El caso. Una startup agro clasifica cultivos con imágenes de satélite (tipo EuroSAT). Tiene pocas imágenes etiquetadas. En vez de entrenar desde cero, reaprovecha una red preentrenada: congela la base y solo reajusta unas capas de cabeza.

Lee así. Sube η y la curva sube antes; pásate y la base se olvida (oscila y cae). Sube k y das más capacidad. Y sobre todo mueve N: con pocas imágenes el hueco entre la curva dorada (transfer) y la gris (desde cero) es enorme, y se cierra a medida que consigues datos. Ahí está el argumento de negocio.

La idea. Transfer learning reutiliza lo que una red ya aprendió (bordes, texturas, formas) y solo reentrena la cabeza para tu tarea. Congelas la base y mueves pocos parámetros: converge en pocas epochs.

Negocio. Con pocas imágenes y un portátil, la startup llega a una precisión que desde cero exigiría cientos de miles de imágenes y una GPU cara. Menos datos, menos cómputo, resultado antes: eso es margen.

Y ahora. La palanca fina es cuántas capas descongelas (k) y con qué paso (η). Poco y con cuidado: aprovechas el conocimiento previo sin borrarlo. Esa es la receta del resto del tema.