Transfer Learning (aprendizado por transferência) é a técnica de usar um modelo pré-treinado em uma tarefa grande como ponto de partida para uma tarefa diferente ou mais específica. Em vez de treinar um modelo do zero — o que exige enormes volumes de dados e poder computacional — você parte de um modelo que já aprendeu representações ricas do mundo (idioma, imagens, conceitos) e o adapta com muito menos dados. Isso é o que acontece quando você usa o ChatGPT ou o Claude: eles foram pré-treinados em trilhões de tokens de texto, e depois foram fine-tuned para seguir instruções. O conceito se tornou o paradigma dominante na IA moderna — treinar do zero é raro e caro. Para empresas brasileiras, o transfer learning é especialmente relevante porque permite criar soluções customizadas sem investimento em infraestrutura massiva. Por exemplo: uma clínica pode pegar um modelo médico base e fazer fine-tuning com seus próprios protocolos; um banco pode adaptar um modelo de linguagem para o vocabulário específico de seus contratos. A diferença de custo entre treinar do zero e fazer transfer learning pode ser de 100x a 10.000x.
Navegar por letra: