AI Ordbog
Continual learning
AI-systemer der kan lære nye opgaver uden at glemme de gamle.
Skrevet og redigeret af Kristian Primdal · Sidst opdateret 18. marts 2026Indhold
Hvad er continual learning?
Continual learning (også kaldet lifelong learning eller inkrementel læring) er en maskinlæringstilgang hvor modeller kan lære nye opgaver løbende uden at miste præstation på tidligere opgaver. Det er en af de mest grundlæggende udfordringer i AI-forskning.
Mennesker gør dette naturligt. Du kan lære at spille guitar uden at glemme at cykle. Du kan lære et nyt sprog uden at miste dit modersmål. Men for neurale netværk er det overraskende svært. Når de trænes på en ny opgave, glemmer de typisk hvad de lærte om den forrige. Det hedder katastrofisk glemsel.
Problemet er praktisk relevant. I den virkelige verden ændrer data sig konstant: nye produkter lanceres, kundeadfærd skifter, nye sygdomme opdages. AI-systemer der ikke kan opdateres løbende bliver hurtigt forældede.
Katastrofisk glemsel
Det centrale problem i continual learning:
- Hvad sker der. Når et neuralt netværk trænes på opgave B, overskrives de parametre der var vigtige for opgave A. Modellen bliver god til B men glemmer A.
- Hvorfor det sker. Neurale netværk gemmer viden i deres parametre (vægte). De samme parametre bruges til alle opgaver. Når parametrene justeres til en ny opgave, ødelægges de mønstre der var vigtige for den gamle.
- Kontrast til mennesker. Menneskehjernen har mekanismer til at beskytte vigtig viden mens den lærer nyt: forskellige hukommelsessystemer, konsolidering under søvn, specialiserede hjerneområder. Neurale netværk har ikke disse mekanismer naturligt.
Løsningsstrategier
- Regularisering. Begrænser hvor meget parametre der er vigtige for gamle opgaver kan ændres. EWC (Elastic Weight Consolidation) er den mest kendte metode. Den identificerer hvilke parametre der er kritiske for gamle opgaver og straffer ændringer i dem.
- Replay. Gemmer eksempler fra gamle opgaver og blander dem ind i træningen af nye opgaver. Modellen genbesøger gammel viden mens den lærer nyt.
- Arkitektur-udvidelse. Tilføjer nye neuroner eller lag til modellen for hver ny opgave, så de gamle parametre forbliver urørte.
- Vidensdestillering. Den gamle models output bruges som ekstra træningsmål for den nye model, så den nye model beholder den gamles viden.
Continual learning i praksis
- Anbefalingssystemer. Nye produkter og trends kræver løbende opdatering af modeller uden at glemme brugerpræferencer.
- Medicinsk AI. Nye sygdomme og behandlinger kræver at diagnostikmodeller opdateres uden at miste præcision på kendte tilstande.
- Autonome køretøjer. Nye vejtyper, skilte og kørselsscenarier skal integreres løbende uden at forværre ydeevnen i kendte situationer.
- Chatbots. Virksomheder vil opdatere deres AI-chatbots med ny produktviden uden at den glemmer eksisterende FAQ’er.
LLM’er og continual learning Store sprogmodeller som GPT og Claude lider også under katastrofisk glemsel. Fine-tuning på ny data kan forringe præstation på andre områder. Det er en af grundene til at RAG (Retrieval-Augmented Generation) ofte foretrækkes over fine-tuning for at tilføje ny viden: RAG ændrer ikke modellens parametre og risikerer derfor ikke glemsel.
FAQ
Hvad er continual learning?
Continual learning er en maskinlæringstilgang hvor modeller kan lære nye opgaver sekventielt uden at glemme viden fra tidligere opgaver. Det er en central udfordring i AI fordi neurale netværk naturligt lider af katastrofisk glemsel.
Hvad er katastrofisk glemsel?
Katastrofisk glemsel (catastrophic forgetting) er fænomenet hvor et neuralt netværk glemmer hvad det lærte om opgave A når det trænes på opgave B. Det sker fordi de samme parametre bruges til alle opgaver, og opdateringer til nye opgaver overskriver gammel viden.
Kan LLM'er lære løbende?
Det er stadig en udfordring. Fine-tuning af LLM'er på ny data kan forringe præstation på andre områder. Teknikker som RAG, LoRA og replay-baserede metoder bruges til at integrere ny viden med minimal glemsel. Ægte continual learning for LLM'er er et aktivt forskningsområde.