---
title: "連續訓練（Continuous Training）"
slug: continuous-training
language: zh-TW
source: https://aiterms.tw/terms/continuous-training
updated_at: 2026-06-22
tags: [MLOps, 機器學習]
ipas_term: false
---

# 連續訓練（Continuous Training）

自動化系統持續收集新資料、重新訓練機器學習模型並部署新版本，使模型效能適應環境變化。

## 完整說明

連續訓練是指建立自動化的模型迭代機制，在模型部署後持續用新資料進行訓練、評估與部署。透過監控系統發現效能衰退時，連續訓練流程自動觸發重新訓練，無需人工干預，確保模型保持最佳狀態。

## 常見問題

### 連續訓練應該多頻繁地進行？

頻率應根據業務場景與資料變化速度決定。在資料漂移快速的場景(如推薦、欺詐檢測)應至少每週訓練一次。在資料漂移緩慢的場景(如靜態分類)可以每月或每季訓練一次。決策標準是：新資料量達到訓練集的10-20%時值得重新訓練；或當監控指標下降超過業務容忍度時觸發訓練。應避免過度頻繁的訓練，因為會浪費計算資源且可能導致模型不穩定。

### 如何處理連續訓練中的資料標籤延遲問題？

標籤延遲(label latency)是常見問題：模型做出預測後，真實標籤需要數天或數週才能獲得。解決方案包括：(1)使用代理標籤(如用戶點擊作為購買意向的代理)加速反饋迴圈；(2)採用增量訓練，用最新的標籤資料更新模型，即使樣本量較少；(3)在訓練時對不同年份的資料加權，平衡資料新鮮度與量級；(4)對於無法快速得到標籤的指標，用專家規則或啟發式方法進行估算。

### 連續訓練系統應該使用全量資料還是增量訓練？

這取決於模型規模與資源約束。從訓練品質角度，全量重新訓練通常優於增量訓練，因為能更好地捕捉資料全貌。但全量訓練成本高，對於大規模模型可能不可行。實踐中的折衷方案是：(1)定期(如每月)進行全量重新訓練確保品質；(2)在兩次全量訓練間進行增量訓練以適應快速變化；(3)對於超大規模模型，採用效率更高的訓練方法如LoRA微調而非全參數訓練。

---

來源：https://aiterms.tw/terms/continuous-training
快查頁：https://aiterms.tw/terms/continuous-training
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-continuous-training