Continual Learning

Sürekli öğrenme (CL), çoğu zaman yaşam boyu öğrenme olarak da adlandırılır ve bir yapay zekâ modelinin daha önce öğrendiği bilgileri unutmadan zaman içinde art arda yeni görevler öğrenebilme veya yeni bilgiler edinebilme yeteneğini ifade eder. Modellerin statik bir veri kümesi üzerinde bir kez eğitilip ardından dağıtıldığı geleneksel makine öğrenimi hatlarından farklı olarak sürekli öğrenme, insanın yeni ortamlara uyum sağlama ve yeni deneyimlerden devamlı öğrenme yeteneğini taklit eder. Bu alandaki temel zorluk, felaket niteliğinde unutmayı önlemektir. Bu olgu, bir sinir ağının yeni verilerle eğitilmesinin eski görevlerdeki performansını ciddi biçimde düşürmesiyle ortaya çıkar; çünkü eski görevler için optimize edilen ağırlıkların üzerine yazılır.

Sürekli Öğrenme Neden Önemlidir#

Dinamik gerçek dünya ortamlarında veri dağılımları nadiren sabit kalır. Örneğin otonom bir araçtaki görsel algı sistemi; başlangıçtaki eğitiminde öğrendiği temel trafik işaretlerini tanıma yeteneğini kaybetmeden değişen mevsimlere, yeni trafik düzenlemelerine veya farklı şehir planlarına uyum sağlamalıdır. Birikimli veri kümesi üzerinde geleneksel biçimde sıfırdan yeniden eğitim yapmak, depolama kısıtları veya gizlilik kaygıları nedeniyle çoğunlukla hesaplama açısından pahalı ve uygulanması güçtür. Sürekli öğrenme, modellerin artımlı olarak güncellenmesine olanak tanıyarak kaynakların sınırlı olduğu uç AI uygulamaları için modelleri daha verimli ve ölçeklenebilir hâle getirir.

Gerçek Dünya Uygulamaları#

• Robotik ve Otonom Sistemler: Yapılandırılmamış ortamlarda kullanılan robotların yeni nesneleri işleyebilmesi veya yeni arazilerde yol alabilmesi gerekir. Sürekli öğrenme sayesinde bir robot belirli bir üretim görevinde ustalaşabilir ve daha sonra sistemi tamamen sıfırlamaya gerek kalmadan farklı bir ürün hattını işlemeyi öğrenebilir; böylece esnek Endüstri 4.0 inovasyon hatlarını etkin biçimde destekler.
• Tıbbi Görüntüleme Tanısı: Yeni hastalıklar ortaya çıktıkça veya görüntüleme protokolleri değiştikçe sağlık verileri de dönüşür. Radyologlara yardımcı olan bir AI sistemi, röntgenlerde görülen yeni bir virüs türü gibi yeni patolojileri sürekli öğrenmeyle sisteme dâhil ederken zatürre veya kırıklar gibi yaygın durumları saptamadaki yüksek doğruluğunu koruyabilir. Bu yetenek, yerleşik protokollerde hasta güvenliğinden ödün vermeden sağlık hizmetleri tanı yöntemlerini güncel tutmak için hayati önem taşır.

Sürekli Öğrenmede Temel Stratejiler#

Felaket niteliğinde unutmayı azaltmak için araştırmacılar çeşitli stratejiler kullanır. Düzenlileştirme yöntemleri, önceki görevlerde önemli olduğu belirlenen ağırlıkların ciddi ölçüde değişmesini önlemek için kayıp işlevine kısıtlamalar ekler. Tekrar yöntemleri, önceki verilerin küçük bir alt kümesini saklar (veya üretici AI kullanarak sentetik örnekler üretir) ve eğitim sırasında bunları yeni verilerle birleştirir. Son olarak parametre yalıtımı, model parametrelerinin belirli alt kümelerini farklı görevlere ayırarak yeni bir göreve yönelik güncellemelerin önceki görevler için optimize edilen parametrelere müdahale etmemesini sağlar. 2024 ve 2025'teki son gelişmeler, hangi özelliklerin genel, hangilerinin göreve özgü olduğunu daha iyi belirlemek için görü-dil modellerinin kullanımına odaklandı.

Sürekli Öğrenme ve Aktarım Öğrenimi#

Sürekli öğrenmeyi aktarım öğreniminden ayırmak önemlidir. Aktarım öğreniminde önceden eğitilmiş bir model, belirli bir yeni görevi çözmek için başlangıç noktası olarak kullanılır ve özgün görevdeki performans genellikle önem taşımaz. Amaç, hedef alandaki performansı en üst düzeye çıkarmaktır. Buna karşılık sürekli öğrenmenin amacı hem yeni görevde hem de önceki tüm görevlerde iyi performans göstermektir. Benzer şekilde, aktif öğrenme eğitim için etiketlenecek en bilgilendirici veri noktalarını seçmeye odaklanırken sürekli öğrenme, modelin zaman içinde güncellenme sürecine odaklanır.

YOLO Modelini Güncelleme#

Gerçek anlamda sürekli öğrenme, mimaride özel düzenlemeler gerektirse de kullanıcılar eski verilerden oluşan bir tamponla karıştırılmış yeni veriler üzerinde modelleri ince ayarlayarak bu iş akışını taklit edebilir. Ultralytics Platformu, bu veri kümelerinin yönetimini ve model sürümlemeyi kolaylaştırır. Aşağıda Python API'sini kullanarak bir modeli güncelleme yaklaşımına ilişkin bir örnek yer alıyor:

from ultralytics import YOLO

# 'dataset_v1.yaml' üzerinde daha önce eğitilmiş bir modeli yükle
model = YOLO("yolo26n-v1.pt")

# Modeli, yeni ve eski örnekler içeren yeni bir veri kümesi üzerinde eğit
# Bu, eski verileri "yeniden oynatarak" felaket niteliğinde unutmayı azaltmaya yardımcı olur
results = model.train(
    data="dataset_v2_combined.yaml",
    epochs=50,
    imgsz=640,
    lr0=0.001,  # İnce ayar için daha düşük öğrenme oranı
)

Zorluklar ve Geleceğe Yönelik Yaklaşımlar#

Kaydedilen ilerlemeye rağmen sürekli öğrenme, araştırmaların sürdüğü bir alan olmaya devam ediyor. Yeni şeyler öğrenme yeteneği (esneklik) ile eski bilgileri koruma yeteneği (istikrar) arasındaki dengeyi ifade eden en uygun esneklik-istikrar ikilemini belirlemek zordur. Ayrıca bu sistemleri değerlendirmek, hem ileri aktarımı (yeni görevleri öğrenme hızını) hem de geriye dönük aktarımı (eski görevler üzerindeki etkiyi) hesaba katan sağlam performans ölçütleri gerektirir. Temel modeller büyüdükçe Düşük Sıralı Uyarlama (LoRA) gibi verimli sürekli uyarlama yöntemleri, tam yeniden eğitim olmadan büyük ölçekli sistemleri özelleştirmek için önem kazanıyor.