Wat is Transfer Learning?

Door Peter & AI·Laatst herzien: april 2026

01In één alinea

De analogie is direct: een ervaren chauffeur leert een nieuwe auto besturen in een uur — hij neemt zijn rij-ervaring mee. Een leerling-chauffeur die nooit gereden heeft, doet er maanden over. Transfer learning werkt vergelijkbaar. Een neuraal netwerk dat is getraind op miljoenen afbeeldingen heeft geleerd wat randen, vormen, texturen en objecten zijn. Wanneer je dat netwerk wilt gebruiken voor een specifieke taak — pakweg het herkennen van bepaalde vogelsoorten — hoef je niet vanaf nul te beginnen. Je neemt het bestaande netwerk en past de laatste lagen aan met een paar duizend vogelfoto’s. Wat normaal miljoenen voorbeelden zou kosten, lukt nu met een fractie. Deze techniek heeft moderne AI mogelijk gemaakt voor organisaties zonder miljardenbudget — en is daarmee een van de belangrijkste praktische ontwikkelingen van het afgelopen decennium.

02Voor de strateeg

Voor wie strategisch over AI denkt is transfer learning de kern van de “make-or-buy”-discussie. Drie strategische dimensies waarin het verschil maakt.

03Technisch diep

Transfer learning werkt omdat moderne neurale netwerken hiërarchische representaties leren. De vroege lagen leren algemene kenmerken (randen, kleuren, eenvoudige patronen); de latere lagen leren specifieke kenmerken voor de taak waarvoor het werd getraind. Dat hiërarchische karakter maakt hergebruik mogelijk.

De vier hoofdvarianten van transfer learning:

Feature extraction. Het bestaande model wordt bevroren — geen enkele parameter verandert. Je voegt een nieuwe output-laag toe die je traint voor de specifieke taak. Snelste en goedkoopste vorm; werkt goed wanneer de nieuwe taak sterk lijkt op de oorspronkelijke training.

Fine-tuning. Het bestaande model wordt verder getraind op je specifieke data, maar met een lage leersnelheid om geen “kennis te vergeten.” De meest voorkomende vorm in de praktijk. Voor moderne LLM’s is dit standaardpraktijk om ze aan te passen aan specifieke domeinen of toon.

Domain adaptation. Een meer geavanceerde variant waarin je het model expliciet aanpast aan een ander toepassingsdomein. Bijvoorbeeld: een algemeen taalmodel aanpassen aan medisch jargon, of een algemeen beeldmodel aanpassen aan satellietbeelden.

Multi-task learning. Een model wordt getraind op meerdere taken tegelijk, waarbij de gemeenschappelijke onderliggende kennis tussen taken wordt gedeeld. Dit is geen pure transfer learning maar verwante techniek met vergelijkbare voordelen.

Voor moderne taalmodellen. De manier waarop foundation models zoals GPT, Claude en Gemini worden ontwikkeld, is in essentie een vorm van transfer learning op meerdere niveaus:

Pre-training. Het model wordt getraind op enorme hoeveelheden tekst om algemene taalvaardigheid te leren. Dit is de duurste fase — honderden miljoenen tot miljarden euro’s.

Instruction tuning. Het pre-trained model wordt verder getraind om instructies op te volgen. Een vorm van fine-tuning op gelabelde voorbeelden van “input-instructie” → “gewenste output.”

RLHF (Reinforcement Learning from Human Feedback). Een laatste laag van transfer learning waarin het model leert welke antwoorden mensen prefereren.

Domain fine-tuning door derde partijen. Organisaties nemen het uiteindelijke foundation model en fine-tunen het op hun eigen data — voor juridische analyse, medische ondersteuning, klantenservice, et cetera.

Het catastrophic forgetting-probleem. Een kern-uitdaging in transfer learning: wanneer je een model fine-tunet op nieuwe data, kan het oude kennis “vergeten.” Een algemeen taalmodel dat je fine-tunet op medische teksten, kan plotseling slechter worden in algemene taken. Technieken als Low-Rank Adaptation (LoRA) en Parameter-Efficient Fine-Tuning (PEFT) proberen dit op te lossen door slechts een klein deel van de parameters aan te passen.

De data-efficiëntie-doorbraak. Het meest opvallende kenmerk van moderne transfer learning: een paar duizend voorbeelden kunnen voldoende zijn waar voorheen miljoenen nodig waren. Voor organisaties betekent dit dat eigen, gespecialiseerde AI-toepassingen plotseling realistisch zijn — zelfs voor niche-domeinen waar grote datasets ontbreken.

04In de praktijk

De totale investering voor niveau 2 ligt voor een middelgroot kantoor in de orde van enkele tienduizenden euro’s — bouwkosten, training en infrastructuur samen. Vergelijk dat met de honderden miljoenen die nodig zouden zijn voor een eigen foundation model. Transfer learning maakt dit haalbaar.

Praktische lessen voor wie transfer learning toepast:

Begin met de simpelste vorm. Voor de meeste toepassingen levert API-gebruik met goede prompts al 80% van de waarde. Fine-tuning pas overwegen wanneer je tegen specifieke beperkingen aanloopt.

Datakwaliteit blijft kritisch. Transfer learning vermindert het databehoeft, maar kwaliteit telt zwaarder dan kwantiteit. Honderd zorgvuldig geselecteerde voorbeelden werken beter dan tienduizend rommelige.

Houd rekening met versie-afhankelijkheid. Wanneer de basisleverancier een nieuwe modelversie uitrolt, moet je fine-tuning vaak opnieuw — een verborgen onderhoudsverplichting.

Open-source als verzekering. Voor strategisch belangrijke toepassingen overweeg open-source foundation models (Llama, Mistral). Hogere infrastructuurkosten, maar onafhankelijk van commerciële beslissingen elders.

05Verwarring vermijden

• Niet hetzelfde als fine-tuning. Fine-tuning is één specifieke vorm van transfer learning. Transfer learning is breder — het omvat ook feature extraction, domain adaptation en API-gebruik met context. Alle fine-tuning is transfer learning, niet alle transfer learning is fine-tuning.
• Niet hetzelfde als RAG. RAG (Retrieval-Augmented Generation) geeft een model toegang tot externe kennis tijdens gebruik, zonder het model zelf aan te passen. Transfer learning past het model aan. De twee zijn complementair en worden vaak samen gebruikt.
• Niet automatisch beter dan vanaf nul trainen. Voor zeer gespecialiseerde domeinen waarvan het bestaande foundation model weinig weet, kan vanaf nul trainen op specialistische data soms beter werken. Maar dit is een uitzondering, niet de regel.
• Niet zonder risico’s. Wanneer je fine-tunet, kan het model bias of fouten van het basismodel overnemen — én er nieuwe aan toevoegen. Bias-monitoring blijft noodzakelijk.
• Niet voor altijd stabiel. Een gefinetuned model degradeert wanneer de wereld verandert. Periodieke hertraining op nieuwe data is een doorlopende verplichting, geen eenmalige investering.

06Plek in het AIWiser-ecosysteem

Waar dit begrip terugkomt op de rest van de site:

Verwante begrippen

Termen die direct met transfer learning verbonden zijn:

Bronnen

Wetenschappelijke en gezaghebbende bronnen die bij deze definitie geraadpleegd zijn. De volledige onderbouwing en context staat in AI-Publicaties.

• Pan & Yang (2010): A Survey on Transfer Learning Klassiek overzichtsartikel dat transfer learning als vakgebied definieerde.
  Wetenschappelijk artikel · Origineel ↗
• Bommasani et al. (Stanford, 2021): On the Opportunities and Risks of Foundation Models De academische basis voor het foundation-model-concept dat moderne transfer learning mogelijk maakt.
  Onderzoeksrapport · Origineel ↗
• Hu et al. (2021): LoRA — Low-Rank Adaptation of Large Language Models Het paper achter LoRA — de techniek die efficiënt fine-tuning van grote modellen mogelijk maakt.
  Wetenschappelijk artikel · Origineel ↗
• Stanford HAI: AI Index Report 2026 Jaarlijkse stand van zaken over foundation-model-adoptie en transfer-learning-praktijken.
  Jaarrapport · Origineel ↗