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

AIMPACT informou que fábricas de manufatura aeroespacial enfrentam um frio de partida na detecção de dados escassos: apenas 3 fotos de microfissuras em pás de turbina precisam alcançar 99% de precisão. Mesmo usando ResNet-50 pré-treinada no ImageNet, pequenas amostras ainda têm dificuldade em identificar microfissuras na superfície de metais, revelando o dilema de poucos exemplos em ML de produção em larga escala: a transferência de aprendizado frequentemente falha, podendo levar à saída de defeitos em massa, desperdício de materiais e riscos downstream.