What is Aprendizaje continuo (Continual Learning)?

Definition

El aprendizaje continuo es el entrenamiento de un mismo modelo a lo largo de una secuencia de tareas o datos en el tiempo, de modo que gana capacidades nuevas mientras conserva las que ya tiene. Cada ronda parte de la versión anterior del modelo y la actualiza con datos nuevos. La dificultad central es el olvido catastrófico: una actualización que ayuda con los datos nuevos puede sobrescribir lo que las rondas anteriores enseñaron al modelo. El campo de investigación se remonta a la descripción de esa interferencia que hicieron McCloskey y Cohen en 1989.

En los agentes de IA el término se usa de forma más amplia. Harrison Chase, de LangChain, divide el aprendizaje continuo para agentes en tres capas en "Continual learning for AI agents" (5 de abril de 2026): el modelo, cuyos pesos cambian; el harness, el código y las instrucciones integradas que dirigen al agente; y el contexto, la memoria y las instrucciones por usuario que recibe. Los cambios en el harness y el contexto son rápidos de hacer y fáciles de revertir. El aprendizaje continuo en la capa del modelo entrena la siguiente versión del modelo con el propio tráfico del agente, lo que cambia lo que el modelo puede hacer.

Los textos de producto suelen decir continuous learning para la misma idea. La guía para desarrolladores de Arize (revisada por última vez el 16 de agosto de 2026) señala que los dos términos se usan como sinónimos en las discusiones de producto.

Why It Matters

Un modelo entrenado una sola vez empieza a quedarse desfasado el día que sale a producción. Los usuarios cambian su forma de preguntar, las herramientas y los datos de origen cambian de forma y aparecen casos límite nuevos. El artículo de Google Research sobre el sleep framework (27 de octubre de 2026) describe los LLM desplegados como en gran medida estáticos, con una fecha de corte de conocimiento fija. El aprendizaje continuo es la forma en que un modelo se mantiene al día con el trabajo que hace.

Para un agente que repite la misma tarea a gran volumen, la capa del modelo también fija el coste. Las instrucciones y los ejemplos que viajan en cada prompt pueden entrenarse dentro del modelo, así que cada tarea necesita menos tokens, y un especialista entrenado para la tarea suele costar menos por token que un modelo frontera. Cada ronda de entrenamiento es también una ocasión de perder algo, y por eso cada versión nueva necesita una compuerta de evaluación antes de recibir tráfico.

How It Works

En la capa del modelo, el aprendizaje continuo funciona como un bucle en segundo plano mientras el modelo actual sigue sirviendo. Se registran las peticiones, respuestas y resultados del agente. De ese tráfico se extraen ejemplos de entrenamiento candidatos, que aprueba el equipo responsable del agente. Una versión nueva se entrena con los ejemplos aprobados, mezclados con ejemplos de rondas anteriores (repetición) para que conserve lo que esas rondas le enseñaron. La versión nueva se puntúa con las evaluaciones del equipo: un conjunto de la tarea que define el listón de calidad y un conjunto de regresión con casos que el modelo actual ya resuelve bien. Solo se publica con la aprobación del equipo, y si se queda corta, el modelo actual sigue en servicio.

Entre las técnicas que reducen el olvido entre rondas están la repetición, la regularización como la consolidación elástica de pesos, el entrenamiento eficiente en parámetros como LoRA y los métodos de subespacios ortogonales como O-LoRA y OSFT. Cada una reduce el riesgo, y cada versión se sigue midiendo antes de publicarse.

Example Use Case

Un agente de soporte clasifica los tickets entrantes y redacta respuestas. Tras un lanzamiento de producto aparece una categoría nueva de preguntas que el modelo enruta mal. El equipo aprueba unos cientos de ejemplos corregidos del tráfico del agente, y una versión nueva del modelo se entrena con ellos junto con ejemplos de rondas anteriores. La versión nueva se puntúa en el conjunto de la tarea y en un conjunto de regresión que cubre las categorías que el modelo actual ya resuelve. Alcanza el listón en ambos, el equipo la aprueba y sustituye al modelo actual. Si hubiera fallado en el conjunto de regresión, el modelo actual habría seguido en servicio y los casos fallidos habrían pasado a la siguiente ronda.

Key Takeaways

• El aprendizaje continuo entrena un modelo a lo largo de una secuencia de rondas conservando lo que le enseñaron las anteriores.
• En los agentes de IA ocurre en tres capas: modelo, harness y contexto.
• En la capa del modelo, el propio tráfico del agente entrena cada versión nueva del modelo.
• El olvido catastrófico es el riesgo principal, y lo reducen la repetición, la regularización, LoRA y los métodos de subespacios ortogonales.
• Una compuerta de evaluación con un conjunto de regresión decide si una versión nueva sustituye a la actual.