Передача обучения терпит неудачу при обнаружении металлических трещин, этот пример показывает: производственный ML не может полагаться только на предварительную тренировку на ImageNet, разрыв в области действительно существует.

AIMPACT сообщение утверждает, что в производстве аэрокосмической техники при контроле качества возникает холодный старт из-за нехватки данных: всего 3 фотографии микротрещин турбинных лопастей должны обеспечить 99% точности. Даже при использовании предварительно обученного ResNet-50 на ImageNet, небольшие образцы трудно распознают микротрещины на металлических поверхностях, что выявляет проблему малых образцов в производственном машинном обучении: перенос обучения часто неэффективен, что может привести к выпуску партии дефектных изделий, материальным потерям и рискам на следующем этапе.