Online Learning

Học trực tuyến là một phương pháp machine learning, trong đó model được cập nhật tăng dần khi các ví dụ mới xuất hiện, thay vì chỉ huấn luyện một lần trên một dataset cố định. Thuật ngữ này đề cập đến việc cập nhật model theo luồng hoặc tuần tự—not giáo dục qua Internet. Một hệ thống học trực tuyến có thể dự đoán, nhận phản hồi và cập nhật sau mỗi mẫu hoặc batch nhỏ, như được mô tả trong định nghĩa học trực tuyến của scikit-learn. Điều này khiến nó hữu ích khi dữ liệu liên tục, quá lớn để lưu trong bộ nhớ hoặc thay đổi theo thời gian. (scikit-learn.org)

Cách hoạt động của học trực tuyến#

Một chu kỳ điển hình là:

1. Model nhận 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 năng được đo trước khi xử lý ví dụ tiếp theo.

Các thư viện như River cho machine learning theo luồng triển khai workflow dự đoán rồi học này bằng các phương thức như predict_one() và learn_one(). Neural network có thể sử dụng cùng nguyên tắc này thông qua các bước cập nhật optimizer của PyTorch lặp lại, mặc dù các model deep learning thường cập nhật trên các batch nhỏ để đạt hiệu quả tính toán. (docs.pytorch.org)

Học trực tuyến đặc biệt có giá trị trong concept drift, khi mối quan hệ giữa đầu vào và đầu ra thay đổi. Ví dụ bao gồm các mẫu giao thông theo mùa, hành vi khách hàng thay đổi, các lỗi sản xuất mới hoặc camera được lắp đặt trong điều kiện ánh sáng khác nhau. Một khảo sát về concept drift lặp lại năm 2024 nhấn mạnh rằng các điều kiện tái diễn, chẳng hạn như thời tiết và thời gian trong ngày, đòi hỏi hệ thống phải nhận biết và thích ứng với các phân phối từng gặp trước đó. (ijcai.org)

Học trực tuyến trong Computer Vision#

Ultralytics YOLO không thực hiện việc cập nhật trọng số không kiểm soát theo từng frame trong quá trình inference. Thay vào đó, các team có thể mô phỏng việc học trực tuyến an toàn thông qua fine-tuning micro-batch định kỳ trên dữ liệu gần đây có nhãn, được trộn với các ví dụ cũ:

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 chế độ train của YOLO được ghi chép trong tài liệu để thực hiện một lần cập nhật nhỏ với learning rate thấp. Trong môi trường production, coco8.yaml sẽ được thay thế bằng một dataset có version chứa các sample gần đây và được replay.

Các ứng dụng cụ thể bao gồm:

• Kiểm tra trực quan trong sản xuất: Model được cập nhật khi xuất hiện sản phẩm, vật liệu hoặc loại lỗi mới.
• Nhận thức cho phương tiện tự hành: Các hệ thống detection thích ứng với đường sá, thời tiết, điều kiện camera và phân phối đối tượng thay đổi.
• Quản lý tồn kho bán lẻ: Model học các loại bao bì và sản phẩm theo mùa mới mà không cần retrain hoàn toàn.

Các khái niệm liên quan và điểm khác biệt chính#

Continual learning có phạm vi rộng hơn: mục tiêu là học qua nhiều task hoặc domain trong khi vẫn giữ lại kiến thức trước đó. Học trực tuyến mô tả khi nào và với tần suất bao lâu các bản cập nhật diễn ra. Ngược lại, active learning lựa chọn các ví dụ giàu thông tin nhất để con người gán nhãn, còn transfer learning điều chỉnh kiến thức pretrained cho một task đích.

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 phương pháp stability-plasticity PLASTIC năm 2026, nhằm nghiên cứu khả năng thích ứng hiệu quả mà không làm model sụp đổ hoặc mất các năng lực trước đó. (proceedings.mlr.press)

Các phương pháp tốt nhất hiện nay#

• Theo dõi data drift: Theo dõi các phân phối đầu vào, độ tin cậy, độ chính xác và tần suất lớp.
• Bảo toàn dữ liệu replay: Trộn các sample lịch sử mang tính đại diện với dữ liệu mới để giảm hiện tượng quên.
• Xác thực trước khi deployment: So sánh các model đã cập nhật với các tập holdout ổn định và tập kiểm thử trên dữ liệu gần đây.
• Version hóa toàn bộ workflow: Sử dụng Ultralytics Platform để quản lý việc gán nhãn, dataset, huấn luyện, deployment và monitoring.
• Phát hiện drift không có nhãn: Khi nhãn đến trễ, hãy theo dõi các phân phối feature và hành vi dự đoán thay vì chờ các phép đo độ chính xác. (dfki.de)