Online Learning

التعلّم عبر الإنترنت هو نهج في تعلّم الآلة يُحدّث فيه النموذج تدريجيًا عند وصول أمثلة جديدة، بدلًا من تدريبه مرة واحدة على مجموعة بيانات ثابتة. ويشير المصطلح إلى تحديثات النموذج المتدفقة أو المتسلسلة، وليس إلى التعليم القائم على الإنترنت. ويمكن لنظام التعلّم عبر الإنترنت إجراء تنبؤ، وتلقّي ملاحظات، والتحديث بعد كل عينة أو دفعة صغيرة، كما هو موضح في تعريف scikit-learn للتعلّم عبر الإنترنت. وهذا يجعله مفيدًا عندما تكون البيانات مستمرة، أو أكبر من سعة الذاكرة، أو متغيرة بمرور الوقت. (scikit-learn.org)

كيفية عمل التعلّم عبر الإنترنت#

تتكون الدورة النموذجية من الخطوات التالية:

1. يتلقى النموذج إدخالًا جديدًا ويُجري تنبؤًا.
2. تتوفر تسمية أو إشارة ملاحظات.
3. تُحسب الخسارة وتُحدّث معاملات النموذج.
4. يُقاس الأداء قبل معالجة المثال التالي.

تطبّق مكتبات مثل River لتعلّم الآلة المتدفق سير عمل التنبؤ ثم التعلّم هذا باستخدام أساليب مثل predict_one() وlearn_one(). ويمكن للشبكات العصبية استخدام المبدأ نفسه من خلال خطوات مُحسِّن PyTorch المتكررة، مع أن النماذج العميقة تُحدّث عادةً على دفعات صغيرة لتحقيق الكفاءة الحسابية. (docs.pytorch.org)

يكتسب التعلّم عبر الإنترنت أهمية خاصة في ظل انجراف المفهوم، حيث تتغير العلاقة بين المدخلات والمخرجات. وتشمل الأمثلة أنماط حركة المرور الموسمية، وتغير سلوك العملاء، وظهور عيوب تصنيع جديدة، أو تركيب كاميرات في ظروف إضاءة مختلفة. وتوضح دراسة استقصائية حول انجراف المفهوم المتكرر أُجريت في عام 2024 أن الظروف المتكررة، مثل الطقس ووقت اليوم، تتطلب من الأنظمة التعرّف على التوزيعات التي سبق مواجهتها والتكيف معها. (ijcai.org)

التعلّم عبر الإنترنت في الرؤية الحاسوبية#

لا يجري Ultralytics YOLO تحديثات غير خاضعة للضبط للأوزان على أساس كل إطار أثناء الاستدلال. وبدلًا من ذلك، يمكن للفرق تقريب التعلّم الآمن عبر الإنترنت من خلال الضبط الدقيق الدوري على دفعات صغيرة باستخدام بيانات حديثة موسومة ممزوجة بأمثلة أقدم:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=3, imgsz=640, lr0=0.001)

يستخدم هذا المثال القابل للتشغيل Ultralytics YOLO26 ووضع التدريب الموثق في YOLO لإجراء تحديث صغير بمعدل تعلّم منخفض. وفي بيئة الإنتاج، سيُستبدل coco8.yaml بمجموعة بيانات ذات إصدارات تتضمن عينات حديثة ومعاد تشغيلها.

تشمل التطبيقات العملية ما يلي:

• الفحص البصري في التصنيع: تُحدّث النماذج عند ظهور منتجات أو مواد أو أنواع عيوب جديدة.
• إدراك المركبات ذاتية القيادة: تتكيف أنظمة الكشف مع تغير الطرق والطقس وظروف الكاميرا وتوزيعات الكائنات.
• إدارة مخزون التجزئة: تتعلم النماذج التغليفات والمنتجات الموسمية الجديدة من دون الحاجة إلى إعادة التدريب الكامل.

المفاهيم ذات الصلة والفروقات الرئيسية#

يُعدّ التعلّم المستمر أوسع نطاقًا؛ إذ يهدف إلى التعلّم عبر المهام أو المجالات مع الاحتفاظ بالمعرفة السابقة. ويصف التعلّم عبر الإنترنت متى تحدث التحديثات ومدى تكرارها. أما التعلّم النشط فيختار الأمثلة الأكثر إفادة لتوسيمها بشريًا، بينما يكيّف التعلّم بالنقل المعرفة المدرّبة مسبقًا مع مهمة مستهدفة.

يتمثل أحد التحديات المشتركة الرئيسية في النسيان الكارثي. وتشمل الأبحاث الحديثة التكيّف المستمر في وقت الاختبار BECoTTA لعام 2024، وتقليل الإنتروبيا المرتب لعام 2025، وأسلوب PLASTIC للاستقرار والمرونة لعام 2026، وهي تستكشف التكيّف الفعّال دون انهيار النموذج أو فقدان قدراته السابقة. (proceedings.mlr.press)

أفضل الممارسات الحالية#

• راقب انجراف البيانات: تتبّع توزيعات المدخلات ومستوى الثقة والدقة وتكرار الفئات.
• حافظ على بيانات إعادة التشغيل: امزج عينات تاريخية تمثيلية مع البيانات الجديدة للحد من النسيان.
• تحقق قبل النشر: قارن النماذج المحدّثة بمجموعات اختبار ثابتة للحجز ومجموعات اختبار تستند إلى البيانات الحديثة.
• أنشئ إصدارات لسير العمل الكامل: استخدم Ultralytics Platform لإدارة التوسيم ومجموعات البيانات والتدريب والنشر والمراقبة.
• اكتشف الانجراف غير الموسوم: عندما تتأخر التسميات، راقب توزيعات السمات وسلوك التنبؤ بدلًا من انتظار قياسات الدقة. (dfki.de)