Continual Learning

Học liên tục (CL), thường được gọi là học suốt đời, mô tả khả năng của model trí tuệ nhân tạo trong việc lần lượt học các tác vụ mới hoặc tiếp thu kiến thức mới theo thời gian mà không quên thông tin đã học trước đó. Khác với pipeline học máy truyền thống, trong đó model chỉ được huấn luyện một lần trên tập dữ liệu tĩnh rồi triển khai, học liên tục mô phỏng khả năng thích nghi với môi trường mới và liên tục học hỏi từ trải nghiệm mới của con người. Thách thức chính trong lĩnh vực này là khắc phục hiện tượng quên thảm họa, khi việc huấn luyện mạng nơ-ron trên dữ liệu mới khiến hiệu suất của mạng suy giảm nghiêm trọng trên các tác vụ cũ vì các trọng số được tối ưu cho tác vụ cũ bị ghi đè.

Tại sao học liên tục quan trọng#

Trong môi trường thực tế năng động, phân phối dữ liệu hiếm khi giữ nguyên trạng thái. Chẳng hạn, hệ thống nhận thức thị giác trên phương tiện tự hành phải thích nghi với sự thay đổi mùa, quy định giao thông mới hoặc cách bố trí thành phố khác nhau mà không mất khả năng nhận diện các biển báo cơ bản đã học trong quá trình huấn luyện ban đầu. Huấn luyện lại từ đầu trên tập dữ liệu tích lũy thường tốn kém về tính toán và không thực tế do hạn chế về lưu trữ hoặc lo ngại quyền riêng tư. Học liên tục giải quyết những vấn đề này bằng cách cho phép cập nhật model theo từng bước, giúp model hiệu quả và có khả năng mở rộng hơn cho các ứng dụng AI biên có tài nguyên hạn chế.

Ứng dụng thực tế#

• Robot và hệ thống tự hành: Robot được triển khai trong môi trường không cấu trúc cần thao tác với vật thể mới hoặc di chuyển trên địa hình mới. Thông qua học liên tục, robot có thể thành thạo một tác vụ sản xuất cụ thể rồi học cách xử lý dòng sản phẩm khác mà không cần đặt lại toàn bộ hệ thống, qua đó hỗ trợ hiệu quả các quy trình đổi mới Công nghiệp 4.0 linh hoạt.
• Chẩn đoán hình ảnh y tế: Dữ liệu chăm sóc sức khỏe thay đổi khi xuất hiện bệnh mới hoặc quy trình chụp ảnh thay đổi. Hệ thống AI hỗ trợ bác sĩ chẩn đoán hình ảnh có thể dùng học liên tục để bổ sung các bệnh lý mới, chẳng hạn chủng virus mới xuất hiện trên ảnh X-quang, đồng thời duy trì độ chính xác cao khi phát hiện các tình trạng phổ biến như viêm phổi hoặc gãy xương. Khả năng này rất quan trọng để duy trì chẩn đoán y tế cập nhật mà không ảnh hưởng đến an toàn bệnh nhân theo các quy trình đã được thiết lập.

Các chiến lược chính trong học liên tục#

Để giảm thiểu hiện tượng quên thảm họa, các nhà nghiên cứu sử dụng một số chiến lược. Phương pháp chính quy hóa bổ sung các ràng buộc vào hàm mất mát nhằm ngăn những thay đổi đáng kể đối với các trọng số quan trọng đã được xác định trong những tác vụ trước. Phương pháp phát lại lưu một tập con nhỏ dữ liệu trước đây (hoặc tạo mẫu tổng hợp bằng AI tạo sinh) rồi trộn chúng với dữ liệu mới trong quá trình huấn luyện. Cuối cùng, cô lập tham số dành riêng các tập con tham số của model cho những tác vụ khác nhau, đảm bảo việc cập nhật cho tác vụ mới không ảnh hưởng đến các tham số đã tối ưu cho tác vụ trước. Những tiến bộ gần đây trong năm 2024 và 2025 tập trung vào việc sử dụng model thị giác-ngôn ngữ để xác định tốt hơn đặc trưng nào mang tính tổng quát và đặc trưng nào dành riêng cho tác vụ.

Học liên tục và học chuyển giao#

Điều quan trọng là phải phân biệt học liên tục với học chuyển giao. Trong học chuyển giao, model được huấn luyện trước đóng vai trò điểm khởi đầu để giải quyết một tác vụ cụ thể mới, và hiệu suất trên tác vụ ban đầu thường không liên quan. Mục tiêu là tối đa hóa hiệu suất trong miền đích. Ngược lại, học liên tục hướng đến hiệu suất tốt trên cả tác vụ mới lẫn mọi tác vụ trước đó. Tương tự, trong khi học chủ động tập trung chọn các điểm dữ liệu giàu thông tin nhất để gán nhãn phục vụ huấn luyện, học liên tục tập trung vào quá trình cập nhật chính model theo thời gian.

Cập nhật model YOLO#

Dù học liên tục thực sự đòi hỏi các điều chỉnh kiến trúc chuyên biệt, người dùng có thể mô phỏng quy trình này bằng cách fine-tune model trên dữ liệu mới được trộn với một bộ đệm dữ liệu cũ. Ultralytics Platform đơn giản hóa việc quản lý các tập dữ liệu này và quản lý phiên bản model. Dưới đây là ví dụ về cách cập nhật model bằng Python API:

from ultralytics import YOLO

# Tải model đã được huấn luyện trước đó trên 'dataset_v1.yaml'
model = YOLO("yolo26n-v1.pt")

# Huấn luyện model trên tập dữ liệu mới có chứa cả mẫu mới lẫn mẫu cũ
# Cách này giúp giảm hiện tượng quên thảm họa bằng cách "phát lại" dữ liệu cũ
results = model.train(
    data="dataset_v2_combined.yaml",
    epochs=50,
    imgsz=640,
    lr0=0.001,  # Giảm learning rate để fine-tune
)

Thách thức và định hướng tương lai#

Bất chấp những tiến bộ, học liên tục vẫn là lĩnh vực đang được nghiên cứu tích cực. Việc xác định thế lưỡng nan giữa tính linh hoạt và tính ổn định tối ưu—cân bằng khả năng học điều mới (tính linh hoạt) với khả năng ghi nhớ điều cũ (tính ổn định)—là việc khó khăn. Hơn nữa, để đánh giá các hệ thống này cần có chỉ số hiệu suất vững chắc, учиты đến cả chuyển giao xuôi (tốc độ học tác vụ mới) và chuyển giao ngược (tác động đến tác vụ cũ). Khi foundation models ngày càng lớn, các phương pháp thích nghi liên tục hiệu quả như Điều chỉnh hạng thấp (LoRA) trở nên thiết yếu để tùy chỉnh hệ thống quy mô lớn mà không cần huấn luyện lại toàn bộ.