L'apprentissage par transfert échoue face aux fissures métalliques, cet exemple montre que : l'apprentissage automatique de niveau production ne peut pas se contenter d'un pré-entraînement sur ImageNet, le fossé entre les domaines existe réellement.

AIMPACT indique que les usines de fabrication aérospatiale rencontrent un démarrage à froid avec peu de données lors des contrôles de qualité : seulement 3 photos de microfissures de turbines doivent atteindre une précision de 99 %. Même avec un ResNet-50 préentraîné sur ImageNet, les petits échantillons ont du mal à reconnaître les microfissures sur les surfaces métalliques, révélant la difficulté des petits échantillons en apprentissage automatique de production : la transfer learning échoue souvent, ce qui peut entraîner la sortie de défauts en série, le gaspillage de matériaux et des risques en aval.