L'apprentissage par transfert prend un modèle entraîné sur une tâche et le réutilise pour une tâche différente mais liée, économisant d'énormes quantités de données et de calcul. Un modèle pré-entraîné sur des millions d'images générales peut être affiné avec quelques centaines de scans médicaux pour détecter des maladies. C'est pourquoi le développement IA moderne commence par des modèles de base pré-entraînés plutôt que par un entraînement from scratch, réduisant considérablement la barrière à l'entrée.