然而，数据生产是一个漫长而昂贵的过程，有时需要罕见的专业知识（在专业领域）。因此在实践中，人工智能工程师和数据科学家不得不使用精简的数据集。
那么，如何才能建立强大的机器学习模型，同时考虑到其对环境的影响呢？目前正在探索四种主要途径。
快速浏览一下数据存储库UCI Machine Learning、VisualData或Google Dataset Search，我们会发现 墨西哥号码查询 许多标记的数据集已被公共机构、大学或企业免费提供。
在 3D 物体检测领域
谷歌最近发布了Objectron 数据集，其中包含 15,000 个视频片段和数百万张日常物体图像。这些物体均带注释，从不同角度拍摄，并带有边界框，用于描述其位置、方向和尺寸。该数据集附带预训练模型。
一些数据集成为参考，例如 GenBank 分子数据库，它汇集了所有公开可用的 DNA 序列，由美国国立卫生研究院 (NIH) 注释。
利用这些资源，可以进行迁移学习，其灵感来自于人类将先前获得 这一比例正在增加 知识应用到新情况的认知过程。
通过这项技术
人工智能系统将能够将通过执行源任务获得的知识转移到执行不同但相似的任务（目标任务）中，从而适应大量的用例。
例如，算法所学到的识别猫或判断电影评论是正面的还是负面的知识可以分别用来区分狗或对产品评论进行分类。
这种方法在深度学习中特别流行，其中预先训练的模型被用作计算机视觉或自然语言处理（NLP）任务 西班牙比特币数据库 的起点，这些任务特别复杂且耗时。
卡布加审判分庭没有遵循这些不具约束力的先例，而是决定采取不同的方法，因为它认为中止诉讼程序不足以满足正义的需要。分庭认为，卡布加对目前的情况负有责任，他逃避逮捕的时间长达二十多年。因此，将中止诉讼程序的利益置于受害者长期以来寻求正义的利益之上，将违背公众利益。分庭还指出，卡布加应该有机会获得无罪释放并获得无条件释放。因此，审判分庭决定发明一种替代的认定程序，该程序仿照目前一些国家存在的事实认定听证程序。