Continual Learning

يصف التعلم المستمر (CL)، والذي يُشار إليه غالباً بالتعلم مدى الحياة، قدرة نموذج الذكاء الاصطناعي على تعلم مهام جديدة بشكل متسلسل أو اكتساب معارف جديدة بمرور الوقت دون نسيان المعلومات التي تم تعلمها مسبقاً. على عكس خطوط أنابيب تعلم الآلة التقليدية، حيث يتم تدريب النماذج مرة واحدة على مجموعة بيانات ثابتة ثم نشرها، يحاكي التعلم المستمر قدرة الإنسان على التكيف مع البيئات الجديدة والتعلم من التجارب الجديدة بشكل مستمر. التحدي الرئيسي في هذا المجال هو التغلب على النسيان الكارثي، وهي ظاهرة يؤدي فيها تدريب شبكة عصبية على بيانات جديدة إلى تدهور أدائها بشكل كبير في المهام القديمة لأن الأوزان التي تم تحسينها للمهام القديمة يتم الكتابة فوقها.

Link to this sectionلماذا يعد التعلم المستمر مهماً#

في البيئات الديناميكية الواقعية، نادراً ما تظل توزيعات البيانات ثابتة. على سبيل المثال، يجب أن يتكيف نظام الإدراك البصري في المركبات ذاتية القيادة مع الفصول المتغيرة، أو اللوائح المرورية الجديدة، أو تخطيطات المدن المختلفة دون فقدان القدرة على التعرف على إشارات الطرق الأساسية التي تعلمها أثناء تدريبه الأولي. غالباً ما يكون إعادة التدريب من الصفر على مجموعة بيانات تراكمية مكلفاً من الناحية الحسابية وغير عملي بسبب قيود التخزين أو مخاوف الخصوصية. يعالج التعلم المستمر هذه المشكلات من خلال السماح للنماذج بالتحديث تدريجياً، مما يجعلها أكثر كفاءة وقابلية للتوسع لـ تطبيقات الذكاء الاصطناعي على الحافة حيث تكون الموارد محدودة.

Link to this sectionتطبيقات العالم الحقيقي#

• الروبوتات والأنظمة ذاتية القيادة: تحتاج الروبوتات المنتشرة في بيئات غير منظمة إلى التعامل مع كائنات جديدة أو التنقل في تضاريس غير مألوفة. من خلال التعلم المستمر، يمكن للروبوت إتقان مهمة تصنيع محددة ثم تعلم كيفية التعامل مع خط إنتاج مختلف لاحقاً دون الحاجة إلى إعادة ضبط النظام بالكامل، مما يدعم بفعالية خطوط ابتكار الصناعة 4.0 المرنة.
• تشخيص التصوير الطبي: تتطور بيانات الرعاية الصحية مع ظهور أمراض جديدة أو تغير بروتوكولات التصوير. يمكن لنظام الذكاء الاصطناعي الذي يساعد أطباء الأشعة استخدام التعلم المستمر لدمج أمراض جديدة، مثل سلالة جديدة من فيروس تظهر في الأشعة السينية، مع الحفاظ على دقة عالية في اكتشاف الحالات الشائعة مثل الالتهاب الرئوي أو الكسور. تعد هذه القدرة حيوية للحفاظ على تشخيصات الرعاية الصحية محدثة دون المساس بسلامة المرضى في البروتوكولات القائمة.

Link to this sectionالاستراتيجيات الرئيسية في التعلم المستمر#

للتخفيف من النسيان الكارثي، يستخدم الباحثون عدة استراتيجيات. تفرض طرق التنظيم (Regularization methods) قيوداً على دالة الخسارة لمنع حدوث تغييرات كبيرة في الأوزان المهمة التي تم تحديدها في المهام السابقة. تقوم طرق إعادة التشغيل (Replay methods) بتخزين مجموعة فرعية صغيرة من البيانات السابقة (أو إنشاء عينات اصطناعية باستخدام الذكاء الاصطناعي التوليدي) وخلطها مع بيانات جديدة أثناء التدريب. وأخيراً، تعمل عزل المعلمات (Parameter isolation) على تخصيص مجموعات فرعية محددة من معلمات النموذج لمهام مختلفة، مما يضمن أن التحديثات لمهمة جديدة لا تتداخل مع المعلمات التي تم تحسينها للمهام السابقة. ركزت التطورات الأخيرة في عامي 2024 و2025 على استخدام نماذج الرؤية اللغوية لتحديد الميزات العامة والميزات الخاصة بالمهمة بشكل أفضل.

Link to this sectionالتعلم المستمر مقابل تعلم النقل#

من المهم التمييز بين التعلم المستمر وتعلم النقل. في تعلم النقل، يعمل نموذج مدرب مسبقاً كنقطة بداية لحل مهمة محددة جديدة، وعادة ما يكون الأداء في المهمة الأصلية غير ذي صلة. الهدف هو تعظيم الأداء في النطاق المستهدف. في المقابل، الهدف من التعلم المستمر هو الأداء الجيد في كل من المهمة الجديدة وجميع المهام السابقة. وبالمثل، بينما يركز التعلم النشط على اختيار أكثر نقاط البيانات إفادة لتصنيفها من أجل التدريب، يركز التعلم المستمر على عملية تحديث النموذج نفسه بمرور الوقت.

Link to this sectionتحديث نموذج YOLO#

في حين أن التعلم المستمر الحقيقي يتطلب تعديلات معمارية متخصصة، يمكن للمستخدمين محاكاة سير العمل هذا عن طريق ضبط النماذج بدقة على بيانات جديدة ممزوجة بمخزن مؤقت من البيانات القديمة. تعمل منصة Ultralytics على تبسيط إدارة مجموعات البيانات هذه وإصدارات النماذج. فيما يلي مثال لكيفية مقاربة تحديث نموذج باستخدام Python API:

from ultralytics import YOLO

# Load a model previously trained on 'dataset_v1.yaml'
model = YOLO("yolo26n-v1.pt")

# Train the model on a new dataset containing new and old samples
# This helps mitigate catastrophic forgetting by "replaying" old data
results = model.train(
    data="dataset_v2_combined.yaml",
    epochs=50,
    imgsz=640,
    lr0=0.001,  # Lower learning rate for fine-tuning
)

Link to this sectionالتحديات والتوجهات المستقبلية#

على الرغم من التقدم المحرز، يظل التعلم المستمر مجالاً نشطاً للبحث. إن تحديد معضلة المرونة والاستقرار المثلى — وهي الموازنة بين القدرة على تعلم أشياء جديدة (المرونة) والقدرة على الاحتفاظ بالأشياء القديمة (الاستقرار) — أمر صعب. علاوة على ذلك، يتطلب تقييم هذه الأنظمة مقاييس أداء قوية تأخذ في الاعتبار كلاً من النقل الأمامي (سرعة التعلم في المهام الجديدة) والنقل العكسي (التأثير على المهام القديمة). ومع نمو حجم النماذج التأسيسية، أصبحت طرق التكيف المستمر الفعالة مثل التكيف منخفض الرتبة (LoRA) حاسمة لتخصيص الأنظمة واسعة النطاق دون الحاجة إلى إعادة تدريب كاملة.