我确信这是一个最常见的问题，但想知道专家如何解决它。请注意，我主要处理文本数据（NLP 问题）。
当一个监督学习模型被创建时，比如说一个文本分类器，它在看到的数据上运行良好，然后我们将模型部署到生产中（你也可以想到一个聊天机器人）。

但在实时情况下，当预测失败的地方出现新类型的数据时，我们会发现一个新词或新模式正在破坏模型。因此，我们继续使用新遇到的数据重新训练模型。这就是持续学习问题的开始。

ML/NLP 资深人士能否推荐一些替代方案来解决这项劳动工作？已经尝试了以下方法并且还列出了问题：

• 我们根本无法无限地使用新数据进行训练。因为生产系统应该是自我修复的。我们不能投入人工管理员不断监控项目的成本。此外，在模型训练阶段实际上不可能获得大量的领域数据。
• 使用高级嵌入和 BERT 等 SoTA 模型。（问题：这些模型的准确性太难控制）
• 合成数据生成/数据扩充。（问题：在出现 NLP 问题时效果不佳。参考：training-with-less-data）
• 无监督分类（问题：在封闭域问题上效果不佳，因为大多数无监督模型要么是统计的，给出了一个公平的准确性但不体面的价值，要么是在公共领域数据上训练的）
• 强化学习。（问题：与即时反馈的自动驾驶汽车不同，现实世界的 NLP 数据没有标记）