Online Learning

El aprendizaje en línea es un enfoque de machine learning en el que un modelo se actualiza de forma incremental a medida que llegan nuevos ejemplos, en lugar de entrenar una sola vez sobre un conjunto de datos fijo. El término se refiere a actualizaciones de modelos secuenciales o en streaming, no a educación basada en internet. Un alumno en línea puede predecir, recibir retroalimentación y actualizarse después de cada muestra o lote pequeño, tal como describe la definición de aprendizaje en línea de scikit-learn. Esto lo hace útil cuando los datos son continuos, demasiado grandes para la memoria o cambian con el tiempo. (scikit-learn.org)

Link to this sectionCómo funciona el aprendizaje en línea#

Un ciclo típico es:

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

Bibliotecas como River for streaming machine learning implementan este flujo de trabajo de predecir-luego-aprender con métodos como predict_one() y learn_one(). Las redes neuronales pueden utilizar el mismo principio mediante pasos del optimizador de PyTorch repetidos, aunque los modelos profundos suelen actualizarse en lotes pequeños por eficiencia computacional. (docs.pytorch.org)

El aprendizaje en línea es especialmente valioso bajo concept drift, donde la relación entre las entradas y las salidas cambia. Los ejemplos incluyen patrones de tráfico estacionales, cambios en el comportamiento del cliente, nuevos defectos de fabricación o cámaras instaladas con distinta iluminación. Un estudio de 2024 sobre el desplazamiento recurrente de conceptos destaca que las condiciones recurrentes, como el clima y la hora del día, requieren que los sistemas reconozcan y se adapten a distribuciones encontradas anteriormente. (ijcai.org)

Link to this sectionAprendizaje en línea en visión por ordenador#

Ultralytics YOLO no realiza actualizaciones de pesos incontroladas por frame durante la inferencia. En su lugar, los equipos pueden aproximar un aprendizaje en línea seguro mediante fine-tuning de micro-lotes periódico con datos etiquetados recientes mezclados 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 YOLO documentado para realizar una actualización pequeña con una tasa de aprendizaje baja. En producción, coco8.yaml se reemplazaría por un conjunto de datos versionado que contenga muestras recientes y reproducidas.

Las aplicaciones concretas incluyen:

• Inspección visual en fabricación: Los modelos se actualizan cuando aparecen nuevos productos, materiales o tipos de defectos.
• Percepción en vehículos autónomos: Los sistemas de detección se adaptan a cambios en carreteras, clima, condiciones de las cámaras y distribuciones de objetos.
• Gestión de inventario minorista: Los modelos aprenden nuevos envases y productos de temporada sin necesidad de un reentrenamiento completo.

Link to this sectionConceptos relacionados y diferencias clave#

El aprendizaje continuo es más amplio: su objetivo es aprender a través de tareas o dominios mientras se retiene el conocimiento previo. El aprendizaje en línea describe cuándo y con qué frecuencia ocurren las actualizaciones. El aprendizaje activo, en cambio, selecciona los ejemplos más informativos para que los etiqueten humanos, mientras que el aprendizaje por transferencia adapta el conocimiento preentrenado a una tarea objetivo.

Un desafío compartido importante es el olvido catastrófico. La investigación reciente incluye 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 colapso del modelo ni pérdida de capacidades previas. (proceedings.mlr.press)

Link to this sectionMejores prácticas actuales#

• Monitoriza el data drift: Rastrea las distribuciones de entrada, la confianza, la precisión y la frecuencia de las clases.
• Conserva datos de repetición: Mezcla muestras históricas representativas con nuevos datos para reducir el olvido.
• Valida antes de implementar: Compara los modelos actualizados frente a conjuntos de prueba estables de reserva y datos recientes.
• Version the complete workflow: Use Ultralytics Platform to manage annotation, datasets, training, deployment, and monitoring.
• Detecta el drift sin etiquetas: Cuando las etiquetas llegan tarde, monitoriza las distribuciones de características y el comportamiento de las predicciones en lugar de esperar a las mediciones de precisión. (dfki.de)