Online Learning

A aprendizagem online é uma abordagem de aprendizagem automática em que um modelo é atualizado incrementalmente à medida que chegam novos exemplos, em vez de ser treinado uma única vez num conjunto de dados fixo. O termo refere-se a atualizações de modelos em fluxo ou sequenciais — não à educação baseada na Internet. Um aprendiz online pode fazer previsões, receber feedback e atualizar-se após cada amostra ou pequeno lote, conforme descrito na definição de aprendizagem online do scikit-learn. Isto torna-o útil quando os dados são contínuos, demasiado grandes para caber na memória ou mudam ao longo do tempo. (scikit-learn.org)

Como funciona a aprendizagem online#

Um ciclo típico é:

1. O modelo recebe uma nova entrada e faz uma previsão.
2. Uma etiqueta ou um sinal de feedback fica disponível.
3. A perda é calculada e os parâmetros do modelo são atualizados.
4. O desempenho é medido antes de processar o exemplo seguinte.

Bibliotecas como o River para aprendizagem automática em fluxo implementam este fluxo de trabalho de prever e aprender com métodos como predict_one() e learn_one(). As redes neuronais podem utilizar o mesmo princípio através de passos repetidos do otimizador do PyTorch, embora os modelos de aprendizagem profunda geralmente sejam atualizados em pequenos lotes para maior eficiência computacional. (docs.pytorch.org)

A aprendizagem online é especialmente valiosa na presença de deriva de conceito, quando a relação entre as entradas e as saídas muda. Os exemplos incluem padrões de tráfego sazonais, alterações no comportamento dos clientes, novos defeitos de fabrico ou câmaras instaladas sob condições de iluminação diferentes. Uma análise de 2024 sobre a deriva de conceito recorrente destaca que condições recorrentes, como o clima e a hora do dia, exigem que os sistemas reconheçam e se adaptem a distribuições encontradas anteriormente. (ijcai.org)

Aprendizagem online em visão computacional#

O Ultralytics YOLO não executa atualizações de pesos não controladas a cada frame durante a inferência. Em vez disso, as equipas podem aproximar-se de uma aprendizagem online segura através de ajustes finos periódicos em micro lotes de dados recentes etiquetados, misturados com exemplos mais antigos:

from ultralytics import YOLO

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

Este exemplo executável utiliza o Ultralytics YOLO26 e o modo de treino do YOLO documentado para efetuar uma pequena atualização com uma taxa de aprendizagem baixa. Em produção, coco8.yaml seria substituído por um conjunto de dados versionado contendo amostras recentes e amostras recuperadas.

As aplicações concretas incluem:

• Inspeção visual de fabrico: Os modelos são atualizados quando surgem novos produtos, materiais ou tipos de defeitos.
• Perceção para veículos autónomos: Os sistemas de deteção adaptam-se a alterações nas estradas, no clima, nas condições das câmaras e nas distribuições dos objetos.
• Gestão de inventário no retalho: Os modelos aprendem novas embalagens e produtos sazonais sem exigir um novo treino completo.

Conceitos relacionados e principais diferenças#

A aprendizagem contínua é mais abrangente: tem como objetivo aprender entre tarefas ou domínios, preservando o conhecimento anterior. A aprendizagem online descreve quando e com que frequência ocorrem as atualizações. A aprendizagem ativa, por sua vez, seleciona os exemplos mais informativos para serem etiquetados por humanos, enquanto a aprendizagem por transferência adapta conhecimento pré-treinado a uma tarefa-alvo.

Um desafio comum importante é o esquecimento catastrófico. A investigação recente inclui a adaptação contínua em tempo de teste BECoTTA de 2024, a minimização de entropia ordenada de 2025 e o método de estabilidade-plasticidade PLASTIC de 2026, que exploram uma adaptação eficiente sem colapso do modelo nem perda de capacidades anteriores. (proceedings.mlr.press)

Práticas recomendadas atuais#

• Monitoriza a deriva dos dados: Acompanha as distribuições das entradas, a confiança, a precisão e a frequência das classes.
• Preserva os dados de repetição: Mistura amostras históricas representativas com dados novos para reduzir o esquecimento.
• Valida antes da implementação: Compara os modelos atualizados com conjuntos de teste estáveis de validação e com conjuntos baseados em dados recentes.
• Versiona o fluxo de trabalho completo: Utiliza a Ultralytics Platform para gerir a anotação, os conjuntos de dados, o treino, a implementação e a monitorização.
• Deteta a deriva não etiquetada: Quando as etiquetas chegam tarde, monitoriza as distribuições das características e o comportamento das previsões em vez de esperar pelas medições de precisão. (dfki.de)