Continual Learning

يشير التعلم المستمر (CL)، الذي يُسمى غالبًا التعلم مدى الحياة، إلى قدرة نموذج الذكاء الاصطناعي على تعلّم مهام جديدة بالتتابع أو اكتساب معارف جديدة بمرور الوقت من دون نسيان المعلومات التي تعلّمها سابقًا. وعلى خلاف خطوط أنابيب التعلم الآلي التقليدية، التي تُدرَّب فيها النماذج مرة واحدة على مجموعة بيانات ثابتة ثم تُنشر، يحاكي التعلم المستمر قدرة الإنسان على التكيف مع البيئات الجديدة والتعلم المستمر من التجارب الحديثة. ويتمثل التحدي الأساسي في هذا المجال في التغلب على النسيان الكارثي، وهي ظاهرة يؤدي فيها تدريب الشبكة العصبية على بيانات جديدة إلى تدهور أدائها بشدة في المهام القديمة، لأن الأوزان المحسّنة للمهام القديمة تُستبدل.

أهمية التعلم المستمر#

في بيئات العالم الحقيقي المتغيرة، نادرًا ما تظل توزيعات البيانات ثابتة. فعلى سبيل المثال، يجب أن يتكيف نظام الإدراك البصري في مركبة ذاتية القيادة مع تغيّر الفصول أو لوائح المرور الجديدة أو تخطيطات المدن المختلفة، من دون أن يفقد القدرة على التعرف إلى إشارات المرور الأساسية التي تعلّمها أثناء تدريبه الأولي. وغالبًا ما تكون إعادة التدريب من الصفر على مجموعة بيانات تراكمية مكلفة حاسوبيًا وغير عملية بسبب قيود التخزين أو مخاوف الخصوصية. يعالج التعلم المستمر هذه المشكلات بالسماح بتحديث النماذج تدريجيًا، ما يجعلها أكثر كفاءة وقابلية للتوسع في تطبيقات الذكاء الاصطناعي الطرفي حيث تكون الموارد محدودة.

تطبيقات عملية#

• الروبوتات والأنظمة ذاتية التشغيل: تحتاج الروبوتات المستخدمة في بيئات غير منظمة إلى التعامل مع أجسام جديدة أو التنقل في تضاريس غير مألوفة. ومن خلال التعلم المستمر، يستطيع الروبوت إتقان مهمة تصنيع محددة، ثم تعلّم التعامل مع خط منتجات مختلف لاحقًا من دون الحاجة إلى إعادة ضبط النظام بالكامل، ما يدعم بفاعلية خطوط ابتكار الصناعة 4.0 المرنة.
• تشخيص التصوير الطبي: تتطور بيانات الرعاية الصحية مع ظهور أمراض جديدة أو تغير بروتوكولات التصوير. ويمكن لنظام ذكاء اصطناعي يساعد أطباء الأشعة استخدام التعلم المستمر لاستيعاب أمراض جديدة، مثل سلالة مستجدة من فيروس تظهر في صور الأشعة السينية، مع الحفاظ على دقة عالية في اكتشاف الحالات الشائعة مثل الالتهاب الرئوي أو الكسور. وهذه القدرة ضرورية للحفاظ على التشخيصات الصحية مواكبة للتطور من دون تعريض سلامة المرضى للخطر عند تطبيق البروتوكولات المعتمدة.

الاستراتيجيات الرئيسية في التعلم المستمر#

للحد من النسيان الكارثي، يستخدم الباحثون استراتيجيات عدة. تضيف أساليب التنظيم قيودًا إلى دالة الخسارة لمنع التغيرات الكبيرة في الأوزان المهمة المحددة في المهام السابقة. وتخزّن أساليب إعادة التشغيل مجموعة فرعية صغيرة من البيانات السابقة (أو تولّد عينات اصطناعية باستخدام الذكاء الاصطناعي التوليدي) وتمزجها ببيانات جديدة أثناء التدريب. وأخيرًا، يخصص عزل المعلمات مجموعات فرعية محددة من معلمات النموذج لمهام مختلفة، لضمان ألا تتداخل تحديثات المهمة الجديدة مع المعلمات المحسّنة للمهام السابقة. وركزت التطورات الحديثة في عامي 2024 و2025 على استخدام نماذج الرؤية واللغة لتحديد السمات العامة والسمات الخاصة بمهام معينة على نحو أفضل.

التعلم المستمر مقابل التعلم بالنقل#

من المهم التمييز بين التعلم المستمر والتعلم بالنقل. ففي التعلم بالنقل، يكون النموذج المدرّب مسبقًا نقطة انطلاق لحل مهمة محددة جديدة، وعادةً لا يكون الأداء في المهمة الأصلية ذا صلة. والهدف هو تحسين الأداء في المجال المستهدف. أما التعلم المستمر، فيهدف إلى تحقيق أداء جيد في المهمة الجديدة وجميع المهام السابقة معًا. وبالمثل، بينما يركز التعلم النشط على اختيار نقاط البيانات الأكثر إفادة لوضع وسوم التدريب عليها، يركز التعلم المستمر على عملية تحديث النموذج نفسه بمرور الوقت.

تحديث نموذج YOLO#

مع أن التعلم المستمر الحقيقي يتطلب تعديلات معمارية متخصصة، يستطيع المستخدمون محاكاة سير العمل هذا بضبط النماذج على بيانات جديدة ممزوجة بمخزن مؤقت من البيانات القديمة. وتبسّط منصة Ultralytics إدارة مجموعات البيانات هذه وإصدار النماذج. فيما يلي مثال على طريقة تحديث نموذج باستخدام API في Python:

from ultralytics import YOLO

# ⁨حمّل نموذجًا دُرّب سابقًا على 'dataset_v1.yaml'⁩
model = YOLO("yolo26n-v1.pt")

# ⁨درّب النموذج على مجموعة بيانات جديدة تضم عينات جديدة وقديمة⁩
# ⁨يساعد هذا على الحد من النسيان الكارثي من خلال «إعادة تشغيل» البيانات القديمة⁩
results = model.train(
    data="dataset_v2_combined.yaml",
    epochs=50,
    imgsz=640,
    lr0=0.001,  # ⁨معدل تعلم أقل للضبط الدقيق⁩
)

التحديات والتوجهات المستقبلية#

على الرغم من التقدم، لا يزال التعلم المستمر مجالًا نشطًا للبحث. ويصعب تحديد معضلة اللدونة والاستقرار المثلى—أي تحقيق التوازن بين القدرة على تعلّم أمور جديدة (اللدونة) والقدرة على الاحتفاظ بما سبق تعلمه (الاستقرار). علاوة على ذلك، يتطلب تقييم هذه الأنظمة مقاييس أداء قوية تأخذ في الحسبان كلًا من النقل الأمامي (سرعة التعلم في المهام الجديدة) والنقل العكسي (تأثير ذلك في المهام القديمة). ومع ازدياد أحجام النماذج التأسيسية، تزداد أهمية أساليب التكيّف المستمر الفعالة مثل التكيّف منخفض الرتبة (LoRA) لتخصيص الأنظمة واسعة النطاق من دون إعادة تدريب كاملة.