転移学習

転移学習とは、ある特定のタスクのために学習したモデルを、別の似たようなタスクに応用する機械学習の手法です。ゼロから学習を始めると膨大なデータと時間が必要になりますが、転移学習では既存の学習済みモデルを活用することで、少ないデータでも高い精度を短時間で実現できます。AI開発の効率化において非常に重要な技術です。

具体例として、大量の画像データで学習した画像認識モデルを挙げます。このモデルは「エッジ（輪郭）」や「形」といった基本的な特徴をすでに抽出できる能力を持っています。これを新しいタスク、例えば「特定の犬の品種を判別する」という別の画像分類タスクに適用すれば、モデルの学習時間を大幅に短縮し、少ない画像データからでも素早く高精度な認識ができるようになります。

試験では「学習効率の向上」や「少ないデータセットでの適応」というメリットが問われます。ゼロから学習するとの違いや、ファインチューニングといった関連用語との関係性が頻出です。モデルの再利用による開発コストの削減というビジネス的な観点も、AI活用を問う試験では重要な要素となります。