现实生活中，我们经常会把一个行业的经验迁移至另一个相关行业，达到高效学习的目的。在机器学习的算法中，迁移学习也能实现同样的效果。基于迁移学习技术，互联网公司旗下的视频、电商业务场景智能推荐知识可迁移至广告、应用程序等其他产品的推荐业务，一些电子产品的用户评价模型也可用于视频、游戏等产品的舆情分析中。
产业数字化转型浪潮迭起，各行各业都需要建立与自身商业模式适配的AI大脑，实现智慧经营、智能决策。AI决策的应用离不开模型、大数据、算法的支撑，其中模型的好坏决定智能决策解决方案的精准度。
人工智能技术日益精进，目前在建模方法上， 学习、迁移学习等机器学习技术有机融合，不断提升AI建模效率，优化模型的决策效果。 学习经过大数据训练，能快速掌握数据规律，对结果作出预测;迁移学习利用数据和模型之间的相似性，能在不同场域实现知识迁移。二者结合便能为人工智能向产业加速渗透输出更多高质量的模型，打开AI赋能空间。
在技术应用过程中，人工智能已从传统的多数据场景延伸到各种业态，这对机器学习提出了新的要求和方向。迁移学习的多任务学习、跨领域学习等能力优势显露，它在一定程度上消解了传统机器学习的痛点。DeepMind 首席执行官 Demis Hassabis 曾公开谈到，迁移学习是最有前途的技术之一，有朝一日可能会触发通用人工智能的诞生(AGI)。
事实上，正是基于 学习、迁移学习技术，模型得以实现迭代和输出，人工智能才能源源不断地落地应用，成为产业数字化转型的智能基础设施。 学习与迁移学习融合加快，通用智能变革也会接踵而来，这为各类商业场景的智慧化改造带来可能。
知识迁移，化解建模难题
近年来，越来越多的人工智能应用从实验室走进老百姓的日常生活中，藏于应用背后的机器学习也为大众所知。就机器学习的各个分支发展情况而言， 学习是当前相对成熟且被广泛商用的建模方法。例如生物识别、图像语音识别、应用程序中的智能推荐等。
机器学习在技术上主要基于大量的有标签样本和同分布样本，从源源不断的大数据中挖掘规律，根据模型进行预测分析。这也就解释了为什么当我们打开资讯和短视频App时，平台就推荐与受众阅读习惯相符的内容。
不过，强大的机器学习在实际应用中也会遇到数据较少、数据分布差异的场景，这就催生了机器学习的演进，向迁移学习迈进。迁移学习实质上就是把某个领域已训练的模型或已学到的知识，迁移到另一个相关领域，提升目标领域的学习效果。迁移学习的核心逻辑在于找到共性与相关性。
尽管领域或任务不同，但场景的相关性能让模型学到的知识轻松输送给目标领域，实现高效建模，完善模型的科学性。以骑摩托车为例，假如A从未骑过摩托车，他的摩托车经验空白，但他骑过自行车，自行车的平衡控制与摩托车相似，那么他就能利用骑自行车的经验快速学会骑摩托车。这个过程可近似看作迁移学习过程，借助知识迁移，既能突破少数据、少经验困境，又能提高学习效率。
除了能应对样本标签量不足的问题，迁移学习还能纠正样本分布偏移，降低因样本分布变化产生的模型失衡。具体来看，迁移学习的多任务学习方法可将不同类型的标签样本同时建模，丰富模型训练的样本量;领域适配方法可以把事件样本迁移到客户全量样本上，减少样本分布变化带来的影响，从而在目标领域中建立更加可靠的学习模型。这不仅提升模型训练效率，还进一步增强AI性能。
算法迭代，AI决策“破圈”
数字经济时代，产业创新迭代加快，新消费、新制造、新金融等新商业形态层出不穷，越来越多的新场景面临小数据、冷启动问题，基于传统机器学习算法就难以为其提供AI决策智能方案。比如在网上新开一家店铺，售卖的产品或服务在市场上较为少见，由于缺乏数据，就无法建立合适的模型，对用户进行智能推荐。
利用 学习迁移技术，能够在小数据的情况下实现模型的搭建。从迁移学习的价值角度来看，主要体现在建模效率和模型优化上。一方面，迁移学习能在源域或相似的知识基础上训练，快速迁移至新的任务中，无须再去耗费成本采集新的样本集;另一方面，迁移学习基于数据相关性，扩展了样本集，实现模型的优化。
国内一些AI技术供应商纷纷探索迁移学习的技术应用，如萨摩耶云应用自动多样本混合器迁移学习，用一个任务开发的模型作为另一个任务模型的起点，从而有效优化AI模型，并缓解模型训练样本不足带来的问题，使目标任务达到较好的性能。
在应用场景上， 学习迁移技术在金融、医疗、零售、智慧城市等场景中具备非常大的业务潜力，尤其是一些新的商业场景，迁移学习算法可以把已学到的知识分享给新的模型。产业数字化转型背景下，人工智能技术从互联网、金融领域扩展到更丰富的业务场景，这也为迁移学习带来机遇。
目前，机器学习技术已在大量的商业场景中落地应用，帮助企业经营从经验决策到智能决策，有效带动营销获客、风险管理、用户运营管理向智能化转型。拿萨摩耶云来讲，其利用 学习、迁移学习等AI技术，自主研发了端到端云原生科技解决方案，以SaaS的形式为合作伙伴输出基于云的智能决策服务，帮助客户实现业务运营智能化。
无论是算法的迭代还是模型的优化，最终的目标都是基于应用场景实现决策智能，把对场景的理解通过AI模型形成解决方案。伴随 学习、迁移学习等算法的迭代创新，AI赋能产业的边界也会得到延伸。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
