O aprendizado por transferência falha diante de fissuras metálicas, este caso mostra: o ML de nível de produção não pode depender apenas do pré-treinamento no ImageNet, a lacuna de domínio realmente existe.

AIMPACT informa que as fábricas de fabricação aeroespacial enfrentam um arranque frio de dados escassos na inspeção de qualidade: apenas 3 fotos de microfissuras em pás de turbina para alcançar uma precisão de 99%. Mesmo usando ResNet-50 pré-treinada no ImageNet, amostras pequenas ainda têm dificuldade em identificar microfissuras na superfície de metais, revelando o dilema de poucos exemplos no ML de produção em larga escala: a transferência de aprendizagem frequentemente falha, podendo levar à saída de defeitos em lote, desperdício de materiais e riscos downstream.