في عصر تتزايد فيه البيانات يومًا بعد يوم، برزت تقنيات التعلم الموزع (Federated Learning) كخيار رئيسي لتطوير نماذج ذكاء اصطناعي تتسم بالتعاون والخصوصية. يعتمد هذا النهج على تدريب النماذج عبر مجموعة من العملاء الموزعين دون الكشف عن بياناتهم الخاصة. لكن، ماذا يحدث عندما نتعامل مع تدفقات بيانات غير ثابتة مثل تلك الموجودة في مجالات الرعاية الصحية وإنترنت الأشياء الصناعي (IIOT)؟

تظهر التحديات جليةً، حيث يؤدي الاستخدام الكلاسيكي لتقنيات التعلم الموزع إلى تدهور الأداء وزيادة عدم الاستقرار، فضلاً عن ظاهرة النسيان الكارثي. هنا يتدخل مفهوم التعلم المستمر (Continual Learning)، الذي يهدف إلى دعم القدرة على التعلم في ظل توزيع بيانات متغير، ولكن معظم الدراسات حتى الآن تركزت على البيئات المركزية، متجاهلة القيود المهمة لنظم التعلم الموزع.

يدخل التعلم المستمر الموزع (Federated Continual Learning) كمجال جديد يهدف إلى دمج مزايا التعلم الموزع والتعلم المستمر. يقدم هذا النهج طريقة للتعلم الذكي والدائم، ممكناً من التعامل مع البيانات غير الثابتة بشكل فعّال وآمن.

تتناول هذه المسح شاملة وتقدم تعريفاً رسمياً لمشكلة التعلم المستمر الموزع وتوضح خصائصه المميزة. نعرض القيود التي تواجه تقنيات التعلم الموزع الكلاسيكية في ظل الظروف غير الثابتة، مع تسليط الضوء على كيف تساعد مبادئ التعلم المستمر في التكيف الطويل الأجل.

لتنظيم الأدبيات المتزايدة بسرعة، نُقترح تصنيفًا متعدد الأبعاد لأساليب التعلم المستمر الموزع. نراجع أيضًا المجالات التطبيقية التمثيلية وكذلك مقاييس التقييم المستخدمة بشكل شائع، ونناقش المنظورات التجريبية لتقييم الأداء على المدى الطويل ومشكلة النسيان.

أخيرًا، نبرز التحديات الرئيسية المفتوحة، مثل التعامل مع التباين الشديد تحت التغير الزمني، وتصميم آليات ذاكرة قابلة للتوسع تحافظ على الخصوصية، ووضع معايير موحدة للاختبار. هذه الدراسة تهدف لتكون مرجعًا وخريطة للطريق نحو أنظمة قوية وقابلة للنشر في العالم الحقيقي.