Kontinuierliches Lernen (Continual Learning)
Die Kurzantwort · 12 Wörter
Kurz erklärt
Lernen neuer Aufgaben oder Daten unter möglichst weitgehender Erhaltung bereits erworbener Fähigkeiten.
Flow-alerta.cab (2026): Kontinuierliches Lernen (Continual Learning). https://flow-alerta.cab/glossar/continual-learning. Redaktionell geprüft am: 09. Oktober 2026.
Wie ausführlich soll es sein?
Praxis
Relevant für Modelle, die sich an wechselnde Produkte, Prozesse oder Datenverteilungen anpassen sollen.
Beispielszenario: Eine Defekterkennung lernt neue Bauteile und wird weiterhin auf älteren Bauteilklassen geprüft.
Neue und frühere Fähigkeiten getrennt evaluieren, Trainingsdaten versionieren und Rückkehr zu stabilen Modellständen ermöglichen.
Auf einen Blick
- Kern
- Ein Modell wird über mehrere Lernphasen hinweg angepasst. Neue Updates können frühere Fähigkeiten beeinträchtigen, was als Catastrophic Forgetting bezeichnet wird. Methoden wie Replay oder Regularisierung sollen diesen Konflikt begrenzen. Ein laufender Chat ist nicht automatisch Continual Learning der Modellgewichte.
- Nutzen
- Relevant für Modelle, die sich an wechselnde Produkte, Prozesse oder Datenverteilungen anpassen sollen.
- Beispiel
- Beispielszenario: Eine Defekterkennung lernt neue Bauteile und wird weiterhin auf älteren Bauteilklassen geprüft.
- Grenzen
- Nur neue Aufgaben testen; ungeprüft automatisches Lernen im Betrieb aktivieren; Replay-Datenqualität und Speicherkosten ignorieren.
Im Zusammenhang
Fragen, die dazu gestellt werden
Ist jeder Chat ein Training?
Nein.
Ist Vergessen ausgeschlossen?
Nein.
Braucht es dauerhaftes Online-Training?
Nein.
Alle Details und Hintergründe
Ein Modell wird über mehrere Lernphasen hinweg angepasst. Neue Updates können frühere Fähigkeiten beeinträchtigen, was als Catastrophic Forgetting bezeichnet wird. Methoden wie Replay oder Regularisierung sollen diesen Konflikt begrenzen. Ein laufender Chat ist nicht automatisch Continual Learning der Modellgewichte.
ELI5 – Einfach erklärt
Du lernst etwas Neues und versuchst dabei, das bisher Gelernte nicht zu vergessen.
Warum das im Alltag wichtig ist
Relevant für Modelle, die sich an wechselnde Produkte, Prozesse oder Datenverteilungen anpassen sollen.
Beispiel
Beispielszenario: Eine Defekterkennung lernt neue Bauteile und wird weiterhin auf älteren Bauteilklassen geprüft.
Fallstricke und Grenzen
- Nur neue Aufgaben testen; ungeprüft automatisches Lernen im Betrieb aktivieren; Replay-Datenqualität und Speicherkosten ignorieren.
Entstehung & Geschichte
Die Forschung adressiert seit Jahrzehnten das Vergessen neuronaler Netze; Elastic Weight Consolidation wurde 2016/2017 prominent vorgestellt.
Anwendung im Mittelstand
- Neue und frühere Fähigkeiten getrennt evaluieren, Trainingsdaten versionieren und Rückkehr zu stabilen Modellständen ermöglichen.
Verwandte Begriffe
- Catastrophic Forgetting
- Online Learning
- Replay
- Fine-Tuning
- Concept Drift
Passende Flow-alerta-Leistung
KI-Potenzialanalyse & FahrplanKI-Beratung – Lern- und Evaluationsprozesse für sich verändernde Unternehmensdaten planen.Passendes Tool / Use Case
Praxisbeispiele ansehenUse Case: schrittweise Erweiterung einer Qualitätskontrolle um neue Produktklassen.Quellen
- arxiv.orgKirkpatrick et al., Overcoming catastrophic forgetting in neural networks
Quellenprüfung: 09.10.2026. Definition und dokumentierte Einordnung abgeglichen; Beispiele beschreiben mögliche Anwendungen.
Redaktionell geprüft am: