Apa Itu Transfer Learning? Penjelasan untuk Pemula
Transfer learning (pembelajaran transfer) adalah teknik pembelajaran mesin di mana model yang sudah dilatih pada satu tugas digunakan kembali, lalu disesuaikan, untuk tugas terkait, alih-alih membangun model baru dari nol. Pengetahuan umum yang sudah dipelajari model, seperti bentuk tepi atau pola bahasa umum, dapat dimanfaatkan, sehingga tugas baru bisa dilatih dengan lebih sedikit data, waktu, dan daya komputasi.
Versi sederhananya
Bayangkan sudah bisa menyetir mobil lalu belajar menyetir van. Anda tidak mulai dari nol; kemampuan setir, rem, dan membaca jalan tetap dipakai, hanya menyesuaikan ukuran kendaraan. Transfer learning melakukan hal serupa: model pra-latih membawa dasar yang berguna, lalu fine-tuning singkat menyesuaikannya dengan tugas baru.
Mengapa digunakan
| Latih dari nol | Dengan transfer learning |
|---|---|
| Butuh data berlabel besar | Bisa dengan data lebih kecil |
| Lama dan boros komputasi | Lebih cepat dan hemat |
| Mulai dari pengaturan acak | Mulai dari fitur yang sudah dipelajari |
| Risiko hasil awal lemah | Sering lebih cepat berguna |
Cara kerjanya
- Mulai dengan model pra-latih yang sudah dilatih pada dataset besar dan umum.
- Gunakan kembali lapisan awal yang biasanya menangkap fitur luas, seperti bentuk atau hubungan kata.
- Fine-tuning pada tugas baru dengan mengganti atau menyesuaikan lapisan akhir pada data kecil.
- Bekukan sebagian lapisan agar pengetahuan umum tetap terjaga dan menghindari overfitting.
Contoh umum
- Model gambar yang mengenali hewan disesuaikan untuk mendeteksi cacat pada foto pabrik.
- Model bahasa umum disesuaikan untuk menjawab pertanyaan di bidang tertentu.
- Model yang dilatih satu bahasa diadaptasi ke bahasa terkait.
- Model suara disesuaikan ke aksen baru dengan rekaman terbatas.
Manfaat dan keterbatasan
Transfer learning bekerja baik ketika dua tugas berbagi fitur yang berguna. Jika tugas lama dan baru sangat berbeda, pengetahuan yang dibawa bisa sedikit membantu atau bahkan menambah gangguan, disebut negative transfer. Model pra-latih juga bisa membawa bias dari data asalnya, sehingga memeriksa sumber dan menguji tugas baru tetap penting.
Hubungannya dengan fine-tuning
Fine-tuning adalah langkah menyesuaikan model pra-latih pada data baru, sedangkan transfer learning adalah strategi luas dalam memakai ulang pengetahuan antar tugas. Keduanya sering muncul bersama: transfer learning adalah pendekatannya, dan fine-tuning adalah cara menjalankannya.
FAQ
Apakah transfer learning berarti tidak butuh data sama sekali?
Tidak. Masih diperlukan contoh berlabel untuk tugas baru, biasanya jauh lebih sedikit dibanding latih dari nol, tetapi cukup untuk adaptasi dan pengujian.
Apa itu model pra-latih?
Model yang sudah mempelajari fitur umum pada dataset besar dan dapat dipakai sebagai titik awal untuk tugas terkait.
Apa itu negative transfer?
Kondisi ketika pengetahuan dari tugas lama justru menurunkan kinerja tugas baru, biasanya karena keduanya tidak berkaitan erat.
Apakah hanya untuk deep learning?
Sering dipakai pada jaringan saraf, tetapi ide memakai ulang pengetahuan juga muncul pada metode pembelajaran mesin lain.
Poin utama
- Transfer learning memakai ulang model dari satu tugas untuk tugas terkait.
- Menghemat data, waktu, dan komputasi dengan mulai dari fitur yang sudah dipelajari.
- Fine-tuning menyesuaikan model pra-latih ke data baru.
- Bekerja baik saat tugas berbagi fitur; jika tidak, negative transfer bisa terjadi.
Lanjutkan membaca apa itu fine-tuning dan apa itu jaringan saraf tiruan.
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free