Définition
Transfer Learning
Technique réutilisant un modèle pré-entraîné sur une tâche pour l'appliquer à une tâche différente mais connexe.
Publié le 4 mars 2026par ZoneIA
Le transfer learning consiste à partir d’un modèle déjà entraîné (souvent sur un très grand volume de données) et à le réadapter à un nouveau problème proche. L’idée est de réutiliser des représentations déjà apprises (motifs visuels, structures linguistiques, relations statistiques) au lieu de repartir de zéro, ce qui réduit le coût d’entraînement et la quantité de données nécessaires.
Comment ça fonctionne
Un modèle pré-entraîné a généralement appris des caractéristiques génériques. On peut :
- Geler une partie des couches (elles restent inchangées) et n’entraîner que la “tête” finale pour la nouvelle tâche.
- Ajuster finement (fine-tuning) davantage de couches, voire tout le réseau, avec un faible taux d’apprentissage pour spécialiser le modèle.
À quoi ça sert
- Accélérer le développement de modèles performants avec peu de données.
- Améliorer la qualité sur des domaines spécifiques (médical, juridique, industriel).
- Réduire les besoins en calcul et en énergie par rapport à un entraînement complet.
Exemples
- Vision : partir d’un modèle entraîné sur ImageNet et l’adapter à la détection de défauts sur une chaîne de production.
- NLP : prendre un modèle de langage pré-entraîné et le fine-tuner pour la classification d’e-mails (spam, support, ventes).
- Audio : adapter un modèle de reconnaissance vocale général à un accent ou un vocabulaire métier.