Transfer Learning adalah teknik di mana pengetahuan yang dipelajari dari satu tugas (sumber) digunakan untuk meningkatkan performa pada tugas lain (target) yang terkait. Ini adalah cara untuk "mentransfer" pembelajaran dari satu domain ke domain lain, menghindari keharusan melatih model dari awal untuk setiap tugas baru.
Analoginya: jika Anda sudah bisa bermain gitar, belajar bermain ukulele akan lebih mudah karena keterampilan dasar (memetik senar, membaca not) dapat ditransfer. Demikian pula, model yang sudah dilatih untuk mengenali objek dalam gambar dapat dengan mudah diadaptasi untuk mengenali jenis objek yang berbeda dengan sedikit pelatihan tambahan.
Transfer learning bekerja dengan memanfaatkan representasi fitur yang dipelajari oleh model pada tugas sumber. Model ini telah belajar mengenali pola-pola umum (seperti tepi, tekstur, bentuk) yang relevan untuk banyak tugas visual. Untuk tugas target, kita hanya perlu melatih ulang lapisan akhir model pada data spesifik, sementara lapisan-lapisan awal tetap dipertahankan.
Transfer learning sangat powerful karena efisiensinya. Melatih model deep learning dari awal membutuhkan data dalam jumlah sangat besar dan daya komputasi yang mahal. Dengan transfer learning, kita dapat menggunakan model pre-trained (seperti ResNet untuk gambar atau BERT untuk teks) dan hanya melakukan fine-tuning pada dataset yang lebih kecil.
Aplikasi transfer learning meliputi: fine-tuning model bahasa untuk domain spesifik (hukum, medis, keuangan), adaptasi model pengenalan gambar untuk kasus penggunaan khusus (misalnya, mendeteksi penyakit pada tanaman), dan cross-lingual transfer (model yang dilatih dalam bahasa Inggris diadaptasi untuk bahasa lain).
Transfer learning adalah salah satu alasan utama mengapa AI berkembang begitu cepat—kita tidak perlu memulai dari nol untuk setiap masalah baru. Ini juga mendemokratisasi AI, memungkinkan organisasi dengan sumber daya terbatas untuk membangun aplikasi AI canggih.