Transfer Learning (Übertragungslernen) ist eine Machine-Learning-Technik, bei der ein bereits trainiertes Modell als Ausgangspunkt für eine neue Aufgabe verwendet wird. Statt ein neues Modell von Grund auf zu trainieren, überträgt man das gelernte Wissen und passt es an die neue Aufgabe an. Das spart enormen Rechen- und Zeitaufwand und erklärt, warum spezialisierte KI-Tools schnell und effizient entwickelt werden können.
Ein anschauliches Beispiel: Ein Sprachmodell, das mit allgemeinen Texten trainiert wurde, hat bereits ein gutes Verständnis der deutschen Sprache. Durch Transfer Learning kann dieses Wissen auf spezialisierte Aufgaben übertragen werden — zum Beispiel das Erkennen von Rechtschreibfehlern in Kindertexten oder das Generieren von altersgerechten Lesetexten. Das Modell muss nicht von Null lernen, was Sprache ist.
Für den Schulkontext ist Transfer Learning ein interessantes Konzept, weil es auch eine pädagogische Parallele hat: Kinder nutzen ständig Transfer Learning, wenn sie vorhandenes Wissen auf neue Situationen übertragen. Ein Kind, das die Addition beherrscht, kann dieses Wissen auf die Multiplikation übertragen. KI-Bildungstools nutzen Transfer Learning, um mit relativ wenig schulspezifischen Daten gute Ergebnisse zu erzielen — die Grundkompetenz der Sprache wurde bereits vorab erlernt.