Online Learning

Aprendizado online é uma abordagem de machine learning na qual um modelo é atualizado de forma incremental à medida que novos exemplos chegam, em vez de treinar apenas uma vez em um conjunto de dados fixo. O termo refere-se a atualizações de modelo sequenciais ou por streaming — não à educação baseada na internet. Um learner online pode prever, receber feedback e atualizar após cada amostra ou pequeno lote, conforme descrito pela definição de aprendizado online do scikit-learn. Isso o torna útil quando os dados são contínuos, grandes demais para a memória ou mudam com o tempo. (scikit-learn.org)

Link to this sectionComo o Aprendizado Online funciona#

Um ciclo típico é:

1. O modelo recebe uma nova entrada e faz uma previsão.
2. Um rótulo ou sinal de feedback torna-se disponível.
3. A perda é calculada e os parâmetros do modelo são atualizados.
4. O desempenho é medido antes de processar o próximo exemplo.

Bibliotecas como River for streaming machine learning implementam esse fluxo de trabalho de previsão-e-aprendizado com métodos como predict_one() e learn_one(). Redes neurais podem usar o mesmo princípio por meio de passos de otimização PyTorch repetidos, embora modelos profundos comumente sejam atualizados em pequenos lotes para eficiência computacional. (docs.pytorch.org)

O aprendizado online é especialmente valioso sob concept drift, onde a relação entre entradas e saídas muda. Exemplos incluem padrões de tráfego sazonais, comportamento do cliente em mudança, novos defeitos de fabricação ou câmeras instaladas sob iluminação diferente. Uma pesquisa de 2024 sobre concept drift recorrente destaca que condições recorrentes, como clima e hora do dia, exigem que os sistemas reconheçam e se adaptem a distribuições encontradas anteriormente. (ijcai.org)

Link to this sectionAprendizado Online em Visão Computacional#

O Ultralytics YOLO não realiza atualizações de peso descontroladas por quadro durante a inferência. Em vez disso, as equipes podem aproximar um aprendizado online seguro por meio de fine-tuning em micro-lotes periódicos com dados rotulados recentes 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 YOLO train mode documentado para fazer uma atualização pequena e com baixa taxa de aprendizado. Em produção, coco8.yaml seria substituído por um conjunto de dados versionado contendo amostras recentes e reproduzidas.

Aplicações concretas incluem:

• Inspeção visual de fabricação: Modelos são atualizados quando novos produtos, materiais ou tipos de defeitos aparecem.
• Percepção de veículos autônomos: Sistemas de detecção se adaptam a estradas, clima, condições de câmera e distribuições de objetos em constante mudança.
• Gestão de estoque no varejo: Modelos aprendem novas embalagens e produtos sazonais sem exigir retreinamento completo.

Link to this sectionConceitos Relacionados e Diferenças Principais#

O Continual learning é mais amplo: visa aprender entre tarefas ou domínios enquanto retém conhecimento anterior. O aprendizado online descreve quando e com que frequência as atualizações ocorrem. O Active learning seleciona os exemplos mais informativos para rotulagem humana, enquanto o transfer learning adapta o conhecimento pré-treinado a uma tarefa alvo.

Um grande desafio compartilhado é o catastrophic forgetting. Pesquisas recentes incluem a adaptação contínua em tempo de teste BECoTTA de 2024, a Ranked Entropy Minimization de 2025 e o método de estabilidade-plasticidade PLASTIC de 2026, que exploram a adaptação eficiente sem colapso do modelo ou perda de capacidades anteriores. (proceedings.mlr.press)

Link to this sectionMelhores Práticas Atuais#

• Monitorar data drift: Rastreie distribuições de entrada, confiança, precisão e frequência de classe.
• Preservar dados de replay: Misture amostras históricas representativas com novos dados para reduzir o esquecimento.
• Validar antes da implantação: Compare modelos atualizados com conjuntos de teste estáveis (holdout) e de dados recentes.
• Versionar o fluxo de trabalho completo: Use a Ultralytics Platform para gerenciar anotações, conjuntos de dados, treinamento, implantação e monitoramento.
• Detectar drift não rotulado: Quando os rótulos chegam com atraso, monitore as distribuições de recursos e o comportamento de previsão em vez de esperar pelas medições de precisão. (dfki.de)