什么是持续学习？重塑机器学习与适应性

本教程由我们的社区成员贡献，已由 DataCamp 编辑以提高清晰度与准确性。

想要分享您的专业见解？我们非常期待！欢迎通过我们的社区投稿表单提交文章或创意。

机器学习在对简单与复杂数据的精确建模上都取得了巨大成功。机器学习带来的机会无处不在，但多数方法在实际应用中的“固定”特性，正成为 AI 采纳的减速因素。持续学习正是为此而生。

持续学习是一种机器学习方法，使模型在无需显式再训练的情况下整合新数据。它在传统机器学习基础之上发展，直面现实世界数据的动态本质，打造可随时间提升性能的自适应模型。

什么是持续学习？

持续学习（Continuous Learning），亦称持续机器学习（CML），是指模型无需重新训练，直接从新的数据流中学习的过程。

不同于传统方法先在静态数据集上训练、部署，再定期再训练，持续学习模型会迭代更新参数，以反映数据中新出现的分布。

在这一过程中，模型通过学习最新迭代并在新数据到来时更新其知识而自我改进。持续学习的模型生命周期由于其内在的动态性，使模型能够长期保持相关性。

持续机器学习的类型 

持续机器学习的建模方法多种多样。常见策略包括增量学习、迁移学习以及终身学习。

其他示例还有经验回放方法和正则化技术。

与所有数据相关工作一样，方法选择并非黑白分明，而是取决于数据、模型架构、期望性能、任务复杂度以及可用算力。很多时候会组合多种方法来增强学习能力。

持续学习流程

持续学习是对传统机器学习建模的演进。因此，它同样涉及许多相同的建模环节：预处理、模型选择、超参数调优、训练、部署与监控。

在持续学习流程中还需增加两个步骤：数据复现（rehearsal）以及持续学习策略的实施。这些步骤确保模型能根据应用与数据任务的语境，高效地从新数据流中学习。

图 1：面向机器学习的持续学习流程图

持续学习的优势

持续学习适用于各类数据项目：描述性、诊断性、预测性和规范性。它在涉及快速变化数据的场景中尤为重要。与传统机器学习方法相比，其优势包括：

• 泛化性。持续学习使模型在面对新数据时更具稳健性与准确性。
• 信息保留。通过采用持续学习策略，模型会考虑过去迭代中获得的知识，从而随时间累积信息。
• 适应性。采用持续学习的模型能够适应新知识（如概念漂移与新趋势），从而在长期内具备更强的预测能力。

持续学习的局限

持续学习方法并非没有局限。根据任务的性质与预期结果，在采用此类方法前需要充分考量。

从运营视角看，一个挑战在于：

• 成本。持续学习方法虽有效，但通常比传统方法更具计算复杂性，因为模型需持续适应新数据。此类复杂性往往意味着更高的经济成本，原因在于需要更多的数据、人力与算力资源。

从建模视角看，一些缺点包括：

• 模型管理。每当模型参数基于新数据更新时，实际上就形成了一个新模型。因此，持续学习方法可能产生大量模型，增大甄别最佳表现模型的难度。
• 数据漂移。要让持续学习物有所值，我们必须处理大量新数据。然而，一旦特征分布发生突变，此类模型也有可能丧失预测能力。可在另一篇文章了解更多数据漂移相关内容。

成本难以轻易规避，但与建模相关的挑战可通过完善的方法论与人工干预来缓解。模型版本管理、监控与评估等实践对跟踪模型性能至关重要。此外，人工干预对于落实上述实践、以及就数据做出权衡决策（如更新频率与更新规模）同样重要。

持续学习的应用

考虑到持续学习带来的额外成本与复杂性，该方法最适用于存在持续新数据流的应用。这意味着数据任务所处的环境必须持续演化。

当前的持续学习应用包括：

• 计算机视觉。图像驱动数据的动态特性，使持续学习方法在训练算法以识别与分类视觉信息方面颇受欢迎，常用于人脸识别与影像技术。
• 网络安全。在 IT 安全基础设施中实施持续学习以确保持续监控，是检测钓鱼、网络入侵与垃圾信息等安全操作的关键。
• 医疗健康。鉴于疾病的演变特性，持续学习方法被用于多个医疗领域，以提升与疾病诊断相关的工作流。诸如肿瘤学与放射学等专业率先探索了用于此目的的持续学习型 AI。
• 机器人。持续学习被用于提升机器人在不同环境中的适应性与表现，使其能够基于过往与新增经验，在变化条件下优化行动。

持续学习的未来

技术进步推动的数字化、前所未有的数据增长以及社会经济思维的变化，意味着持续学习在未来将被更广泛采用。因为用于各类应用建模的算法需要具备足够的适应性，才能应对每天在生活各个领域中不断增长的数据流。

从当下的计算机视觉应用到未来如智慧城市管理等潜在场景，持续学习有望重塑我们对人工智能成果的期待，将机器智能提升至新高度。

要有效落地持续学习策略，关键在于克服内在挑战，如计算成本、模型管理复杂性以及与数据漂移相关的风险。若您希望系统掌握如何在生产环境中高效开发与管理机器学习模型，并了解如何随时间持续改进这些模型，欢迎报名 DataCamp 的《以 MLOps 思维打造可投产的机器学习模型》课程。该课程将帮助您掌握设计面向生产、且能适应不断演化数据格局的机器学习模型所需的知识与技能。