Waarom is dit belangrijk?
Een model kan stap voor stap nieuwe ziektebeelden leren en eerdere kennis vasthouden, ook wanneer oude patiëntgegevens om privacyredenen niet opnieuw beschikbaar zijn. Ziekenhuizen passen dit toe bij het beoordelen van echo's en scans die per apparaat en medisch specialisme kunnen verschillen. Zorgverleners krijgen daardoor actuele hulp bij herkenning, maar een model kan eerdere diagnoses slechter herkennen wanneer nieuwe training oude kennis overschrijft.
Zo werkt het in de praktijk
IBM Research zet incrementeel leren in bij snelle meetreeksen. Voorbeelden zijn korte voorspellingen voor energiebiedingen en storingsdetectie in fabrieken. In project MORE gebruikt IBM gegevens van Engie (windparken) en Inaccess (zonneparken).
IBM onderzoekt dit met Aalborg University en het Athena Research Institute. Zij kijken hoe AutoML, het automatisch kiezen van een model, meegaat als het meetpatroon verandert. De open bibliotheek SAIL ondersteunt die keuze op een lopende datastroom.
De bibliotheek scikit-learn biedt incrementeel leren via partial_fit. Die functie werkt een bestaand model bij met elke nieuwe portie data. SAIL sluit daarop aan en werkt de gewichten van gecombineerde modellen bij op nieuwe metingen.




