Online Learning

Online learning là một phương pháp machine learning, trong đó một model được cập nhật dần dần khi có các dữ liệu mẫu mới thay vì chỉ huấn luyện một lần trên một tập dữ liệu cố định. Thuật ngữ này ám chỉ việc cập nhật model theo luồng (streaming) hoặc tuần tự—chứ không phải giáo dục dựa trên internet. Một online learner có thể đưa ra dự đoán, nhận phản hồi và cập nhật sau mỗi mẫu hoặc một lô dữ liệu nhỏ, theo mô tả của định nghĩa online learning trên scikit-learn. Điều này làm cho nó trở nên hữu ích khi dữ liệu mang tính liên tục, quá lớn so với bộ nhớ hoặc thay đổi theo thời gian. (scikit-learn.org)

Link to this sectionCách thức hoạt động của Online Learning#

Một chu trình điển hình bao gồm:

1. Model nhận dữ liệu đầu vào mới và đưa ra dự đoán.
2. Nhãn hoặc tín hiệu phản hồi trở nên khả dụng.
3. Loss được tính toán và các tham số của model được cập nhật.
4. Hiệu suất được đo lường trước khi xử lý mẫu tiếp theo.

Các thư viện như River cho streaming machine learning triển khai quy trình predict-then-learn này với các phương thức như predict_one() và learn_one(). Các mạng nơ-ron có thể sử dụng nguyên tắc tương tự thông qua các bước tối ưu hóa PyTorch lặp đi lặp lại, mặc dù các model deep learning thường cập nhật trên các lô dữ liệu nhỏ để đạt hiệu quả tính toán. (docs.pytorch.org)

Online learning đặc biệt có giá trị trong trường hợp concept drift, nơi mối quan hệ giữa đầu vào và đầu ra thay đổi. Các ví dụ bao gồm mô hình lưu lượng truy cập theo mùa, hành vi khách hàng thay đổi, lỗi sản xuất mới hoặc camera được lắp đặt dưới các điều kiện ánh sáng khác nhau. Một nghiên cứu về recurrent concept drift năm 2024 nhấn mạnh rằng các điều kiện lặp lại, chẳng hạn như thời tiết và thời gian trong ngày, đòi hỏi các hệ thống phải nhận diện và thích nghi với các phân phối đã gặp trước đó. (ijcai.org)

Link to this sectionOnline Learning trong thị giác máy tính#

Ultralytics YOLO không thực hiện cập nhật trọng số theo khung hình một cách không kiểm soát trong quá trình inference. Thay vào đó, các nhóm có thể thực hiện online learning an toàn thông qua fine-tuning micro-batch định kỳ trên dữ liệu có gắn nhãn gần đây kết hợp với các mẫu cũ hơn:

from ultralytics import YOLO

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

Ví dụ có thể chạy này sử dụng Ultralytics YOLO26 và YOLO train mode đã được tài liệu hóa để thực hiện cập nhật nhỏ với learning rate thấp. Trong môi trường production, coco8.yaml sẽ được thay thế bằng một tập dữ liệu được phiên bản hóa chứa các mẫu gần đây và các mẫu cũ được phát lại.

Các ứng dụng cụ thể bao gồm:

• Kiểm tra trực quan trong sản xuất: Các model được cập nhật khi các sản phẩm, vật liệu hoặc loại lỗi mới xuất hiện.
• Nhận thức của xe tự hành: Các hệ thống phát hiện thích nghi với việc thay đổi đường xá, thời tiết, điều kiện camera và phân phối đối tượng.
• Quản lý hàng tồn kho bán lẻ: Các model học các loại bao bì mới và sản phẩm theo mùa mà không yêu cầu huấn luyện lại toàn bộ.

Link to this sectionCác khái niệm liên quan và những khác biệt chính#

Continual learning mang phạm vi rộng hơn: nó hướng đến việc học hỏi qua các tác vụ hoặc lĩnh vực trong khi vẫn giữ lại kiến thức trước đó. Online learning mô tả khi nào và tần suất cập nhật diễn ra. Ngược lại, Active learning chọn các mẫu thông tin nhất để gắn nhãn thủ công, trong khi transfer learning điều chỉnh kiến thức đã huấn luyện trước đó cho một tác vụ mục tiêu.

Một thách thức chung lớn là catastrophic forgetting. Nghiên cứu gần đây bao gồm BECoTTA continual test-time adaptation năm 2024, Ranked Entropy Minimization năm 2025, và PLASTIC stability-plasticity method năm 2026, những nghiên cứu này khám phá khả năng thích nghi hiệu quả mà không làm sụp đổ model hoặc mất mát các khả năng trước đó. (proceedings.mlr.press)

Link to this sectionCác phương pháp thực hành tốt nhất hiện nay#

• Giám sát data drift: Theo dõi các phân phối đầu vào, độ tin cậy, độ chính xác và tần suất lớp.
• Bảo lưu dữ liệu phát lại (replay data): Kết hợp các mẫu lịch sử tiêu biểu với dữ liệu mới để giảm thiểu tình trạng quên.
• Xác thực trước khi triển khai: So sánh các model đã cập nhật với các tập dữ liệu kiểm thử holdout ổn định và dữ liệu gần đây.
• Version the complete workflow: Use Ultralytics Platform to manage annotation, datasets, training, deployment, and monitoring.
• Phát hiện drift không nhãn: Khi nhãn đến muộn, hãy giám sát các phân phối đặc trưng và hành vi dự đoán thay vì chờ đợi các phép đo độ chính xác. (dfki.de)