El aprendizaje por transferencia fracasa frente a las grietas metálicas, este caso demuestra: el aprendizaje automático a nivel de producción no puede depender únicamente de preentrenamiento en ImageNet, la brecha de dominio existe realmente.

AIMPACT informa que las fábricas de fabricación aeroespacial enfrentan un arranque en frío por escasez de datos en las inspecciones de calidad: solo 3 fotos de microgrietas en palas de turbina deben alcanzar una precisión del 99%. Incluso con ResNet-50 preentrenado en ImageNet, las muestras pequeñas también tienen dificultades para identificar microgrietas en superficies metálicas, revelando la problemática de pocas muestras en ML a nivel de producción: la transferencia de aprendizaje a menudo falla, lo que puede llevar a defectos en lote, desperdicio de materiales y riesgos en etapas posteriores.