Transfer öğreniminde, önceden eğitilmiş bir yapay zeka modelinde oluşturulan uygulanabilir bilgi "içe aktarılır" ve yeni bir modelin temeli olarak kullanılır. Açık kaynaklı bir görüntü veya NLP veri kümesi gibi önceden eğitilmiş bir modeli kullanmanın bu kısayolunu kullandıktan sonra, sonucu belirli senaryoya göre özelleştirmek için yeni nesneler eklenebilir.
Bu sistemin temel dezavantajı doğruluktur. Önceden eğitilmiş modelin ince ayarının yapılması, yeni ağırlıklar veya veri noktaları eklemek için büyük miktarda göreve özel veri gerektirir. Yeni modeli oluşturmak için değer yaratacağı noktaya ulaşmak için önceden eğitilmiş modeldeki katmanlarla çalışmayı gerektirdiğinden, aynı zamanda daha uzmanlaşmış, makine öğrenimi konusunda bilgili becerilere, araçlara ve hizmet sağlayıcılarına da ihtiyaç duyabilir.
Uç yapay zeka uygulamaları için kullanıldığında aktarım öğrenimi, yeniden eğitim için verilerin buluta gönderilmesini, gizlilik ve güvenlik risklerine yol açmayı içerir. Yeni bir model eğitildikten sonra öğrenilecek yeni bilgiler olduğunda tüm eğitim sürecinin tekrarlanması gerekir. Bu, cihazların sürekli olarak sahadaki değişikliklere uyum sağlaması gereken uç yapay zekada sık karşılaşılan bir zorluktur.
Brianchip kurucu ortağı, "Her şeyden önce, uygulamanız için çalışabileceğiniz mevcut bir modelin olması sorunu, ki bu muhtemelen çok basit yapay zeka dışında hiçbir şey için geçerli değildir ve daha sonra onu düzgün bir şekilde yeniden eğitmek için yeterli örneğe ihtiyacınız vardır" diyor Brianchip kurucu ortağı Anıl Mankar, "Bu, yeniden eğitim için buluta gitmeyi ve ardından cihaza geri dönmeyi gerektirdiğinden, transfer öğrenimi hala çok karmaşık ve maliyetli bir süreç, ancak ne zaman ve nerede kullanılmasının mümkün olduğu güzel bir seçenek."
Artımlı öğrenme, verimliliği ve yeni ve değiştirilmiş veri girişlerine uyum sağlama yeteneği nedeniyle modelleri eğitmek için kullanılan kaynakları azaltmak için sıklıkla kullanılan başka bir formdur. Buluta veri göndermek yerine, cihazın kendi içinde artımlı öğrenme gerçekleştirebilen bir uç cihaz, sürekli olarak öğrenebilir.
Artımlı veya "tek seferlik" öğrenme, çok küçük bir örnek kümesiyle başlayabilir ve daha fazla veri emildikçe bilgisini artırabilir. Daha fazla veriye dayanarak gelişme yeteneği aynı zamanda daha yüksek doğrulukla sonuçlanır. Bulutta yeniden eğitim yerine cihazın donanımında yeniden eğitim yapıldığında veriler ve uygulama özel ve güvenli kalır.
Mankar, "Çoğu zaman yapay zeka projeleri başlangıçta yeterince büyük veri kümelerine sahip olmuyor ve yeniden eğitim için bulut bilişime erişimleri yok, dolayısıyla herhangi bir değişiklik olduğunda satıcılarına ödeme yapmaya devam ediyorlar" diyor. "Genellikle artımlı öğrenmeyi öneriyoruz çünkü bu, transfer öğrenimindeki eksikliklerin çoğunu gideriyor ve önemli ölçüde daha düşük bilgi işlem maliyetleri gerektiriyor."