Continual Learning

Sürekli öğrenme (CL), genellikle yaşam boyu öğrenme olarak adlandırılır ve bir yapay zeka modelinin, önceden öğrenilmiş bilgileri unutmadan zaman içinde sırayla yeni görevler öğrenme veya yeni bilgiler edinme yeteneğini tanımlar. Modellerin statik bir veri kümesi üzerinde bir kez eğitilip ardından dağıtıldığı geleneksel makine öğrenimi boru hatlarından farklı olarak, sürekli öğrenme insanın yeni ortamlara uyum sağlama ve yeni deneyimlerden sürekli olarak öğrenme yeteneğini taklit eder. Bu alandaki temel zorluk, bir sinir ağını yeni veriler üzerinde eğitmenin, eski görevler için optimize edilmiş ağırlıkların üzerine yazılması nedeniyle eski görevlerdeki performansının ciddi şekilde düşmesine neden olduğu bir olgu olan felaket unutmayı (catastrophic forgetting) aşmaktır.

Sürekli Öğrenme Neden Önemlidir#

Dinamik gerçek dünya ortamlarında, veri dağılımları nadiren sabit kalır. Örneğin, otonom bir araç üzerindeki görsel algılama sistemi; ilk eğitimi sırasında öğrenilen temel trafik işaretlerini tanıma yeteneğini kaybetmeden değişen mevsimlere, yeni trafik düzenlemelerine veya farklı şehir düzenlerine uyum sağlamalıdır. Kümülatif bir veri kümesi üzerinde sıfırdan geleneksel yeniden eğitim (retraining from scratch), depolama kısıtlamaları veya gizlilik endişeleri nedeniyle genellikle hesaplama açısından pahalı ve pratik değildir. Sürekli öğrenme (continual learning), modellerin aşamalı olarak güncellenmesine izin vererek bu sorunları ele alır ve kaynakların sınırlı olduğu uç yapay zeka uygulamaları (edge AI applications) için onları daha verimli ve ölçeklenebilir hale getirir.

Gerçek Dünya Uygulamaları#

• Robotik ve Otonom Sistemler: Yapılandırılmamış ortamlarda görevlendirilen robotların yeni nesneleri manipüle etmesi veya yeni arazilerde gezinmesi gerekir. Sürekli öğrenme sayesinde bir robot, tam bir sistem sıfırlamasına ihtiyaç duymadan belirli bir üretim görevinde ustalaşabilir ve daha sonra farklı bir ürün hattını yönetmeyi öğrenebilir; bu da esnek endüstri 4.0 inovasyon hatlarını etkili bir şekilde destekler.
• Tıbbi Görüntüleme Teşhisi: Sağlık verileri, yeni hastalıklar ortaya çıktıkça veya görüntüleme protokolleri değiştiğinde gelişir. Radyologlara yardımcı olan bir yapay zeka sistemi, pnömoni veya kırıklar gibi yaygın durumları tespit etmede yüksek doğruluğu korurken, X-ışınlarında görülen yeni bir virüs suşu gibi yeni patolojileri dahil etmek için sürekli öğrenmeyi kullanabilir. Bu yetenek,established protokollerde hasta güvenliğinden ödün vermeden güncel sağlık teşhislerini sürdürmek için hayati önem taşır.

Sürekli Öğrenmede Temel Stratejiler#

Felaket niteliğindeki unutmayı hafifletmek için araştırmacılar çeşitli stratejiler kullanmaktadır. Düzenlileştirme yöntemleri (regularization methods), önceki görevlerde tanımlanan önemli ağırlıklarda önemli değişiklikleri önlemek için kayıp fonksiyonuna (loss function) kısıtlamalar ekler. Yeniden oynatma yöntemleri (replay methods), önceki verilerin küçük bir alt kümesini depolar (veya üretken yapay zeka kullanarak sentetik örnekler üretir) ve eğitim sırasında bunları yeni verilerle karıştırır. Son olarak, parametre izolasyonu, modelin parametrelerinin belirli alt kümelerini farklı görevlere adayarak yeni bir görev için yapılan güncellemelerin öncekiler için optimize edilmiş parametrelere müdahale etmemesini sağlar. 2024 ve 2025 yıllarındaki son gelişmeler, hangi özelliklerin genel ve hangilerinin göreve özel olduğunu daha iyi belirlemek için görme dil modellerinin (vision language models) kullanımına odaklanmıştır.

Sürekli Öğrenme ve Transfer Öğrenimi#

Sürekli öğrenmeyi aktarım öğrenmesinden (transfer learning) ayırmak önemlidir. Aktarım öğrenmesinde, önceden eğitilmiş bir model yeni belirli bir görevi çözmek için bir başlangıç noktası görevi görür ve orijinal görevdeki performans genellikle önemsizdir. Amaç, hedef alandaki performansı maksimize etmektir. Buna karşılık, sürekli öğrenmenin hedefi hem yeni görevde hem de önceki tüm görevlerde iyi performans göstermektir. Benzer şekilde, aktif öğrenme (active learning), eğitim için etiketlenecek en bilgilendirici veri noktalarını seçmeye odaklanırken, sürekli öğrenme modelin kendisini zaman içinde güncelleme süreçine odaklanır.

Bir YOLO Modelini Güncelleme#

Gerçek sürekli öğrenme özel mimari ayarlamalar gerektirse de, kullanıcılar modelleri eski verilerin bir tamponuyla karıştırılmış yeni veriler üzerinde ince ayar yaparak (fine-tuning) bu iş akışını simüle edebilir. Ultralytics Platform, bu veri kümelerini yönetmeyi ve model versiyonlamayı basitleştirir. Aşağıda, Python API kullanarak bir modelin güncellenmesine nasıl yaklaşabileceğinize dair bir örnek verilmiştir:

from ultralytics import YOLO

# Load a model previously trained on 'dataset_v1.yaml'
model = YOLO("yolo26n-v1.pt")

# Train the model on a new dataset containing new and old samples
# This helps mitigate catastrophic forgetting by "replaying" old data
results = model.train(
    data="dataset_v2_combined.yaml",
    epochs=50,
    imgsz=640,
    lr0=0.001,  # Lower learning rate for fine-tuning
)

Zorluklar ve Gelecek Yönelimleri#

İlerlemeye rağmen sürekli öğrenme, aktif bir araştırma alanı olmaya devam etmektedir. Yeni şeyler öğrenme yeteneği (plastisite) ile eski şeyleri koruma yeteneği (stabilite) arasındaki dengeyi kuran optimal plastisite-stabilite ikilemini belirlemek zordur. Dahası, bu sistemleri değerlendirmek; hem ileri aktarımı (yeni görevlerde öğrenme hızı) hem de geri aktarımı (eski görevler üzerindeki etki) hesaba katan güçlü performans metrikleri gerektirir. Temel modeller (foundation models) büyüdükçe, Düşük Ranksal Adaptasyon (LoRA) gibi verimli sürekli adaptasyon yöntemleri, tam bir yeniden eğitim olmaksızın büyük ölçekli sistemleri özelleştirmek için kritik hale gelmektedir.