Ces dernières années, des progrès considérables ont été réalisés dans la mise en œuvre de procédures d'aide à la décision basées sur des méthodes d'apprentissage automatique grâce à l'exploitation de très grandes bases de données et à l'utilisation d'algorithmes d'apprentissage. Dans de nombreux environnements de recherche ou de production, les bases de données disponibles sont rarement aussi volumineuses et la question se pose de savoir si dans ce contexte il est raisonnable d'utiliser des méthodes d'apprentissage automatique.

Cet exposé introduira l'apprentissage par transfert qui repose sur l’exploitation de connaissances (modèles, données,..) issues d'applications « proches » pour mettre en œuvre des modèles d’apprentissage efficaces avec une économie de données en utilisant des méthodes d’IA ou de statistiques. Nous présenterons plusieurs réalisations industrielles qui utilisent avec succès ces méthodes d'apprentissage dans des régimes où la volumétrie des données industrielles est faible, ainsi que la librairie open-source ADAPT regroupant un large ensemble d’algorithmes de transfert développés en Python.

Références:
de Mathelin, A., Deheeger, F., Mougeot, M., Vayatis, N. From Theoretical to Practical Transfer Learning: the ADAPT library, Federated and Transfer Learning Springer book. 2023.
ADAPT: Awesome Domain Adaptation Python Toolbox.[https://centreborelli.ens-paris-saclay.fr/fr/la-librairie-adapt](https://centreborelli.ens-paris-saclay.fr/fr/la-librairie-adapt)