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.

لماذا يعد التعلم المستمر مهماً#

في البيئات الواقعية الديناميكية، نادراً ما تظل توزيعات البيانات ثابتة. على سبيل المثال، يجب على نظام الإدراك البصري في مركبة ذاتية القيادة التكيف مع الفصول المتغيرة، أو لوائح المرور الجديدة، أو تخطيطات المدن المختلفة دون أن يفقد القدرة على التعرف على إشارات المرور الأساسية التي تعلمها خلال تدريبه الأولي. غالباً ما يكون إعادة التدريب من الصفر التقليدي 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 بشكل تدريجي، مما يجعلها أكثر كفاءة وقابلية للتوسع لتطبيقات edge AI applications حيث تكون الموارد محدودة.

تطبيقات العالم الحقيقي#

• الروبوتات والأنظمة ذاتية القيادة: تحتاج الروبوتات المنتشرة في بيئات غير منظمّة إلى التعامل مع كائنات جديدة أو التنقل في تضاريس جديدة. من خلال التعلم المستمر، يمكن للروبوت إتقان مهمة تصنيع معينة ثم التعلم لاحقاً للتعامل مع خط منتجات مختلف دون الحاجة إلى إعادة ضبط كاملة للنظام، 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 أخصائيي الأشعة استخدام التعلم المستمر لدمج أمراض جديدة، مثل سلالة جديدة من الفيروس لوحظت في الأشعة السينية، مع الاحتفاظ بدقة عالية في اكتشاف الحالات الشائعة مثل الالتهاب الرئوي أو الكسور. هذه القدرة حيوية للحفاظ على تشخيصات الرعاية الصحية المحدثة دون المساس بسلامة المريض على البروتوكولات المعمول بها.

الاستراتيجيات الرئيسية في التعلم المستمر#

للتخفيف من النسيان الكارثي، يستخدم الباحثون عدة استراتيجيات. تضيف طرق التنظيم قيوداً إلى loss function لمنع التغييرات الكبيرة في الأوزان المهمة التي تم تحديدها في المهام السابقة. تقوم طرق التشغيل المتكرر بتخزين مجموعة فرعية صغيرة من البيانات السابقة (أو توليد عينات اصطناعية باستخدام generative AI) وخلطها مع بيانات جديدة أثناء التدريب. وأخيراً، تخصص عزل المعلمات مجموعات فرعية محددة من معلمات النموذج لمهام مختلفة، مما يضمن ألا تتداخل التحديثات لمهمة جديدة مع المعلمات المحسنة للمهام السابقة. ركزت التطورات الحديثة في عامي 2024 و 2025 على استخدام vision language models لتحديد بشكل أفضل أي الميزات عامة وأيها خاصة بالمهمة.

التعلم المستمر مقابل تعلم النقل#

من المهم التمييز بين التعلم المستمر وtransfer learning. في التعلم النقل، يعمل النموذج المدرب مسبقاً نقطة بداية لحل مهمة جديدة محددة، وعادة ما يكون الأداء في المهمة الأصلية غير ذي صلة. الهدف هو تعظيم الأداء على المجال المستهدف. في المقابل، فإن هدف التعلم المستمر هو الأداء الجيد على كل من المهمة الجديدة وجميع المهام السابقة. وبالمثل، بينما يركز active learning على اختيار نقاط البيانات الأكثر إفادة ليتم تصنيفها للتدريب، يركز التعلم المستمر على عملية تحديث النموذج نفسه بمرور الوقت.

تحديث نموذج YOLO#

بينما يتطلب التعلم المستمر الحقيقي تعديلات معمارية متخصصة، يمكن للمستخدمين محاكاة سير العمل هذا عن طريق ضبط النماذج بدقة على بيانات جديدة ممزوجة مع مخزن مؤقت للبيانات القديمة. تعمل Ultralytics Platform على تبسيط إدارة مجموعات البيانات هذه وإصدارات النماذج. فيما يلي مثال على كيفية الاقتراب من 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
)

التحديات والتوجهات المستقبلية#

على الرغم من التقدم المحرز، يظل التعلم المستمر مجال بحث نشطاً. يعد تحديد plasticity-stability dilemma الأمثل - الموازنة بين القدرة على تعلم أشياء جديدة (المرونة) والقدرة على الاحتفاظ بالأشياء القديمة (الاستقرار) - أمراً صعباً. علاوة على ذلك، يتطلب تقييم هذه الأنظمة performance metrics قوية تأخذ في الاعتبار كلاً من النقل الأمامي (سرعة التعلم في المهام الجديدة) والنقل الخلفي (التأثير على المهام القديمة). ومع نمو foundation models لتصبح أكبر، تصبح طرق التكيف المستمر الفعالة مثل التكيف منخفض الرتبة (LoRA) بالغة الأهمية لتخصيص الأنظمة واسعة النطاق دون إعادة تدريب كاملة.