Online Learning

El aprendizaje en línea es un enfoque de aprendizaje automático en el que un modelo se actualiza de forma incremental a medida que llegan nuevos ejemplos, en lugar de entrenarse una sola vez con un conjunto de datos fijo. El término hace referencia a las actualizaciones de modelos mediante flujos de datos o de forma secuencial, no a la educación basada en internet. Un aprendiz en línea puede predecir, recibir retroalimentación y actualizarse después de cada muestra o lote pequeño, tal como se describe en la definición de aprendizaje en línea de scikit-learn. Esto resulta útil cuando los datos son continuos, demasiado grandes para caber en memoria o cambian con el tiempo. (scikit-learn.org)

Cómo funciona el aprendizaje en línea#

Un ciclo típico es el siguiente:

1. El modelo recibe una nueva entrada y realiza una predicción.
2. Hay disponible una etiqueta o una señal de retroalimentación.
3. Se calcula la pérdida y se actualizan los parámetros del modelo.
4. Se mide el rendimiento antes de procesar el siguiente ejemplo.

Bibliotecas como River para el aprendizaje automático mediante flujos de datos implementan este flujo de trabajo de predecir y después aprender con métodos como predict_one() y learn_one(). Las redes neuronales pueden aplicar el mismo principio mediante pasos repetidos del optimizador de PyTorch, aunque los modelos profundos suelen actualizarse en lotes pequeños para mejorar la eficiencia computacional. (docs.pytorch.org)

El aprendizaje en línea es especialmente valioso ante la deriva de concepto, cuando cambia la relación entre las entradas y las salidas. Algunos ejemplos son los patrones de tráfico estacionales, los cambios en el comportamiento de los clientes, la aparición de nuevos defectos de fabricación o las cámaras instaladas con condiciones de iluminación diferentes. Un estudio de 2024 sobre la deriva de concepto recurrente destaca que las condiciones recurrentes, como el tiempo meteorológico y la hora del día, requieren que los sistemas reconozcan y se adapten a distribuciones encontradas anteriormente. (ijcai.org)

Aprendizaje en línea en visión por ordenador#

Ultralytics YOLO no realiza actualizaciones de pesos no controladas en cada fotograma durante la inferencia. En su lugar, los equipos pueden aproximarse a un aprendizaje en línea seguro mediante un ajuste fino periódico en microlotes de datos recientes etiquetados, combinados con ejemplos antiguos:

from ultralytics import YOLO

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

Este ejemplo ejecutable utiliza Ultralytics YOLO26 y el modo de entrenamiento de YOLO documentado para realizar una actualización pequeña con una tasa de aprendizaje baja. En producción, coco8.yaml se sustituiría por un conjunto de datos versionado que contenga muestras recientes y reproducidas.

Entre las aplicaciones concretas se incluyen:

• Inspección visual en fabricación: Los modelos se actualizan cuando aparecen nuevos productos, materiales o tipos de defectos.
• Percepción para vehículos autónomos: Los sistemas de detección se adaptan a los cambios en las carreteras, el tiempo meteorológico, las condiciones de las cámaras y las distribuciones de objetos.
• Gestión del inventario minorista: Los modelos aprenden nuevos envases y productos de temporada sin necesidad de volver a entrenarse por completo.

Conceptos relacionados y diferencias clave#

El aprendizaje continuo es más amplio: su objetivo es aprender en distintas tareas o dominios conservando el conocimiento anterior. El aprendizaje en línea describe cuándo y con qué frecuencia se producen las actualizaciones. El aprendizaje activo, en cambio, selecciona los ejemplos más informativos para que los etiquete una persona, mientras que el aprendizaje por transferencia adapta el conocimiento preentrenado a una tarea objetivo.

Un desafío importante que comparten es el olvido catastrófico. Entre las investigaciones recientes se incluyen la adaptación continua en tiempo de prueba BECoTTA de 2024, la minimización de entropía clasificada de 2025 y el método de estabilidad-plasticidad PLASTIC de 2026, que exploran una adaptación eficiente sin que el modelo colapse ni pierda capacidades anteriores. (proceedings.mlr.press)

Mejores prácticas actuales#

• Supervisa la deriva de datos: Haz un seguimiento de las distribuciones de entrada, la confianza, la precisión y la frecuencia de las clases.
• Conserva los datos de repetición: Combina muestras históricas representativas con datos nuevos para reducir el olvido.
• Valida antes del despliegue: Compara los modelos actualizados con conjuntos de prueba estables de retención y conjuntos de prueba de datos recientes.
• Versiona el flujo de trabajo completo: Usa Ultralytics Platform para gestionar la anotación, los conjuntos de datos, el entrenamiento, el despliegue y la supervisión.
• Detecta la deriva sin etiquetas: Cuando las etiquetas llegan tarde, supervisa las distribuciones de características y el comportamiento de las predicciones en lugar de esperar a las mediciones de precisión. (dfki.de)