ، على الرغم من أنه خيار جيد متى وأينما يمكن استخدامه."
التعلم الإضافي هو شكل آخر يستخدم غالبًا لتقليل الموارد المستخدمة لتدريب النماذج بسبب كفاءتها وقدرتها على استيعاب مدخلات البيانات الجديدة والمتغيرة. يمكن لجهاز الحافة الذي يمكنه إجراء التعلم المتزايد داخل الجهاز نفسه ، بدلاً من إرسال البيانات إلى السحابة ، التعلم باستمرار.
يمكن أن يبدأ التعلم التزايدي أو "الطلقة الواحدة" بمجموعة صغيرة جدًا من العينات ، وتنمي معرفته مع استيعاب المزيد من البيانات. تؤدي القدرة على التطور بناءً على المزيد من البيانات أيضًا إلى دقة أعلى. عند إجراء إعادة التدريب على أجهزة الجهاز ، بدلاً من إعادة التدريب السحابي ، تظل البيانات والتطبيق خاصين وآمنين.
يقول مانكار: "في معظم الأوقات ، لا تحتوي مشاريع الذكاء الاصطناعي على مجموعات بيانات كبيرة بما يكفي في البداية ، وليس لديها إمكانية الوصول إلى الحوسبة السحابية لإعادة التدريب ، لذلك يستمرون في الدفع لمورديهم كلما تغير أي شيء". "نوصي عمومًا بالتعلم الإضافي لأنه يعالج معظم أوجه القصور في نقل التعلم ويتطلب تكاليف حوسبة أقل بشكل كبير."