Online Learning

L'apprendimento online è un approccio di machine learning in cui un modello si aggiorna in modo incrementale man mano che arrivano nuovi esempi, anziché addestrarsi una sola volta su un set di dati fisso. Il termine si riferisce ad aggiornamenti del modello in streaming o sequenziali, non a un'istruzione basata su Internet. Un learner online può prevedere, ricevere feedback e aggiornarsi dopo ogni campione o piccolo batch, come descritto dalla definizione di apprendimento online di scikit-learn. Questo lo rende utile quando i dati sono continui, troppo grandi per la memoria o cambiano nel tempo. (scikit-learn.org)

Link to this sectionCome funziona l'apprendimento online#

Un ciclo tipico è:

1. Il modello riceve un nuovo input ed effettua una previsione.
2. Diventano disponibili un'etichetta o un segnale di feedback.
3. Viene calcolata la perdita e vengono aggiornati i parametri del modello.
4. Le prestazioni vengono misurate prima di elaborare l'esempio successivo.

Librerie come River per il machine learning in streaming implementano questo flusso di lavoro "prevedi-poi-impara" con metodi come predict_one() e learn_one(). Le reti neurali possono utilizzare lo stesso principio attraverso ripetuti passaggi dell'ottimizzatore PyTorch, sebbene i modelli deep si aggiornino solitamente su piccoli batch per efficienza computazionale. (docs.pytorch.org)

L'apprendimento online è particolarmente prezioso in caso di concept drift, dove la relazione tra input e output cambia. Esempi includono modelli di traffico stagionali, cambiamento del comportamento dei clienti, nuovi difetti di fabbricazione o telecamere installate con condizioni di illuminazione diverse. Un sondaggio del 2024 sul recurrent concept drift evidenzia che condizioni ricorrenti, come il meteo e l'ora del giorno, richiedono ai sistemi di riconoscere e adattarsi a distribuzioni incontrate in precedenza. (ijcai.org)

Link to this sectionL'apprendimento online nella computer vision#

Ultralytics YOLO non esegue aggiornamenti dei pesi non controllati frame-per-frame durante l'inferenza. Invece, i team possono approssimare un apprendimento online sicuro attraverso un fine-tuning periodico a micro-batch su dati etichettati recenti mescolati con esempi più vecchi:

from ultralytics import YOLO

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

Questo esempio eseguibile utilizza Ultralytics YOLO26 e la documentata YOLO train mode per effettuare un piccolo aggiornamento con un basso tasso di apprendimento. In produzione, coco8.yaml verrebbe sostituito con un dataset versionato contenente campioni recenti e riprodotti.

Le applicazioni concrete includono:

• Ispezione visiva industriale: i modelli vengono aggiornati quando appaiono nuovi prodotti, materiali o tipi di difetti.
• Percezione dei veicoli autonomi: i sistemi di rilevamento si adattano a strade, meteo, condizioni delle telecamere e distribuzioni di oggetti mutevoli.
• Gestione dell'inventario al dettaglio: i modelli imparano nuovi packaging e prodotti stagionali senza richiedere un riaddestramento completo.

Link to this sectionConcetti correlati e differenze chiave#

L'apprendimento continuo è più ampio: mira ad apprendere attraverso compiti o domini conservando al contempo le conoscenze precedenti. L'apprendimento online descrive quando e con quale frequenza si verificano gli aggiornamenti. L'apprendimento attivo seleziona invece gli esempi più informativi per l'etichettatura umana, mentre il transfer learning adatta la conoscenza pre-addestrata a un compito target.

Una sfida principale condivisa è la catastrophic forgetting. Le ricerche recenti includono BECoTTA continual test-time adaptation del 2024, Ranked Entropy Minimization del 2025 e il metodo PLASTIC stability-plasticity del 2026, che esplorano un'adattamento efficiente senza collasso del modello o perdita di capacità precedenti. (proceedings.mlr.press)

Link to this sectionMigliori pratiche attuali#

• Monitora il data drift: traccia le distribuzioni di input, la confidenza, l'accuratezza e la frequenza delle classi.
• Preserva i dati di replay: mescola campioni storici rappresentativi con nuovi dati per ridurre la dimenticanza.
• Valida prima del deployment: confronta i modelli aggiornati con set di test stabili e basati su dati recenti.
• Versiona l'intero flusso di lavoro: usa la Ultralytics Platform per gestire annotazioni, dataset, addestramento, deployment e monitoraggio.
• Rileva il drift non etichettato: quando le etichette arrivano in ritardo, monitora le distribuzioni delle feature e il comportamento di previsione invece di attendere le misurazioni dell'accuratezza. (dfki.de)